« Il paraît que ce sont les IA qui font les courses maintenant »
Quelqu’un lâche la phrase en réunion, tout le monde hoche la tête, et on passe au point suivant.
Une semaine plus tard arrive la vraie question — d’accord, mais concrètement, on change quoi dans le rayon ? — et le silence tombe. Hex-ko a connu ce silence. Elle n’avait pas la réponse non plus.
Tout le métier qu’on a construit pour des humains (faire monter les avis, soigner l’affichage du prix, acheter du placement) n’avait jamais été testé sur un acheteur qui lit une liste au format JSON et n’a pas d’yeux. Personne n’avait vérifié si quoi que ce soit se transposait.
Elle a un jour soumis à un modèle une accroche dont elle était plutôt fière, écrite pour émouvoir, et l’a regardée se faire ignorer intégralement.
Quelqu’un a monté une fausse place de marché et a mesuré tout ça sérieusement : allons voir ce qui en est sorti.
Sur quoi se décide un agent acheteur ?
Sur la place occupée, sur les étiquettes de sponsoring et sur le badge de recommandation de la plateforme. Et il réagit fort aux trois.
Dans la place de marché simulée, l’étiquette « Sponsorisé » faisait baisser la probabilité d’être choisi, tandis que le badge « notre sélection » de la plateforme la faisait nettement monter (l’étude de 2025, Allouah, Besbes et al., arXiv:2508.02630). Les auteurs se répartissent entre MyCustomAI, la Columbia University Graduate School of Business et Yale University.
Une partie de ce que la publicité pour humains nous a appris fonctionne donc à l’envers ici. Le signal qui dit « quelqu’un a payé pour vous mettre ça devant les yeux » est exactement celui que l’agent pénalise.
Sur le placement, le flair publicitaire habituel ne sert à rien
L’expérience s’est déroulée sur une place de marché simulée que les auteurs ont eux-mêmes construite, baptisée ACES : placement, étiquettes, prix et notes y étaient permutés au hasard pendant qu’on mesurait l’effet sur la probabilité que chaque produit soit retenu. Plusieurs modèles de pointe faisaient les achats, dont GPT-4.1, GPT-5.1, Gemini et Claude.
Le biais de position s’est révélé fort, et sa direction change selon le fournisseur, voire selon la version du modèle. Entre GPT-4.1 et GPT-5.1, la position préférée s’inversait presque entièrement.
Et si on retire les images ? Dans la condition « sans interface », avec une simple liste JSON, le même biais réapparaît. Le biais tient donc au modèle lui-même, indépendamment de la mise en page.
Lui dire explicitement d’ignorer la position n’a presque rien changé. Il y a un plafond à ce qu’on répare en soignant la formulation du prompt, et autant le savoir avant que quelqu’un de l’équipe ne le propose comme solution.
Une réécriture, et la part de marché a bougé
Voilà l’expérience sur laquelle Hex-ko revient sans arrêt. Les auteurs ont laissé un agent commercial IA lire les données de ventes des concurrents, puis réécrire une seule fois sa propre fiche produit, et ils ont mesuré l’effet face à six modèles acheteurs différents.
| Modèle qui achète | Gain de part |
|---|---|
| Gemini 3 Pro Preview | +0,32 pt |
| Claude Sonnet 4 | +3,66 pt |
| Claude Opus 4.5 | +7,38 pt |
| GPT-4.1 | +8,37 pt |
| Gemini 2.5 Flash | +14,79 pt |
| GPT-5.1 | +14,89 pt |
Sur les six, cinq ont bougé de façon statistiquement significative. Sur l’ensemble des expériences menées, 33 % ont donné une hausse significative grâce à cette unique réécriture.
Ce n’est pas « ça marche à tous les coups ». Mais un levier qui paie une fois sur trois, pour le prix d’un paragraphe réécrit, reste bon marché comparé aux leviers marketing habituels.
Ce que ces chiffres ne couvrent pas
Quatre limites, et Hex-ko les dirait toutes les quatre avant que le tableau n’atterrisse dans une présentation.
C’est une place de marché simulée. L’ampleur de l’effet sur une vraie boutique, avec un vrai catalogue et de vrais acheteurs, peut se situer ailleurs.
Seules 33 % des expériences ont atteint la significativité : dans la majorité, aucun mouvement visible.
Le biais de position change de sens d’une génération de modèle à l’autre, donc la place qui fonctionne aujourd’hui n’a aucune obligation de fonctionner le mois prochain (à peu près aussi durable que de lire son horoscope du jour et d’en tirer un plan sur dix ans).
Et deux des cinq auteurs travaillent chez MyCustomAI, qui vend de l’optimisation e-commerce pour agents IA. « Réécrivez vos fiches et votre part monte » est la conclusion qui fait vendre ce produit : on retient le résultat, on garde en tête la pente commerciale.
réécrivez vos fiches pour un lecteur qui n’a pas d’yeux
Commencez par le texte de vos produits principaux. Relisez-le une fois comme le lirait un modèle : le prix y est-il ? Les caractéristiques y sont-elles ? Les questions de comparaison que poserait un acheteur trouvent-elles une réponse en mots concrets ? Acheter du placement et des emplacements sponsorisés est le réflexe ancien, et ces données disent qu’il pèse moins qu’avant.
Avec l’étiquette de sponsoring, prudence particulière. Dans cette expérience, le marqueur lui-même tirait la probabilité de sélection vers le bas : payer l’emplacement sans retoucher les mots en dessous peut vous laisser plus mal placé qu’en ne faisant rien.
Et comme le biais de position bouge à chaque sortie de modèle, mettez cette vérification au calendrier, sur plusieurs IA à la fois, plutôt que de la cocher une bonne fois. C’est ce qui permet de repérer la réorganisation du rayon pendant qu’elle se produit, plutôt qu’un trimestre plus tard.
Références
- Amine Allouah (MyCustomAI), Omar Besbes (Columbia University Graduate School of Business), Josué D. Figueroa (MyCustomAI), Yash Kanoria (Columbia University Graduate School of Business), Akshit Kumar (Yale University), « What Is Your AI Agent Buying? Evaluation, Biases, Model Dependence, & Emerging Implications for Agentic E-Commerce », arXiv:2508.02630, 2025-12-17, arxiv.org (Expériences menées sur ACES, une place de marché simulée construite par les auteurs, avec placement, étiquettes, prix et notes tirés au hasard. L’étiquette « Sponsorisé » faisait baisser la probabilité de sélection, tandis que le badge de recommandation de la plateforme la faisait nettement monter. Le biais de position était fort et sa direction variait selon le fournisseur et la version du modèle — presque inversée entre GPT-4.1 et GPT-5.1 —, il se reproduisait dans une condition sans interface avec une simple liste JSON et ne diminuait guère lorsqu’on demandait au modèle d’ignorer la position. En laissant un agent commercial IA réécrire une fois la fiche produit, cinq des six modèles acheteurs ont montré des gains de part statistiquement significatifs : Gemini 3 Pro Preview +0,32 pt, Claude Sonnet 4 +3,66 pt, Claude Opus 4.5 +7,38 pt, GPT-4.1 +8,37 pt, Gemini 2.5 Flash +14,79 pt, GPT-5.1 +14,89 pt ; 33 % de l’ensemble des expériences ont montré une hausse significative. Environnement simulé, donc l’ampleur peut différer du e-commerce réel ; deux des cinq auteurs sont employés de MyCustomAI, qui vend de l’optimisation e-commerce pour agents IA.)
