En bref
Le « commerce agentique » utilise des agents IA pour comprendre les intentions, prendre des décisions et agir de manière autonome tout au long du parcours d'achat. Pour les équipes chargées du commerce en ligne et de la gestion des produits, cela implique de dépasser le cadre des règles statiques pour évoluer vers une découverte des produits capable de s'adapter en temps réel aux variations de la demande, des stocks, des marges et du comportement des acheteurs. Cet article explique le fonctionnement du commerce agentique, son importance pour le secteur de la distribution, les conditions nécessaires à sa bonne mise en œuvre et comment garder le contrôle à mesure que de plus en plus de décisions sont automatisées.
Vous utilisez sans doute déjà l’IA dans votre expérience de commerce en ligne, qu’il s’agisse de recommandations de produits, d’IA générative ou d’une fonction de recherche plus intelligente. Ce qui change aujourd’hui, c’est le niveau d’autonomie. Les agents IA commencent à effectuer des recherches, à comparer les prix, à prendre des décisions et, à terme, à finaliser des achats pour le compte d’un utilisateur, tandis que les agents marchands optimisent ce que les acheteurs voient en s’appuyant sur les données produit, les stocks, les marges et les intentions des consommateurs. McKinsey estime que le commerce automatisé pourrait représenter entre 3 000 et 5 000 milliards de dollars de dépenses de consommation mondiales d’ici 2030.
Qu'est-ce que le commerce agentique ?
Le commerce agentique utilise des agents d'intelligence artificielle pour comprendre un objectif, raisonner à partir des informations disponibles, décider de la marche à suivre et agir avec un certain degré d'autonomie.

Le modèle traditionnel repose encore largement sur la prise de décision humaine. Vous naviguez sur un site de commerce en ligne, vous comparez les options et vous effectuez vous-même les étapes du processus de paiement. Avec le « shopping agentique », certaines de ces tâches peuvent être déléguées.
Vous pourriez dire à un agent :
Trouve-moi une veste noire imperméable à moins de 200 €, qui sera livrée avant vendredi.
L'agent est capable d'interpréter ces préférences et ces contraintes, d'explorer les options disponibles, de comparer les produits et d'affiner la sélection. À mesure que ses capacités évoluent, il peut également finaliser les achats, suivre la commande ou gérer les retours avec un minimum d'intervention directe de la part de l'utilisateur.
C'est en cela que le commerce agentique se distingue du commerce traditionnel : l'agent peut passer de la compréhension de l'intention à l'action au nom de l'utilisateur.
Les trois piliers du commerce agentique
La caractéristique principale de l'IA agentique réside dans sa capacité à allier autonomie, raisonnement et action.

1. Autonomie
Les agents IA agissent sans qu'une personne ait besoin de valider chacune de leurs actions courantes.
Cela ne signifie pas pour autant leur accorder un contrôle illimité. Cela signifie déterminer dans quels domaines ils peuvent agir de manière autonome et dans lesquels vous souhaitez qu’un être humain intervienne.
2. Raisonnement
Les agents interprètent le contexte plutôt que de suivre une règle unique et figée.
Dans le secteur de la vente au détail, ce contexte peut notamment inclure les intentions des consommateurs, leur comportement de navigation, l'état des stocks en temps réel, les marges, la demande saisonnière et les relations entre les produits.
3. Action
C'est là que les agents d'IA dotés d'autonomie dépassent le cadre de l'IA traditionnelle.
Une IA classique pourrait signaler à votre responsable merchandising qu'un produit perd de sa pertinence. Un agent peut quant à lui modifier concrètement le classement.
Le commerce agentique confie l'exécution des flux de travail à des agents IA, au lieu de se contenter d'une simple recommandation.
En quoi le commerce agentique diffère-t-il de l'IA actuelle ?
Le commerce basé sur l'IA agentique transforme le rôle que les systèmes d'IA peuvent jouer dans le commerce numérique.
| Approche | Que se passe-t-il ? | Qui intervient ? |
| Personnalisation basée sur des règles | Une règle ou un segment prédéfini détermine ce qui s'affiche | C'est votre équipe qui élabore et met à jour les règles |
| IA générative | L'IA crée du contenu, rédige des descriptions de produits ou répond à une demande | C'est généralement un être humain qui dirige la tâche |
| Copilote IA | L'IA recommande ce qu'une personne devrait faire | C'est une personne qui examine et intervient |
| Commerce agentique | L'IA observe, raisonne, prend des décisions et agit dans le respect de certaines limites | L'agent peut agir de manière autonome |
Les technologies sous-jacentes peuvent inclure l'intelligence artificielle, les grands modèles linguistiques, le traitement du langage naturel, les données structurées, l'intelligence produit et les API.
Les agents modernes peuvent utiliser ces technologies pour effectuer des tâches et s'adapter à l'évolution des conditions.
Gartner prévoit que 33 % des applications logicielles d'entreprise intégreront une IA agentique d'ici 2028, contre moins de 1 % en 2024.
Comment fonctionne le commerce agentique dans la découverte de produits au détail

Pour une équipe de commerce en ligne, la manière la plus simple de comprendre le fonctionnement du « commerce agentique » est de le considérer comme une boucle continue :
Observer → Décider → Agir → Apprendre
Pour les équipes du commerce de détail, l'IA agentique prend tout son sens lorsqu'elle est capable de transformer des signaux changeants en actions concrètes sans avoir à attendre une intervention manuelle constante.
À noter : les signaux d'intention et les données sur les produits
Un conseiller doit tout d'abord disposer d'informations suffisantes sur le client et les produits disponibles.
Cela pourrait notamment inclure :
- Requêtes de recherche, comportement de navigation et activité du panier
- Historique des achats et préférences des clients
- Stocks, prix, marges, demande locale et tendances saisonnières
Le commerce agentique repose sur des données de qualité.
Les entreprises doivent veiller à ce que les données relatives à leurs produits soient propres et structurées pour les agents d'IA. Si les données structurées sous-jacentes ne fournissent que peu d'informations sur la coupe, les matières, la compatibilité, la saisonnalité ou les variantes, même un agent très performant ne disposera que d'un contexte limité.
Voyado associe les intentions des acheteurs aux données analytiques sur les produits du commerce de détail, ce qui permet à son moteur de découverte de produits de comprendre les produits, leur contexte et leurs relations, plutôt que de se contenter de faire correspondre des mots-clés.
Décider : logique de classement et de recommandation
Ensuite, l'agent détermine ce qui mérite son attention.
Imaginons qu'une personne recherche des chaussures de course.
La paire la plus populaire peut sembler être le premier résultat qui s'impose. Mais que se passe-t-il si cette taille est presque en rupture de stock ? Et si une autre paire correspondait tout aussi bien à la recherche, était disponible en quantité suffisante et correspondait mieux à ce que cet acheteur a consulté jusqu'à présent ?
Une bonne prise de décision consiste à trouver le juste équilibre entre la pertinence et les réalités commerciales. L'agent peut évaluer l'intention de l'acheteur, la disponibilité, la marge, la demande et les règles métier avant de décider quels produits doivent être mis en avant.
Agir : ajustements en temps réel à tous les points de contact de la découverte
Une fois la décision prise, les agents IA agissent tant que cela a encore de l'importance.
Un conseiller peut modifier le classement des résultats de recherche sur le site, ajuster l'ordre des catégories dans la navigation du site ou adapter les recommandations de produits en fonction du client qui se trouve devant vous.
Une modification des stocks survenue il y a cinq minutes peut avoir une incidence sur les informations affichées actuellement. Votre équipe n'aura pas à constater le problème le lendemain matin et à le corriger manuellement.
Apprendre : l'amélioration continue à partir des résultats
Les agents doivent également savoir si leurs décisions ont porté leurs fruits.
Le client s'est-il intéressé au produit ? A-t-il effectué un achat ? La marge s'est-elle améliorée ? Y a-t-il eu moins de recherches infructueuses ?
Ces résultats déterminent la décision suivante.
Les règles statiques ne font pas cela d'elles-mêmes. Elles continuent à faire ce que vous leur avez demandé jusqu'à ce que quelqu'un remarque qu'un changement est intervenu.
Pourquoi le commerce agentique est-il essentiel pour les leaders du commerce électronique ?
Les avantages du commerce agentique sont particulièrement évidents lorsqu'il s'agit des problèmes de découverte de produits auxquels vous êtes déjà confrontés.
Taux de conversion : la pertinence au moment où l'intention se manifeste
Imaginez qu'un internaute recherche un produit que vous proposez techniquement.
Votre moteur de recherche sait que ce résultat est pertinent, c'est pourquoi il le place en tête.
Malheureusement, cet article est en rupture de stock.
C'est un résultat de recherche tout à fait logique, mais une expérience utilisateur désastreuse.
Un agent peut tenir compte de la pertinence et de la disponibilité en temps réel avant de déterminer quel produit mérite la première place. Cela permet aux acheteurs de trouver plus rapidement les produits qui leur correspondent.
Une étude menée par IBM et la National Retail Federation et publiée en 2026 a révélé que 45 % des consommateurs recourent déjà à l'intelligence artificielle pour obtenir de l'aide tout au long de leur parcours d'achat.
L'évolution des comportements d'achat en ligne implique que la découverte doit de plus en plus s'adapter non seulement aux humains, mais aussi aux systèmes d'IA chargés d'interpréter les intentions.
Protection des marges : trouver le juste équilibre entre les ventes et la rentabilité
Le produit qui génère le plus de ventes n'est pas toujours celui que vous avez le plus envie de mettre en avant.
Vous cherchez peut-être à préserver vos marges, à écouler vos stocks saisonniers, à éviter de promouvoir un article presque en rupture de stock ou à mettre davantage en avant une gamme haut de gamme.
Le commerce agentique permet d'évaluer ces compromis en temps réel. La question n'est donc plus tant « Qu'est-ce qui va générer un clic ? » que « Quel est le meilleur résultat pour cet acheteur et pour l'entreprise ? »
Efficacité opérationnelle : du réglage manuel à l'optimisation autonome
Certaines décisions en matière de merchandising méritent une intervention humaine. Faire remonter un produit de deux places parce qu'une autre taille est en rupture de stock n'en fait probablement pas partie.
Le merchandising automatisé peut prendre en charge les tâches plus routinières liées au classement, aux recommandations et aux ajustements des fiches produits, tandis que votre équipe se concentre sur la composition de l'assortiment, les campagnes, la planification commerciale et l'expérience de marque.
Pression concurrentielle : la transition est déjà en marche
L'ère du commerce agentique ne se limite pas à transformer ce qui se passe au sein de votre propre site. Le protocole de commerce agentique offre aux agents IA et aux systèmes marchands un cadre commun permettant des interactions sécurisées et structurées tout au long du parcours d'achat.
Des agents d'achat font également leur apparition du côté des consommateurs.
Un assistant d'achats personnel basé sur l'IA pourrait, à terme, prendre en charge l'ensemble du processus :
Intention → recherche → comparaison des prix → choix → paiement → suivi
Certains agents peuvent également gérer les achats récurrents, la gestion des abonnements, les opérations d'achat sur mobile ou les retours.
Cela modifie la manière dont les consommateurs interagissent avec les commerçants. Un agent peut interagir directement avec les systèmes des commerçants plutôt que de parcourir plusieurs sites de commerce électronique comme le ferait une personne. Pour que ce modèle puisse se développer à grande échelle, les agents des commerçants et les agents d'achat doivent disposer de moyens de communication communs.
Le protocole « Agentic Commerce », développé par OpenAI et Stripe, crée un cadre ouvert permettant aux agents d'interagir avec les systèmes commerciaux.
Le protocole « Universal Commerce » de Google et Shopify s'attaque à un problème d'interopérabilité similaire concernant la recherche de produits, le paiement, les commandes et les activités post-achat.
Ces protocoles permettent aux agents d'échanger des informations structurées et de finaliser des achats sans devoir passer par une page de paiement classique à chaque étape.
Ce même modèle agentique commence également à faire son apparition au-delà du commerce de détail grand public. Les agents d'IA peuvent automatiser les décisions d'achat à faible risque, soutenir les chaînes d'approvisionnement, gérer les stocks et effectuer de manière autonome des tâches qui nécessitaient auparavant une intervention manuelle.
Le guide pratique pour la préparation à la découverte dans le secteur de la vente au détail
Vous n'avez pas besoin de refondre l'ensemble de votre infrastructure e-commerce, mais votre couche de découverte doit fournir des données utiles aux agents.
Infrastructure de signalisation d'intention
Commencez par les signaux dont vous disposez déjà.
Requêtes de recherche. Navigation. Activité du panier. Historique des achats. Informations sur le programme de fidélité. Préférence de canal.
Puis demandez :
Vos systèmes de découverte peuvent-ils réellement exploiter ces informations pendant que le client est encore en train de faire ses achats ?
Ce sont les données en temps réel qui permettent de transformer le contexte en aide proactive.
Qualité et enrichissement du catalogue
Les agents doivent bien connaître les produits qu'ils commercialisent.
Les informations utiles sur les produits peuvent notamment inclure :
- Taille, coupe, matières et variantes
- Compatibilité et saisonnalité
- Cycle de vie, prix, disponibilité et marge
Si le catalogue est très volumineux, n'essayez pas d'en enrichir l'intégralité d'un seul coup.
Commencez par les best-sellers, les gammes saisonnières et les produits phares.
L'objectif est d'obtenir des informations structurées que vos propres systèmes et les agents d'IA externes puissent interpréter de manière fiable.
Intégration des stocks et des marges
Un agent ne peut pas prendre une bonne décision en se basant sur les cours boursiers d'hier.
Les informations relatives aux stocks en temps réel, à la disponibilité régionale, aux prix et aux marges devraient être mises à la disposition de la couche de découverte lorsque cela s'avère pertinent.
Le commerce basé sur les agents nécessite également la mise à disposition de données en temps réel appropriées via des API. Les agents d'IA doivent interagir avec différents systèmes marchands ; l'interopérabilité revêt donc une importance croissante à mesure que les décisions d'achat dépassent les frontières entre les systèmes.
Cadres d'expérimentation et de mesure
Ne passez pas d'un approvisionnement manuel à une autonomie totale d'un seul coup.
Commencez par une catégorie, un marché ou un cas d'utilisation pour lequel vous savez déjà qu'il y a un problème. Peut-être que les produits en rupture de stock apparaissent trop haut dans les résultats, ou qu'une catégorie nécessite un ajustement manuel constant.
Définissez un niveau de référence, constituez un groupe témoin ou un groupe de contrôle, et fixez des limites claires à l'agent. Mesurez ensuite l'effet incrémental avant d'étendre son autonomie.
Gouvernance et contrôle du merchandising autonome
Le commerce agentique fonctionne mieux lorsque l'autonomie est clairement définie.
Seuils d'approbation et règles d'escalade
Un ajustement du classement lié aux actions présentant un faible risque pourrait intervenir automatiquement.
Une modification importante apportée à une campagne de lancement peut nécessiter une autorisation.
Les entreprises devraient mettre en place un dispositif de gouvernance définissant les pouvoirs décisionnels des agents d'IA en fonction de l'impact financier, du risque, de la sensibilité de la marque ou du type d'action concernée.
Cela permet aux agents d'IA d'agir de manière autonome pour les décisions courantes, tandis que les humains continuent d'intervenir lorsque le jugement humain est nécessaire.
Prix planchers, protection des stocks et contraintes de marge
Vos agents doivent également respecter certaines contraintes commerciales.
Il pourrait s'agir notamment de :
- Marges ou prix planchers
- Règles relatives à la protection des actions
- Exclusions de produits ou de catégories
Ne laissez pas un agent se concentrer à tout prix sur un seul indicateur. Si sa seule consigne est d'augmenter les ventes, il ne dispose pas du contexte nécessaire pour optimiser les résultats commerciaux que vous souhaitez réellement obtenir.
Conformité de la marque et contraintes réglementaires
La confiance et la sécurité sont des éléments essentiels du commerce entre agents, d'autant plus que ces derniers passent des recommandations à des transactions autonomes.
Les utilisateurs ont besoin d'être assurés que leurs données financières sont en sécurité. Les considérations éthiques portent également sur la confidentialité des données, le consentement et les biais potentiels dans les décisions.
Cela signifie que le shopping autonome nécessite des mesures de sécurité rigoureuses et des protocoles de confiance.
Le protocole de paiement par agent de Google, ou AP2, fournit un cadre commun permettant d'effectuer des paiements sécurisés par l'intermédiaire d'un agent et de prouver l'autorisation de l'utilisateur.
Des protocoles tels que l'ACP, l'UCP et l'AP2 peuvent favoriser une prise de décision sécurisée et automatisée, des pistes d'audit plus claires, la transparence des transactions et la détection des fraudes.
Le principe est simple : l'autonomie s'exerce dans des limites bien définies.
Mesurer l'impact du commerce agentique
Évaluez le commerce agentique en fonction de l'amélioration de la découverte et des performances commerciales, et non en fonction de l'ampleur du déploiement de l'IA.
Indicateurs de réussite en matière de découverte
Commencez par vous demander si les clients trouvent réellement des produits utiles.
Piste :
- Taux de réussite de la recherche
- Taux de résultats nuls
- Délai de mise sur le marché
Ces indicateurs permettent de déterminer si l'optimisation agentique réduit les impasses et aide les acheteurs à trouver plus rapidement des produits pertinents.
Indicateurs de conversion et de chiffre d'affaires
Le taux de conversion, le panier moyen et la marge par session constituent des points de départ utiles.
Segmentez-les également par catégorie, marché, intention et type de client. Une recherche à forte intention se distingue nettement d'une navigation occasionnelle, et un acheteur régulier se comporte différemment d'un nouveau client.
Vous voulez savoir où le commerce agentique a eu un impact sur les performances, et pas seulement si un indicateur global du site a évolué.
Indicateurs d'efficacité opérationnelle
Mesurez également ce que votre équipe n'a plus à faire.
Suivre les heures consacrées au merchandising manuel, les mises à jour des règles, les ajustements saisonniers, les risques de rupture de stock et les recommandations non pertinentes.
Cela vous permet de savoir si le système apporte une réelle efficacité commerciale, plutôt que de se contenter d'ajouter une nouvelle plateforme d'IA que votre équipe devra gérer.
Comment se lancer dans le commerce agentique
Vous pouvez commencer à vous préparer au commerce agentique sans pour autant en faire un projet de transformation de grande envergure.

Étape 1 : Réalisez un audit de votre couche de découverte
Recherchez les recherches qui ne mènent nulle part, les produits en rupture de stock qui occupent les premières places, les recommandations non pertinentes ou les catégories que votre équipe passe son temps à corriger.
Définissez votre situation de référence avant d'apporter le moindre changement.
Étape 2 : Évaluer l'état de préparation et combler les lacunes
Les données relatives à vos produits sont-elles suffisamment bien structurées ? Les stocks sont-ils à jour ? Êtes-vous en mesure de faire le lien entre les intentions des acheteurs, les données sur les produits et les informations commerciales ?
Commencez par combler les lacunes les plus importantes.
Étape 3 : Mise en œuvre d'une optimisation agentique dans un segment contrôlé
Choisissez une catégorie, un marché ou un segment de clientèle pour lequel les critères de réussite sont clairement définis.
Définissez les limites. Prenez le contrôle. Lancez le test.
Il ne faut alors accorder davantage de marge de manœuvre à l'agent que lorsque les résultats montrent qu'il est capable de prendre de meilleures décisions que le processus statique qu'il remplace.
L'objectif n'est pas de confier d'un seul coup l'ensemble de votre processus de découverte. Montrez en quoi le commerce agentique permet de prendre de meilleures décisions, de réduire le travail manuel et d'améliorer l'expérience d'achat sans pour autant perdre le contrôle. Commencez par un seul problème, évaluez les résultats, puis étendez votre démarche.

Foire aux questions
Qu'est-ce que le commerce agentique ?
La définition la plus simple du commerce agentique consiste à utiliser des agents d'IA autonomes pour comprendre les intentions, prendre des décisions et exécuter des processus commerciaux dans le cadre de contraintes définies.
En quoi le commerce agentique se distingue-t-il des chatbots ou de la personnalisation ?
Les chatbots offrent principalement des interfaces conversationnelles, tandis que la personnalisation traditionnelle repose généralement sur des règles ou des segments prédéfinis. Le « commerce agentique » confère aux systèmes d'IA une plus grande autonomie pour prendre des décisions et agir à mesure que les conditions évoluent.
Que signifie le « commerce agentique » pour le commerce de détail et le commerce électronique ?
Le commerce agentique fait évoluer la découverte des produits : il passe d'un ajustement manuel et réactif à une optimisation continue tenant compte des intentions. Les agents peuvent prendre en compte les données sur les produits, la demande, les stocks, les marges et les objectifs commerciaux pour décider de la marche à suivre.
Comment préparer mon catalogue de produits pour le commerce agentique ?
Commencez par disposer de données produit précises et structurées, couvrant des caractéristiques telles que la taille, la coupe, les matières, la compatibilité, les variantes, la disponibilité et la marge. Des données propres permettent aux agents d'IA de déterminer plus facilement quels produits sont pertinents et commercialisables.
Comment puis-je mesurer l'impact du commerce agentique ?
Suivez le taux de réussite des découvertes, le taux de résultats nuls, le délai de mise sur le marché, le taux de conversion, le panier moyen, la marge par session et l'effort opérationnel. Recourez à des expériences contrôlées ou à des groupes témoins pour attribuer avec davantage de certitude la hausse incrémentielle à l'optimisation agentique.
