IA et commerce en ligne : fiches produit, recommandation et après-vente

Le commerce en ligne est l'un des rares secteurs où l'IA e-commerce rencontre immédiatement un besoin mesurable. Un catalogue de dix mille références, c'est dix mille descriptions à écrire, des milliers de questions clients par mois, et une page d'accueil qui doit deviner ce que veut un visiteur en trois secondes. Autant de travail répétitif avec un indicateur de résultat au bout.

Mais l'enthousiasme y a aussi produit des dégâts visibles. Des boutiques qui ont généré leur catalogue entier en une nuit et perdu la moitié de leur trafic de recherche dans les mois suivants. Des chatbots qui promettent des remboursements que le service client doit ensuite désavouer.

Cet article classe trois usages de l'IA e-commerce par rapport entre effort et bénéfice, décrit précisément le piège des fiches générées en masse, et insiste sur le préalable dont personne ne parle : la propreté des données produit.

IA e-commerce : trois usages classés par rapport effort sur bénéfice

Voici le classement tel qu'il ressort des retours de terrain, du plus rentable au plus exigeant.

Ce classement surprend souvent : on commence rarement par l'après-vente. C'est pourtant le poste où le gain est le plus rapide à constater, parce que le volume de tickets est connu, le coût de traitement aussi, et que le taux de résolution automatique se mesure dès la première semaine.

Fiches produit : le piège de la génération en masse

Une fiche produit générée coûte quelques centimes et prend deux secondes. La tentation de traiter le catalogue entier d'un coup est donc forte, surtout quand les descriptions actuelles sont celles du fournisseur, identiques à celles de vingt concurrents.

Le problème n'est pas que le texte soit produit par une machine. Les recommandations publiques de Google sur le contenu généré sont explicites : ce qui compte est la qualité et l'utilité du contenu, pas la manière dont il a été produit. Le problème est ce que la génération en masse produit en pratique : dix mille textes construits sur le même patron, avec les mêmes tournures, la même structure et aucune information que le client ne trouve déjà dans les caractéristiques techniques.

Autrement dit, on remplace un contenu dupliqué venu du fournisseur par un contenu quasi dupliqué venu d'un modèle. Le trafic ne monte pas, et sur les catalogues très volumineux il descend, parce que le site donne le signal d'un contenu produit à l'échelle sans valeur ajoutée.

La méthode qui fonctionne inverse la logique : au lieu de demander au modèle d'inventer une description à partir d'un nom de produit, on lui demande de reformuler des informations qu'il reçoit.

1. Partez des données structurées : caractéristiques techniques, matières, dimensions, compatibilités, contenu de la boîte.
2. Ajoutez ce que vous seul savez : les questions les plus fréquentes sur ce produit, les motifs de retour, les avis clients, l'usage réel constaté.
3. Segmentez le catalogue : les cinq cents références qui font 80 % du chiffre méritent une relecture humaine, la longue traîne peut se contenter d'une génération encadrée.
4. Variez les gabarits : trois ou quatre structures de fiche selon la catégorie, plutôt qu'un seul patron pour tout le catalogue.
5. Relisez par échantillon : cinquante fiches tirées au hasard avant publication, et un contrôle des affirmations factuelles.

Le point cinq n'est pas négociable. Un modèle qui manque d'information invente : une garantie de deux ans qui n'existe pas, une compatibilité qui n'est pas vérifiée, une norme mal citée. Sur un produit technique, c'est un litige. Nos conseils pour limiter les hallucinations d'une IA générative s'appliquent directement à ce cas.

Dernier point souvent oublié : les données structurées au format produit (prix, disponibilité, avis) pèsent davantage sur l'apparence de vos pages dans les résultats de recherche que la longueur de la description. Un balisage propre avant un texte long.

Recommandation produit : ce qu'il faut avoir avant de commencer

La recommandation produit IA est l'usage qui fait rêver et qui déçoit le plus souvent les petites boutiques, pour une raison simple : elle a besoin de volume.

Un moteur de recommandation apprend sur des séquences de comportement. En dessous de quelques milliers de sessions et de quelques centaines de commandes par mois, il n'a pas de quoi apprendre autre chose que ce qu'une règle métier ferait aussi bien. Les règles simples restent d'ailleurs remarquablement solides : produits achetés ensemble, accessoires compatibles, mise en avant des références à forte marge dans la même catégorie.

Une progression raisonnable ressemble à ceci :

• Niveau 1, règles métier. Associations manuelles et « souvent achetés ensemble » calculés sur l'historique. Coût quasi nul, effet immédiat sur le panier moyen.
• Niveau 2, similarité de contenu. On vectorise les fiches produit et on recommande par proximité sémantique. Fonctionne dès le premier jour, y compris sur des références neuves sans historique. C'est l'application directe des embeddings à un catalogue.
• Niveau 3, filtrage collaboratif. On apprend sur les comportements. Nécessite du volume, de la fraîcheur, et une infrastructure de suivi propre.
• Niveau 4, personnalisation temps réel. Rarement justifié en dessous d'un certain chiffre d'affaires.

Un ordre de grandeur pour arbitrer : sur une boutique réalisant 800 000 euros de chiffre d'affaires annuel avec un panier moyen de 65 euros, un gain de 3 % sur le panier moyen représente environ 24 000 euros par an. C'est ce montant qu'il faut comparer au coût d'un moteur de recommandation, abonnement et intégration compris. Le niveau 2 passe souvent ce test, le niveau 4 rarement.

Après-vente : l'usage le plus rentable, à condition de le borner

Le service après-vente automatisé est le meilleur candidat pour un premier projet, parce que la matière existe déjà : historique de tickets, conditions générales de vente, politique de retour, suivi de commande.

La répartition typique des demandes sur une boutique généraliste est très concentrée. Où est ma commande, comment je retourne un article, quel est le délai de remboursement, ce produit est-il compatible avec celui-ci : ces quatre familles représentent souvent les deux tiers du volume. Ce sont des questions à réponse déterministe, donc automatisables avec un risque faible, à trois conditions.

1. L'assistant est branché sur les données réelles. Un suivi de commande qui ne consulte pas le système de gestion ne sert à rien. C'est une intégration, pas un prompt.
2. Il ne prend aucun engagement financier. Pas de remboursement accordé, pas de geste commercial, pas de dérogation. Ces décisions restent humaines, sans exception.
3. L'escalade est immédiate et visible. Le client doit pouvoir joindre un humain en un clic, et l'assistant doit passer la main dès qu'il sort de son périmètre.

Sur un volume de 900 tickets par mois traités en huit minutes en moyenne, automatiser 45 % des demandes libère environ 54 heures mensuelles. Ce temps n'est pas une économie de masse salariale : il se réinvestit dans les demandes complexes, celles où un conseiller change vraiment l'issue. Nous avons détaillé la mise en place dans notre article sur l'automatisation du service client de premier niveau.

Le préalable non négociable : des données produit propres

Les trois usages précédents ont un point commun : ils échouent tous si le référentiel produit est sale. C'est le sujet le moins séduisant de cet article et le plus déterminant.

Concrètement, avant de lancer quoi que ce soit, vérifiez cinq choses :

• Unicité des identifiants. Un produit, une référence, sans doublons hérités d'un import.
• Attributs normalisés. « Coton bio », « coton biologique » et « 100 % coton bio » doivent être la même valeur, sinon aucun regroupement automatique ne fonctionnera.
• Catégorisation cohérente. Un produit dans une seule branche principale, avec une profondeur d'arborescence stable.
• Champs obligatoires renseignés. Un modèle qui reçoit un champ vide comble le vide.
• Fraîcheur des stocks et des prix. Un assistant qui annonce une disponibilité fausse crée plus de tickets qu'il n'en résout.

Ce chantier prend souvent plus de temps que le projet d'IA lui-même. Il a l'avantage de servir à tout : moteur de recherche interne, exports vers les places de marché, comparateurs, et bien sûr génération de contenu.

Ce qu'il faut retenir

L'IA e-commerce donne ses meilleurs résultats là où le volume est élevé et la réponse vérifiable. Commencez par l'après-vente de premier niveau, dont le gain se mesure en semaines. Traitez ensuite les fiches produit, mais par segments et à partir de vos données, jamais en génération intégrale sur le catalogue entier. Gardez la recommandation avancée pour le moment où votre trafic la justifie, et contentez-vous d'ici là de règles métier et de similarité de contenu.

Et avant tout cela, consacrez quelques semaines à nettoyer le référentiel produit. C'est le seul investissement dont la valeur ne dépend d'aucun choix technologique ultérieur.