Quand ce n'est plus l'humain qui choisit, mais son agent

Tout au long du corpus AI100, nous avons parlé d’un monde dans lequel l’utilisateur pose une question et le système de réponse formule une réponse. C’est le monde de l’environnement de réponse : la marque y est en concurrence pour le droit d’être nommée, citée, recommandée. Mais la vague suivante est organisée autrement. L’agent d’IA ne se contente pas de répondre à une question : il agit. Il recherche des produits, compare des options, vérifie les prix et la disponibilité et, dans certains cas, finalise déjà l’achat sans montrer à l’humain une liste intermédiaire d’alternatives.

Ce n’est pas un avenir lointain. ChatGPT Instant Checkout fonctionne depuis septembre 2025 et permet aux utilisateurs d’acheter directement dans le dialogue via des partenaires Shopify et Etsy [1]. En janvier 2026, Google a annoncé son propre Universal Commerce Protocol (UCP), auquel ont adhéré Walmart, Target et plus de 20 partenaires [2]. Amazon construit un écosystème fermé — Rufus AI et Alexa+ — à l’intérieur de sa propre plateforme. Trois systèmes concurrents fonctionnent déjà, et aucun d’entre eux ne demande à la marque l’autorisation d’y participer.

Les données Salesforce sur la Cyber Week 2025 montrent que le volume des tâches exécutées par des agents d’IA pour le compte des acheteurs a progressé de 70 % par rapport à 2024, et de 84 % lors du Black Friday [3]. Gartner prévoit que, d’ici fin 2026, 25 % des achats de logiciels en entreprise passeront avec la participation d’un agent d’IA [4]. McKinsey estime que la personnalisation et les achats autonomes avec l’IA pourraient créer 1,2 billion de dollars de valeur supplémentaire pour le commerce de détail mondial [5]. Selon Human Security, l’activité de l’IA agentique a progressé de 6 900 % au cours de l’année écoulée, et 64 % des consommateurs prévoyaient d’utiliser l’IA pour leurs achats de fin d’année en 2025 [6].

Pour la marque, ces chiffres signifient une chose simple, mais douloureuse : l’un des « acheteurs » les plus importants dans un avenir proche pourrait ne pas être humain du tout. Et s’il ne l’est pas, le design du site, le positionnement émotionnel, l’identité visuelle et la bannière publicitaire lui importent peu. Ce dont il a besoin, ce sont de données structurées qu’il peut lire, comparer et vérifier.

Aujourd’hui, le commerce agentique se structure autour de trois protocoles incompatibles. ACP (Agentic Commerce Protocol) est le protocole d’OpenAI et de Stripe, qui fonctionne via ChatGPT Instant Checkout. OpenAI prélève 4 % sur chaque transaction, auxquels s’ajoute la commission standard du processeur de paiement [1]. UCP (Universal Commerce Protocol) est un protocole de coalition porté par Google, connecté à AI Mode et Gemini, avec le soutien de Walmart, Target et Shopify [2]. L’écosystème fermé d’Amazon — Rufus AI, Alexa+ et Buy for Me — fonctionne uniquement à l’intérieur de la place de marché Amazon.

Pour la marque, cela signifie qu’elle doit être visible dans les trois mondes. Une entreprise qui n’a optimisé ses données que pour une seule plateforme perd de la demande sur les deux autres. Et aucun de ces mondes ne fonctionne selon les règles du SEO classique.

Un acheteur demande à ChatGPT : « Trouve-moi un blender à smoothies à moins de 150 $, silencieux et avec au moins deux ans de garantie. » L'agent interroge les catalogues via Shopify. La marque A est un fabricant reconnu au site web soigné, mais son flux produit ne contient pas d'attribut « niveau sonore » et la garantie n'est mentionnée que sur une page FAQ en format PDF. La marque B est moins connue, mais son Product schema comprend les douze attributs, dont decibel level et warranty_months. L'agent choisit B. Non pas parce que B est meilleur, mais parce que B est lisible par la machine.

Dans le monde de l'entreprise, la mécanique est la même, seuls les enjeux sont plus élevés. Une entreprise cherche un procurement software ; un éditeur présente SSO, ISO 27001, modèle de déploiement et SLA dans un catalogue structuré aux attributs lisibles par la machine. Un autre a tout cela enfoui dans un PDF commercial. Un agent comparant les options pour le compte d'un CTO choisira le premier — non parce que le produit est meilleur, mais parce que les données sont disponibles pour une comparaison calculable.

L’agent d’IA ne lit pas les textes marketing comme le fait un humain. Selon le MIT Sloan, 82 % des dirigeants considèrent la qualité des données comme le principal obstacle à l’atteinte des objectifs de l’IA générative [7]. L’agent travaille avec des attributs structurés : nom, catégorie, prix, disponibilité, caractéristiques, conditions de retour. Si ces données sont absentes, imprécises ou désynchronisées d’une plateforme à l’autre, l’agent ne peut pas comparer correctement le produit — et il choisit un concurrent dont les données sont plus propres.

Cela diffère fondamentalement de l’environnement de réponse. Dans la réponse du modèle, la marque peut compenser des données faibles par une forte réputation ou un contenu expert marquant. Dans le scénario agentique, de telles compensations n’existent pas. L’agent prend sa décision à partir des attributs, non des impressions. Si votre flux de données produit ne contient pas de données lisibles par machine sur la compatibilité, la garantie, les tailles ou les délais de livraison, l’agent peut vous rayer de la comparaison avant même d’en venir à l’évaluation de la qualité.

Une autre caractéristique désagréable du monde agentique est que l’analytique web classique cesse de fonctionner. Lorsqu’un utilisateur interroge ChatGPT sur une catégorie de produits, l’agent compare, recommande et finalise l’achat — le tout à l’intérieur du dialogue. Le site de la marque ne reçoit ni visite, ni clic, ni session [1]. GA4 ne voit pas ce trafic. Le responsable marketing qui mesure le succès au nombre de visites sur le site ne remarque pas que la vente s’est faite par un autre canal.

Cela ne signifie pas que l’analytique soit devenue inutile. Cela signifie qu’à côté des métriques habituelles doivent en apparaître de nouvelles : la citation dans les recommandations agentiques, l’inclusion dans les comparaisons agentiques, la conversion via la finalisation d’achat agentique. Les outils permettant de suivre cela ne font que se constituer, mais la nécessité elle-même est déjà évidente.