J'entends parler de commerce agentique partout, du centre de Los Angeles à la 405, mais un examen des dernières études universitaires de 2026 montre que le vrai travail se situe dans un domaine beaucoup moins glamour : les graphes hétérogènes.
J'ai pris un café chez Menotti's à Venice la semaine dernière, essayant d'ignorer une présentation qui se déroulait à la table voisine. C'était le discours habituel : un agent IA autonome qui agit comme un "personal shopper", naviguant sur le web, trouvant les meilleures offres, effectuant des achats. Cela a l'air génial sur un pitch deck. Cela a l'air révolutionnaire lorsque vous essayez de lever un capital d'amorçage. Le problème est que c'est surtout une fantaisie.
Partout où je vais, du centre de Los Angeles aux embouteillages interminables sur la 405, la conversation est dominée par les systèmes agentiques (agentic systems) et la recherche générative (generative search). Les marques sont terrifiées à l'idée d'être désintermédiées par une IA qui achète pour le compte de leurs clients. Mais lorsque vous vous déconnectez du battage médiatique et que vous vous connectez à la recherche réelle, une image très différente émerge. J'ai passé cette semaine à parcourir les dernières prépublications de 2026 d'arXiv et d'autres sources, et les universitaires ne sont pas enthousiasmés par les agents. Ils sont occupés à construire des graphes. Et franchement, c'est là que se trouve la vraie valeur.
Où est la révolution agentique ?
Je vous épargne la peine de chercher : elle n'est pas là. Une étude des publications universitaires les plus récentes révèle une dure réalité : il n'y a pas d'articles significatifs sur le commerce agentique autonome (autonomous agentic commerce) ou la recherche générative (generative search) cette année [3]. Rien des grandes conférences, rien des grands laboratoires universitaires. Au lieu de cela, l'accent est mis sur quelque chose de beaucoup plus fondamental et, à mon avis, beaucoup plus puissant : les systèmes de recommandation alimentés par des réseaux de graphes complexes.
Alors que les capital-risqueurs financent des enveloppes de chatbots, les data scientists réalisent tranquillement des gains de performance mesurables et significatifs en modélisant le monde désordonné et interconnecté du commerce comme un graphe riche et multi-relationnel. Ce n'est pas aussi sexy qu'un caddie parlant, mais ça marche vraiment.
Ce n'est pas qui vous connaissez, c'est comment vous êtes connecté
Le travail le plus intéressant se déroule dans ce que l'on appelle les graphes hétérogènes (heterogeneous graphs). Il ne s'agit pas de votre graphe de recommandation utilisateur-élément de base qui existe depuis une décennie. Il s'agit de modéliser différents types d'entités et les différents types de relations entre elles.
Un article récent sur la prédiction des petites entreprises qui recevront un financement gouvernemental de suivi (SME-HGT) fournit un modèle parfait [2]. Les chercheurs n'ont pas seulement examiné les caractéristiques d'une entreprise dans une feuille de calcul. Ils ont construit un graphe reliant 32 268 entreprises à des sujets de recherche et à des agences gouvernementales. En analysant la structure de ces connexions – quelles entreprises étaient financées par la même agence, quelles se concentraient sur des sujets connexes – leur modèle a produit une augmentation de 3,1 points de pourcentage de l'AUPRC (une mesure de la précision de la prédiction) par rapport aux modèles d'apprentissage automatique traditionnels. Il était 2,14 fois meilleur que la sélection aléatoire pour trouver des candidats performants [2].
La leçon à tirer est que les relations entre les entités portent une énorme quantité de signal prédictif. C'est ce qui est perdu dans les données tabulaires simples.
Pour une marque de vêtements de sport haut de gamme, cela pourrait ressembler à un graphe reliant les clients, les produits, les lieux de vente et les personnes qui portent ses vêtements. C'est une façon complètement différente de voir l'entreprise.
Soudain, vous ne recommandez pas seulement une autre paire de leggings. Vous constatez que les clients qui achètent le legging taille haute et participent à des cours au magasin de Santa Monica sont également susceptibles de réagir à du marketing mettant en vedette un instructeur spécifique. C'est un niveau de nuance avec lequel aucun simple chatbot IA ne peut rivaliser.
Fusionner les données, pas seulement discuter
Un autre article décrit un cadre pour ce type de réflexion dans un contexte d'e-commerce. Il propose un système multi-modal qui fusionne des données provenant de différentes sources : des embeddings BERT issus des avis textuels, des embeddings de graphes LightGCN issus des interactions utilisateur-élément, et des métadonnées traditionnelles comme les attributs des produits et les données démographiques des clients [1].
C'est le travail acharné et intense de l'architecture commerciale moderne. Il s'agit de s'attaquer au problème du "démarrage à froid" (cold start) – comment recommander un nouveau sac de voyage quand personne ne l'a encore acheté ? – en utilisant le graphe pour trouver des connexions. Peut-être que le nouveau sac utilise le même matériau qu'un produit existant populaire, ou qu'il est mentionné dans les mêmes articles de blog. Ces relations fournissent le signal initial nécessaire pour lancer un produit.
C'est un univers éloigné de la simple injection d'un catalogue de produits dans un LLM (Large Language Model) pour lui demander de "me trouver un sac de week-end élégant". Le véritable avantage vient de la possession d'un graphe de données propriétaire si riche et détaillé que les recommandations semblent magiques. C'est un fossé défendable construit à partir de données, pas un appel d'API tiers.
Nous parlons d'une échelle sérieuse. L'un des nouveaux cadres de recommandation, ManCAR, a été évalué sur des ensembles de données comme les avis Amazon 2023 Grocery, qui contiennent plus de 2,7 millions d'interactions entre 246 000 utilisateurs et 119 000 articles [4]. Construire, entraîner et exécuter l'inférence sur des graphes de cette ampleur est un défi d'ingénierie sérieux, et c'est là que les équipes devraient concentrer leurs ressources.
Cessez d'inciter, commencez à connecter
L'obsession de l'interface utilisateur conversationnelle (conversational UI) et des agents autonomes est une fausse piste. C'est se concentrer sur la couche superficielle, l'interaction finale, tout en ignorant la fondation profonde et structurelle où la valeur est créée. Un agent n'est aussi bon que les données et la logique auxquelles il peut accéder.
Au lieu de demander : "Comment pouvons-nous construire un agent IA pour parler à nos clients ?", vous devriez demander : "Quelles relations propriétaires pouvons-nous modéliser dans un graphe que personne d'autre ne peut ?" La réponse à la deuxième question construira une entreprise bien plus durable que la réponse à la première.
Alors, la prochaine fois que vous entendrez un argument de vente pour une IA qui parlera à votre site web, demandez à voir leur graphe. Demandez-leur comment ils modélisent les connexions entre vos clients, vos produits et le monde entier dans lequel ils opèrent. Si tout ce que vous obtenez en retour est un regard vide, vous savez qu'ils ne construisent qu'une autre hallucination.
Références
- AIML-Driven Multi-Modal Framework for E-Commerce Customer Satisfaction Prediction
- SME-HGT: Heterogeneous Graph Transformer for Predicting SME Progression in SBIR Funding
- DailyArXiv
- ManCAR: Manifold-Constrained Adaptive Reasoning for Sequential Recommendation
- WarpRec: Unifying Academic Rigor and Industrial Scale Recommendation