Votre agent ne peut pas prédire la joie. Il comprend à peine un panier d'achat.

Retour aux Signals

Trendsvendredi 20 février 2026

Les dernières recherches en IA montrent que le travail difficile du commerce agentique ne réside pas dans l'interface de chat, mais dans la prédiction de la satisfaction client avant même l'ajout au panier.

Aleksey KlempnerCTO.LA
Votre agent ne peut pas prédire la joie. Il comprend à peine un panier d'achat.

TL;DR

  • La course effrénée de l'industrie vers le "commerce agentique" (agentic commerce) se concentre sur le mauvais problème : l'interface de chat. Des recherches universitaires récentes montrent que le véritable travail consiste à construire des moteurs prédictifs qui comprennent et prévoient la satisfaction client en utilisant des données multimodales et des réseaux de graphes, et non pas seulement en traitant le langage [1].
  • Un agent IA qui ne peut pas prédire si un client sera satisfait d'un achat n'est rien de plus qu'une barre de recherche à commande vocale. La couche fondamentale pour un véritable agent est une architecture capable de calculer la probabilité d'un résultat positif, un concept à des années-lumière des chatbots actuels basés sur la correspondance de mots-clés [2].
  • La préparation aux vitrines agentiques (agentic storefront readiness) n'a rien à voir avec votre API ou votre choix de LLM (Large Language Model). Il s'agit de la maturité de votre infrastructure de données. Pouvez-vous modéliser les interactions utilisateur-article sous forme de graphe ? Pouvez-vous fusionner les avis textuels, l'historique des achats et les signaux comportementaux implicites pour prédire la satisfaction ? Si la réponse est non, vous n'êtes pas prêt [4].

La semaine dernière, j'étais chez Erewhon sur Venice Blvd, regardant quelqu'un fixer le mur de suppléments, complètement paralysé. Un employé du magasin, que Dieu le bénisse, a essayé d'aider. "Que cherchez-vous ?" a-t-il demandé. Le client a répondu : "Quelque chose qui va... vous savez... aider à la concentration ?" L'employé a montré quelques bouteilles de Ginko Biloba. C'était un exemple parfait, humain, de correspondance par mots-clés. C'était aussi complètement inutile.

Le client ne voulait pas de Ginko Biloba. Il voulait un résultat garanti. Il voulait une prédiction. Il voulait savoir laquelle des 50 bouteilles presque identiques fonctionnerait réellement pour lui – pour sa biologie, son style de vie, ses objectifs. Il voulait un système capable de raisonner sur les probabilités et les résultats, et non pas seulement de faire correspondre une requête textuelle ("concentration") à un attribut de produit ("Ginko").

C'est exactement la même erreur fondamentale que presque toutes les marques commettent alors qu'elles s'empressent de construire des systèmes dits de "commerce agentique". Nous construisons tous des assistants capables d'analyser une phrase et de récupérer un résultat. Nous construisons des versions numériques du vendeur serviable mais incompétent. Le véritable défi, le travail qui compte vraiment, n'est pas de construire un meilleur conversateur. C'est de construire un moteur prédictif qui peut dire au client ce qui le rendra heureux, ce qui résoudra son problème, ce qu'il ne retournera pas dans les trois jours. Et selon les dernières recherches, ce moteur n'est pas construit sur l'IA conversationnelle ; il est construit sur des graphes.

Pourquoi chaque assistant d'achat IA est-il si incroyablement stupide ?

Soyons honnêtes. La génération actuelle d'"assistants d'achat IA" est une déception monumentale. Ils sont un mince vernis de traitement du langage naturel drapé sur la même vieille recherche par mots-clés qui alimente le commerce électronique depuis la fin des années 90. Ils ont échangé la barre de recherche contre une bulle de chat, mais la logique sous-jacente reste d'une simplicité pathétique.

Vous lui demandez : "Trouve-moi un jean noir." Il répond : "Bien sûr, voici les 247 paires de jeans noirs que nous vendons."

Ce n'est pas de l'assistance ; c'est un déchargement de catalogue. C'est une machine qui comprend la syntaxe mais n'a aucune compréhension de l'intention. Elle ne peut pas gérer les questions implicites et humaines qui animent réellement le commerce :

  • "Trouve-moi un jean noir qui me ira comme mon jean préféré de la marque X, mais qui ne décolorera pas après deux lavages."
  • "J'ai un mariage à Ojai le mois prochain. Le code vestimentaire est
  • agentic commerce
  • commerce AI architecture
  • graph neural networks
  • data engineering
  • machine learning