La Couche de Données Que le Commerce Agentique Ne Peut Ignorer

Les agents IA ont fait le passage de assistants de recherche à acheteurs autonomes. Les plus grandes plateformes sont maintenant en train de se disputer la couche de transaction, et le dernier mouvement d’Amazon le rend concrétisé. Alexa pour les achats, construit à partir de la fusion de Rufus et Alexa+, suit les prix et se souvient du contexte sur plusieurs appareils. Ensuite, avec Auto-Achat, il complète un achat dès que le produit atteint un prix cible, sans examen de panier ou paiement manuel requis.

Le commerce agentique est un marché qui devrait atteindre plus de 5 000 milliards de dollars de volume commercial mondial d’ici 2030. Amazon n’est pas seul à essayer de se tailler une part de ce secteur – Google, OpenAI et Perplexity ont tous fait des mouvements agressifs dans le commerce agentique. Ce mouvement augmente également le confort des consommateurs avec la participation de l’IA dans leurs décisions d’achat, avec un trafic IA vers les sites de détail américains en augmentation de 393% d’une année sur l’autre au premier trimestre 2026.

L’expérience du consommateur est facile à comprendre. Ce qui est moins visible, c’est l’infrastructure qui le rend possible. Lorsqu’un agent IA transige de manière autonome, il fait confiance aux données de produit complètement. Aucun humain ne signale la variante incorrecte ou le produit mal classifié. Cela rend la couche de données la partie la plus conséquente du commerce agentique.

La Fondation du Commerce Agentique

La conversation autour du commerce agentique est principalement axée sur l’agent — le modèle, l’interface ou l’expérience. Mais le véritable déterminant du succès n’est pas l’agent lui-même, c’est la couche de données qui soutient le commerce électronique.

Lorsqu’un consommateur demande à un agent de réapprovisionner en lessive ou d’acheter le câble HDMI le moins cher qui peut arriver demain, la transaction semble simple. Mais derrière les scènes, l’agent doit prendre une série de décisions. Il doit identifier le produit exact demandé, vérifier les attributs et la disponibilité du produit, comparer les options sur plusieurs plateformes et relier l’achat au bon inventaire et au réseau de livraison.

Contrairement à un acheteur humain, un agent IA ne peut pas se fier à son intuition pour combler les lacunes ou résoudre les incohérences. Chaque étape de la transaction doit être alimentée par des données structurées et cohérentes à travers les systèmes impliqués. Si une partie de cette fondation est manquante ou fragmentée, l’agent ne s’arrête pas pour enquêter. Au lieu de cela, il travaille avec ce qu’il a et transige de toute façon, ou échoue à compléter la transaction, créant des expériences utilisateur incohérentes et souvent peu fiables.

Où la Fondation de Données se Brise

Selon Mirakl, moins de 1% des pages de produits de commerce électronique répondent actuellement aux normes minimales pour la recommandation par les agents IA. Les identificateurs de produits varient entre les systèmes des fournisseurs et les systèmes internes, tandis que le statut de l’inventaire est en retard par rapport à la réalité. Les données de localisation manquent également de normalisation à travers le réseau de livraison.

Lorsque les humains sont dans la boucle, les mauvaises données sont gérables. Un acheteur remarque la variante incorrecte, ou un gestionnaire d’entrepôt sait que le système d’inventaire est en retard. Les gens combler les lacunes grâce à leur expérience ; le problème est que l’agent IA n’a pas d’instinct de ce type. Il lit les données qui lui sont fournies et complète la transaction, ou échoue à la compléter.

Lorsque les données sont incorrectes, la transaction est incorrecte. Un achat complet du mauvais produit, acheminé vers la mauvaise localisation, au mauvais prix. L’agent a fonctionné exactement comme prévu, c’est les données en dessous qui n’étaient pas prêtes.
<h2-La Couche d'Identité sur laquelle Tout Agent Dépend

La mauvaise qualité des données coûte aux organisations au moins 12,9 millions de dollars par an en moyenne. Ce chiffre provient d’environnements où les humains sont encore dans la boucle. Dans le commerce agentique, ce chiffre ne fait que croître. Chaque transaction automatisée que l’agent obtient incorrecte accroît le coût.

Une paire de chaussures de course classée comme “chaussures de trail” sur une plateforme et “chaussures tout-terrain” sur une autre est le même produit, mais un agent IA ne peut pas le confirmer sans identifiant universel.

C’est ce que l’identifiant de produit intégré dans un code à barres UPC aide à résoudre. Ces signaux scannables peuvent transporter un GTIN (Numéro global d’article commercial), qui font partie d’un système global de normes utilisé par plus de 2 millions de sociétés pour identifier de manière unique les produits dans la chaîne d’approvisionnement mondiale. Les GTIN scannables donnent aux produits une identité unique et vérifiée sur chaque détaillant, entrepôt et plateforme qui les touche. Lorsqu’un agent compare les prix de ces chaussures sur Amazon et Target, le GTIN est ce qui confirme qu’il s’agit bien du même produit.

Les normes, comme celles de GS1 US, fournissent un langage commun pour identifier les produits, les localisations et les entités, le même langage dont les agents IA ont besoin pour communiquer, coordonner et prendre des décisions précises. À mesure que davantage d’agents IA entrent dans la chaîne d’approvisionnement — l’un gérant les achats, un autre surveillant les stocks, un troisième suivant la logistique — ils ont besoin de partager des données à travers des systèmes construits par différentes sociétés. Les identificateurs normalisés rendent cela possible.

Les GTIN font partie de ce cadre plus large. Pour les agents IA, le langage commun qu’ils fournissent fait la différence entre une transaction qui se termine avec précision et une qui ne se termine pas.

Les données de produit incomplètes ont le potentiel d’enlever un produit de l’ensemble de considération de l’agent entièrement. Pour les petites marques, c’est un problème d’invisibilité existentiel.

Données Prêtes pour les Agents par Rapport à Ce que la Plupart des Sociétés Ont

Arriver à des données prêtes pour les agents signifie s’assurer que chaque produit dans un catalogue a un identifiant unique et vérifié à l’échelle mondiale. Cela signifie que les attributs sont complets et cohérents à travers chaque système que le partenaire commercial touche. Cela signifie également que les données d’inventaire et de prix sont synchronisées en temps réel, et non mises à jour par lots. Les données construites pour la navigation humaine ne répondent pas à cette norme.

Ajouter plus d’IA à des données fragmentées produit des réponses incorrectes plus rapides et plus confiantes. La fondation doit être correcte en premier lieu.

Gartner prévoit que plus de 40% des projets d’IA agentique seront annulés d’ici 2027, citant les coûts croissants, le ROI peu clair et les contrôles de risque inadéquats. La qualité de l’infrastructure de données est une entrée directe pour les trois. Les sociétés qui construisent vers le commerce agentique sans auditer la couche de données résolvent le mauvais problème.

Où les Détaillants et les Marques Devraient Commencer

1. Auditez les identificateurs de produits à travers chaque système. Chaque produit dans un catalogue a besoin d’un identifiant unique et vérifié à l’échelle mondiale. Les identificateurs manquants ou en double sont la raison la plus courante pour laquelle les agents sautent les produits entièrement.
2. Normalisez l’étiquetage des attributs. La taille, le poids, la variante et la disponibilité doivent signifier la même chose à travers chaque système que le partenaire commercial touche. L’étiquetage incohérent est invisible pour les humains et fatal pour les agents.
3. Synchronisez les données à travers les partenaires commerciaux en temps réel. La plupart des sociétés mettent à jour l’inventaire et les prix avec un délai — chaque heure, chaque nuit, ou manuellement. Un agent qui exécute un achat n’attend pas la prochaine mise à jour.
4. Traitez la préparation des données comme une condition préalable à tout investissement dans l’IA agentique. Les sociétés qui construisent vers le commerce agentique sans auditer la couche de données résolvent le mauvais problème. Rappelez-vous que l’agent est la dernière chose à optimiser ; la fondation de données doit être la première.

Les détaillants et les marques qui investissent dans cette fondation maintenant seront plus découvrables et transactables pour les agents qui prennent des décisions d’achat au nom des consommateurs. Ceux qui attendent seront en concurrence pour la visibilité dans un système qui n’a jamais été conçu pour les trouver. L’agent est la partie visible. La question la plus importante est de savoir si les données en dessous sont prêtes.