Leaders d’opinion
Le commerce piloté par des agents d’IA répète une vieille erreur des données d’entreprise

Points clésLe commerce agentiel exige des données produits structurées que les machines peuvent…
Voir plus
- Le commerce agentiel exige des données produits structurées que les machines peuvent traiter de manière raisonnée, et non pas seulement un contenu lisible par l'homme.
- Le commerce B2B doit construire des couches sémantiques produits qui encodent explicitement les règles, les relations et les contraintes.
- Les entreprises qui traitent les données produits comme une infrastructure deviendront lisibles par les agents d'IA et en tireront un avantage concurrentiel.
Pendant longtemps, le commerce B2B a reposé sur une hypothèse simple : ce sont les humains qui consultent les informations.
Ils lisent les pages des produits, parcourent rapidement les fiches techniques et tolèrent les formulations vagues, parce qu’ils savent poser des questions complémentaires. Si quelque chose n’est pas clair, ils écrivent à un commercial. Si une règle est enfouie dans une note de bas de page, l’expérience comble le manque.
Les données produits B2B ont entièrement évolué autour de ce comportement. Elles n’ont jamais eu à se suffire à elles-mêmes ; il fallait seulement qu’un humain puisse les interpréter. Avec l’IA, cette hypothèse ne tient plus.
Nous avons déjà connu cela avec les données d’entreprise
Si cela semble familier, il y a une raison. Il y a dix ans, les entreprises avaient une discussion très semblable sur les données. Les entrepôts de données étaient pleins, les lacs de données débordaient et, au bout du compte, chaque système exportait quelque chose. Sur le papier, les entreprises étaient riches en données. Dans la pratique, rien n’avançait vite, parce que les utilisateurs métier ne pouvaient pas répondre à des questions élémentaires sans analystes pour leur servir d’interprètes. SQL était devenu un goulet d’étranglement.
Les données d’entreprise étaient organisées selon la manière dont les systèmes stockaient l’information, et non selon la façon dont les gens raisonnaient sur l’activité. Les lignes et les colonnes existaient, mais pas les concepts. Le chiffre d’affaires se trouvait dans trois tables. Client pouvait avoir cinq sens différents selon la personne interrogée et le moment. Les indicateurs faisaient l’objet de débats sans fin, parce que personne ne les avait clairement définis.
La percée dans les données d’entreprise est venue de l’acceptation de la complexité et de sa maîtrise. Les couches sémantiques en sont un exemple, mais elles faisaient partie d’un changement plus vaste. Les entreprises ont cessé de prétendre que les données brutes étaient utilisables par défaut et ont commencé à construire des couches de traduction correspondant à leur manière réelle de penser et de fonctionner.
Les modèles d’indicateurs y sont parvenus en définissant les calculs une seule fois, au lieu de les déduire à nouveau dans chaque rapport. Le chiffre d’affaires signifiait la même chose partout, parce que quelqu’un avait pris le temps d’en coder la définition. Les modèles de données et les schémas dimensionnels ont fait la même chose sur le plan structurel. Ils ont transformé les tables opérationnelles en concepts comme client, produit, commande et temps. Les utilisateurs métier n’avaient plus besoin de comprendre combien de jointures de tables étaient nécessaires pour répondre à une question élémentaire. Les relations étaient déjà définies.
Les catalogues de données et les définitions soumises à des règles de gouvernance ont résolu une autre partie du problème. Ils ont consigné des significations qui n’existaient auparavant que dans la tête des gens. Que représente ce champ ? Quand faut-il l’utiliser ? Quelles sont ses limites ? Le contexte n’était plus un savoir informel réservé à un petit groupe, mais une composante du système.
Ensemble, ces couches ont absorbé la complexité et l’ont rendue exploitable. Elles ont créé des abstractions stables permettant à davantage de personnes — et de systèmes — de raisonner correctement sans réinterpréter le monde de zéro à chaque fois. C’est précisément ce qui manque aujourd’hui au commerce B2B.
La recherche de produits par des agents impose la même remise en question
Le commerce piloté par des agents d’IA soumet les données produits B2B au même test. Les fabricants et les distributeurs ne manquent pas d’informations produits. Ils en stockent déjà des quantités énormes, des spécifications et configurations à la logique de tarification et aux contraintes contractuelles.
Le problème est que presque toutes ces données ont été structurées pour les humains. Les spécifications sont dans des PDF. Les règles sont expliquées dans un catalogue imprimé qui n’a jamais été mis en ligne. Les exceptions restent implicites dans les processus administratifs des ventes, au lieu d’être codées. Bien trop de choses dépendent de la mémoire de l’organisation lorsque le contexte n’existe que dans la tête des équipes commerciales.
Un agent d’IA ne survole pas un PDF pour en saisir l’idée générale. Il ne sait pas quelle phrase exprime une contrainte impérative et laquelle relève du discours commercial. Il ne peut pas déduire les règles sans risque à partir de la mise en forme ou du ton. Si le sens n’est pas explicite, l’agent le considère comme inconnu.
Il ne s’agit pas de dire que les données non structurées sont mauvaises
Une chose doit être claire : les données non structurées ne sont pas l’ennemi. Elles ne l’ont jamais été.
Dans l’analyse d’entreprise, les données non structurées n’ont pas disparu avec l’arrivée des couches sémantiques. Elles ont été ajoutées comme une couche au-dessus de la structure. La structure gérait les règles et les relations. Le contenu non structuré apportait les nuances, les explications et le contexte.
Le même schéma s’applique ici.
Les agents ont besoin de structure pour raisonner. Il leur faut des règles, des relations, des contraintes et des états explicites. Ils doivent savoir ce qui est compatible, ce qui peut être configuré, ce qui est autorisé et dans quelles conditions quelque chose s’applique. Le contenu non structuré, à lui seul, ne peut pas fournir cela de manière fiable.
Mais la structure seule ne suffit pas non plus. Les agents ne se contentent pas de récupérer des attributs. Ils comparent les options et évaluent les compromis. Ils déterminent à la fois ce qu’est une chose et quand il convient de la recommander.
Le contenu explicatif est la couche qui précise l’intention, le positionnement et les cas d’usage. Il fait la différence entre dire qu’un produit existe et expliquer dans quelle situation le choisir. Dans le monde des données d’entreprise, cela prenait la forme de définitions, de documentation et de contexte métier. Ici, cela prend la forme d’explications au niveau du produit dont les agents peuvent apprendre. Les données produits structurées disent à l’agent ce qui est vrai ; le contenu explicatif l’aide à décider ce qui compte.
Le commerce a été optimisé pour la présentation, pas pour le raisonnement
C’est la partie inconfortable. L’infrastructure du commerce n’a jamais vraiment accompli le saut qu’ont connu les données d’entreprise. Nous avons construit de meilleurs systèmes de gestion des informations produits, les PIM, des catalogues plus riches et des pages produits plus jolies. Mais nous n’avons jamais construit de véritable couche sémantique pour les produits : nous avons optimisé la présentation.
Tant que les humains servaient d’intermédiaires dans les achats B2B, cela fonctionnait. Les commerciaux expliquaient les cas particuliers. Les acheteurs toléraient l’ambiguïté et chacun savait contourner les insuffisances du système.
Les agents retirent ce tampon. Dans le B2B, les fissures apparaissent immédiatement. Les prix varient selon le compte client. La disponibilité change selon la région. La compatibilité dépend de la configuration. Les contrats priment sur les conditions par défaut. Les droits accordés comptent. Rien de tout cela ne peut être deviné sans risque.
Lorsqu’un agent évalue un produit, il n’est pas impressionné par une description bien rédigée. Il veut savoir ce qui convient, ce qui est autorisé, ce qui est compatible et ce qui se passe ensuite. Si ces informations ne sont pas explicites, il ne demande pas de précisions : il passe simplement à autre chose.
Ce que les entreprises de commerce doivent faire maintenant
C’est le tournant. Les entreprises de commerce peuvent continuer à traiter les données produits comme du contenu interprété par les humains. Ou elles peuvent commencer à les traiter comme une infrastructure sur laquelle les machines fondent leur raisonnement.
Cela signifie que les spécifications doivent devenir des attributs au sens défini. La compatibilité doit être codée sous forme de relations, pas expliquée dans des paragraphes. La tarification doit être exprimée comme une logique. Les droits accordés doivent être explicites. La disponibilité doit être représentée par des informations d’état précises.
C’est exactement le changement que les entreprises ont dû faire dans l’analyse. Quand les données brutes et les tables ne suffisaient plus, il fallait définir le sens. Une fois ce noyau structuré en place, le contenu explicatif cesse d’être l’unique source de vérité pour l’IA et devient la couche qui enseigne aux agents comment appliquer cette vérité dans des situations réelles.
Les fabricants et les distributeurs qui le feront deviendront compréhensibles pour les agents. Leurs produits seront plus faciles à évaluer et à recommander, et il sera plus facile de leur faire confiance. Les autres auront toujours des données, mais celles-ci fonctionneront comme les anciens entrepôts de données d’entreprise : techniquement présentes, pratiquement inutilisables.
Le schéma est ancien, mais les conséquences sont nouvelles
Rien de tout cela n’est spéculatif. Nous avons déjà vu les données d’entreprise traverser exactement ce cycle. La seule différence maintenant est l’utilisateur. À la place des analystes métier, ce sont des agents autonomes. À la place des tableaux de bord, ce sont des recommandations. À la place des décisions lentes, c’est l’exclusion immédiate.
Le commerce piloté par des agents d’IA met au jour un problème de données d’entreprise vieux de plusieurs décennies. Les entreprises qui le reconnaissent et traitent les données produits comme les entreprises ont appris à traiter les données opérationnelles s’adapteront rapidement. Les autres continueront d’ajouter des PDF, de réécrire les descriptions et de se demander pourquoi les agents ne semblent jamais les choisir.
L’histoire se répète. Cette fois, les machines prêtent attention.












