Le shopping IA ne progresse pas aussi rapidement que les marques le croient

L’IA est rapidement devenue une partie intégrante de la façon dont les consommateurs recherchent des produits. Adobe Analytics a constaté que le trafic provenant des outils d’IA générative vers les sites de commerce de détail américains a augmenté de 693,4 % pendant la saison des fêtes 2025 par rapport à l’année précédente. Un an plus tôt, Adobe avait relevé que 39 % des consommateurs américains interrogés avaient déjà utilisé l’IA générative pour les achats en ligne, la recherche de produits et les recommandations étant parmi les usages les plus courants.

Les entreprises technologiques à l’origine de ces systèmes ont réagi en intégrant le shopping directement dans leurs produits d’IA. OpenAI a développé la recherche d’achat dans ChatGPT pour aider les consommateurs à comparer les produits en fonction de leurs besoins, préférences et budgets. Google utilise l’IA pour générer des recommandations de produits et des insights d’achat, tandis qu’Amazon a étendu son assistant shopping IA afin d’aider les consommateurs à rechercher et sélectionner des produits.

À mesure que l’IA joue un rôle plus important dans la découverte de produits, les marques ont commencé à surveiller leur présence dans ces recommandations avec l’intensité qu’elles réservaient autrefois aux classements Google. Les marketeurs posent les mêmes questions sur les produits aux modèles d’IA de façon répétée, enregistrent les marques qui apparaissent et suivent l’évolution de ces résultats.

Cette approche peut donner aux marketeurs une vision déformée de la rapidité réelle avec laquelle le shopping IA évolue.

Poser la même question à un modèle d’IA dix fois peut produire dix combinaisons différentes de produits. Une marque peut apparaître en première position dans une réponse, en quatrième dans la suivante et disparaître dans une autre. Si les marketeurs interprètent chaque réponse comme un classement, ces résultats laissent penser que leur position change constamment.

Cependant, les modèles génératifs introduisent de la variation dans leurs réponses, et les marketeurs doivent tenir compte de cette variabilité avant de conclure qu’une marque a gagné ou perdu du terrain. Le signal le plus utile provient des schémas qui persistent sur un grand nombre de conversations d’achat pertinentes.

Les données que nous avons recueillies sur environ 3 300 tendances de recommandations d’achat IA, impliquant 186 combinaisons de marques, d’invites et de modèles d’IA, illustrent cette différence. Les réponses individuelles changeaient fréquemment, tandis que la distribution plus large des recommandations restait beaucoup plus cohérente.

Pour les marketeurs, l’unité de mesure importe autant que les données elles‑-mêmes.

Plus de requêtes peuvent rendre le shopping IA plus volatile

Les classements de recherche offraient aux marketeurs un moyen familier de mesurer la visibilité numérique. Un résultat occupait une position à un moment donné, et les marketeurs pouvaient suivre cette position par rapport aux concurrents.

Les recommandations d’IA nécessitent une approche de mesure différente, car les systèmes génèrent des réponses en fonction de la requête et du contexte du consommateur. OpenAI, par exemple, explique que les résultats de shopping de ChatGPT peuvent tenir compte de la requête de l’utilisateur et des informations contextuelles. Google indique de même que ses résultats de shopping peuvent refléter la pertinence, les termes de recherche, l’activité antérieure et les préférences d’achat.

En conséquence, un marketeur peut poser plusieurs fois la même question générale et voir différents produits apparaître.

Imaginez une marque de chaussures de course qui apparaît en première position dans une réponse, en quatrième dans une autre et qui n’apparaît pas du tout dans une troisième. Ces trois observations donnent l’impression que la performance de la marque est instable. En revanche, sur des centaines de conversations pertinentes, la même marque pourrait capter à peu près le même pourcentage de recommandations chaque semaine.

La distinction devient importante à mesure que les marketeurs augmentent la fréquence de leur suivi. Exécuter davantage de requêtes génère plus d’observations, et davantage d’observations offrent plus d’occasions de constater une variation normale. Un tableau de bord peut ainsi sembler de plus en plus actif même si la distribution globale des recommandations change très peu.

Les marketeurs ont besoin d’un nombre suffisant d’observations pour déterminer si ce mouvement persiste. Sans un échantillon représentatif, le suivi quotidien peut les pousser à chercher des explications qui ont peu à voir avec des changements dans leurs produits, leur marketing ou leur position concurrentielle.

Les conséquences dépassent le cadre du reporting. La mesure oriente les décisions concernant l’endroit où les marketeurs investissent temps et argent. Une entreprise qui interprète chaque fluctuation quotidienne comme significative peut modifier à plusieurs reprises le contenu des produits, enquêter sur les concurrents ou rediriger les ressources marketing avant de disposer de suffisamment de preuves pour justifier ces décisions.

Les marketeurs doivent définir ce qui constitue une donnée significative

La mesure du shopping IA nécessite un seuil indiquant aux marketeurs quand un changement mérite d’être investigué.

Une marque qui disparaît de trois réponses fournit peu de preuves concernant sa performance globale. Si la même marque perd sa part de recommandations sur des centaines de conversations d’achat pertinentes et que cette baisse se poursuit pendant plusieurs semaines, les marketeurs ont une raison plus solide d’enquêter.

La taille de l’échantillon compte parce que les réponses individuelles de l’IA contiennent de la variabilité. Le temps compte parce que les schémas persistants offrent plus d’informations que des changements isolés. Les marketeurs devraient déterminer les deux avant d’utiliser les données de recommandation pour prendre des décisions.

Le modèle importe également.

Une marque peut gagner en part de recommandation dans ChatGPT tandis que sa performance dans Gemini reste stable. Les marketeurs qui combinent ces observations en un seul score de visibilité IA peuvent perdre des informations utiles sur l’endroit où le changement s’est produit.

Différents systèmes de shopping IA s’appuient sur des informations différentes et fonctionnent à travers des expériences produit distinctes. OpenAI indique que sa recherche d’achat peut utiliser les données produit des marchands, les informations produit publiques et d’autres sources de vente au détail. Google affirme que ses recommandations de produits assistées par l’IA s’appuient sur des données Shopping agrégées provenant de marques, de magasins et d’autres fournisseurs de contenu.

Ces différences donnent aux marketeurs une raison d’examiner les schémas de recommandation par modèle plutôt que de supposer que chaque système d’IA évoluera dans la même direction au même moment.

Une ligne de base construite sur plusieurs semaines peut fournir le point de référence. Les marketeurs peuvent alors comparer les nouvelles observations à cette ligne de base et enquêter sur les changements qui persistent sur un échantillon significatif.

La part de recommandation en dit plus aux marques que le classement

La part de recommandation offre un moyen pratique de mesurer ces schémas. Au lieu d’enregistrer où un produit est apparu dans une réponse, les marketeurs peuvent mesurer la fréquence à laquelle une marque obtient une recommandation sur un ensemble représentatif de questions pertinentes des consommateurs.

Prenons l’exemple d’un fabricant de chaussures de course. Ses produits peuvent apparaître fréquemment lorsque les consommateurs recherchent des chaussures pour l’entraînement au marathon et rarement lorsqu’ils s’intéressent à la course en sentier. Cette différence indique aux marketeurs quelque chose d’utile sur les besoins que les systèmes d’IA associent à la marque.

Un classement issu d’une réponse individuelle offre beaucoup moins de contexte. La différence entre apparaître en deuxième position et en cinquième peut disparaître la prochaine fois que quelqu’un pose la question. Une différence constante de part de recommandation sur des centaines de conversations fournit aux marketeurs un schéma qu’ils peuvent étudier.

La part de recommandation peut également aider les marketeurs à identifier les mouvements concurrentiels. Si une marque capte habituellement 30 % des recommandations pertinentes et commence à en capter 40 % sur plusieurs semaines, les marketeurs peuvent retracer l’origine de cette augmentation.

Ils peuvent identifier quelles questions des consommateurs ont le plus contribué à l’augmentation et quels modèles d’IA l’ont générée. À partir de là, ils peuvent examiner les changements dans les informations disponibles pour ces systèmes.

Un nouveau produit peut répondre plus précisément à un besoin particulier du consommateur. Les détaillants ont peut-être ajouté des informations produit plus complètes. Les avis clients ou la couverture indépendante peuvent fournir aux systèmes d’IA des preuves supplémentaires sur le moment où un produit correspond à un cas d’usage particulier.

L’objectif de la mesure doit être d’atteindre ce niveau d’analyse. Les marketeurs ont besoin de métriques qui les aident à identifier les changements qu’ils peuvent investiguer plutôt que de métriques qui ne font que produire davantage de mouvements sur un tableau de bord.

Le shopping IA rend les anecdotes faciles à confondre avec des tendances

Le shopping IA encourage la mesure anecdotique parce que les réponses individuelles constituent des preuves convaincantes.

Une capture d’écran montrant un produit en haut d’une recommandation ChatGPT peut circuler dans une entreprise en quelques minutes. Il en va de même d’une capture d’écran montrant un concurrent majeur où le produit de l’entreprise n’apparaît pas. Les deux exemples semblent concrets car les employés peuvent voir la recommandation eux‑mêmes.

Une réponse représente toujours une observation.

Ce problème s’amplifiera à mesure que les consommateurs s’appuient davantage sur l’IA lors de la recherche de produits. Adobe a constaté que les consommateurs arrivant sur des sites de commerce de détail depuis des sources d’IA générative naviguaient sur davantage de pages et présentaient des taux de rebond plus faibles que les visiteurs provenant d’autres sources de trafic. McKinsey a également documenté comment les assistants d’IA générative peuvent impliquer les consommateurs plus tôt dans le parcours d’achat, avant qu’ils n’aient décidé quoi acheter.

Cette influence croissante donne aux marques une raison solide de comprendre leur position dans les recommandations IA. Elle augmente également le coût de tirer des conclusions à partir de preuves faibles.

Les marques ont besoin d’un nombre suffisant d’observations pour établir la fréquence à laquelle les systèmes d’IA recommandent leurs produits, quelles questions des consommateurs génèrent ces recommandations et comment ces schémas évoluent dans le temps. Une ligne de base fournit aux marketeurs le contexte nécessaire pour reconnaître un mouvement soutenu.

Lorsque les marketeurs identifient ce mouvement, ils peuvent examiner les informations que les systèmes d’IA utilisent pour comprendre leurs produits. Ils peuvent vérifier l’exactitude et la complétude des descriptions de produits, des informations des détaillants, des avis et des sources indépendantes, puis déterminer si ces sources fournissent aux systèmes d’IA suffisamment de preuves pour associer un produit aux besoins exprimés par les consommateurs.

Le rôle croissant de l’IA dans le shopping rend cette mesure de plus en plus importante. Les consommateurs peuvent désormais utiliser l’IA pour rechercher des produits, comparer des options et affiner leur décision d’achat avant même de visiter le site web d’un détaillant.

Les marques doivent comprendre ce qui se passe au sein de ces conversations, mais un suivi accru ne produira pas automatiquement de meilleures informations. La valeur réside dans la collecte d’un nombre suffisant d’observations pour séparer la variation ordinaire des schémas persistants.

Les réponses individuelles de l’IA continueront de changer. Les marketeurs doivent s’y attendre. Leur attention doit se porter sur les schémas de recommandation qui persistent suffisamment longtemps, et sur un nombre suffisant de conversations pertinentes, pour justifier une action.