Financement
Wilgot lève 3 millions de dollars lors d’un tour d’amorçage pour améliorer la visibilité des produits dans le commerce assisté par l’IA

Points clésWilgot transforme les requêtes et avis clients existants en données produit plus riches…
Voir plus
- Wilgot transforme les requêtes et avis clients existants en données produit plus riches sur lesquelles les assistants IA peuvent agir.
- La boucle de rétroaction de la plateforme optimise le contenu pour la visibilité et la conversion, mais ne peut pas contrôler ce que recommandent les assistants indépendants.
- Les premiers résultats clients de Wilgot manquent de périodes de mesure divulguées, ce qui indique une promesse plutôt que des références prouvées.
Wilgot a levé 3 millions de dollars lors d’un tour de financement d’amorçage afin d’aider les détaillants à rendre leurs produits plus faciles à trouver, à comprendre et à recommander par les assistants d’achat dotés d’IA. La start-up de Stockholm développe ce qu’elle appelle l’optimisation agentique des produits, ou APO : un logiciel qui transforme les connaissances sur les clients en informations produit plus riches et ajuste continuellement ces contenus à mesure que les comportements d’achat évoluent.
Industrifonden a mené ce tour de financement, que Wilgot présente également comme une levée de 30 millions de couronnes suédoises. Y ont participé Luminar Ventures, Foundry Ventures, Ventures Together et Inovexus. Parmi les investisseurs providentiels figuraient les fondateurs de Voyado, Johan Bäckarlin et Johan Hjelte, ainsi que Niclas Mollin, fondateur d’inriver et d’Occtoo.
L’entreprise utilisera ces fonds pour développer sa plateforme et étendre sa présence commerciale. Anders Nygren, de Foundry Ventures, et Andreas Söneby, d’Industrifonden, rejoindront son conseil d’administration.
Transformer les connaissances sur les clients en informations produit
Un acheteur qui demande à un assistant de lui trouver un cadeau pour une personne qui aime la randonnée décrit un usage recherché, plutôt que de nommer un produit. Pour qu’un détaillant apparaisse dans une réponse utile, son catalogue doit expliquer quels articles conviennent à cette situation et pourquoi. Une photo et une brève description marketing peuvent laisser d’importantes questions sans réponse.
Wilgot s’appuie sur les informations que les détaillants possèdent déjà : requêtes de recherche, avis clients, demandes adressées au service client et retours. Ces sources peuvent révéler les motivations d’achat, les questions récurrentes et les écarts entre les attentes des clients et ce qu’un produit offre réellement. La plateforme transforme ces constats en pages produit, flux de données, FAQ et données structurées.
Par exemple, des questions répétées sur la pointure d’une chaussure pourraient révéler une lacune dans les informations sur les tailles. En explicitant des conseils vérifiés, on fournit des éléments plus utiles à la fois à l’acheteur et au système de recherche. La valeur réside dans l’extraction d’un fait pertinent et son association au bon article, plutôt que dans la simple production d’une description plus longue.
Wilgot présente l’APO comme une couche d’amélioration active. Les outils de suivi de la visibilité peuvent indiquer si une marque apparaît dans la réponse d’un assistant, tandis que les systèmes d’information produit stockent et distribuent les données du catalogue. Wilgot se concentre sur la modification des informations utilisées en définitive par ces systèmes et ces assistants.
Une boucle de rétroaction entre découverte et conversion
Le site web de l’entreprise décrit trois étapes : repérer les signaux de demande, générer du contenu produit et mesurer les résultats. Parmi les contenus générés dans la langue pertinente figurent les titres, les descriptions, les attributs et les FAQ. La boucle d’optimisation suit la visibilité, l’engagement et les résultats en matière de conversion sur Google et dans la recherche par IA, puis s’appuie sur ces signaux pour réviser les contenus.
Wilgot indique que cette approche est conçue pour les catalogues comptant des dizaines de milliers de produits. Le communiqué sur le financement précise que sa plateforme utilise l’apprentissage par renforcement pour améliorer les informations produit à partir des retours sur les performances et qu’elle prend en charge les contenus dans plus de 100 langues.
Concrètement, cette boucle de rétroaction permet au système d’apprendre quelles modifications sont utiles une fois le contenu publié. Le communiqué ne détaille ni la conception de la fonction de récompense ni l’architecture du modèle ; ces éléments ne figurent donc pas dans la description publique. L’apprentissage revendiqué s’effectue dans le processus d’optimisation de Wilgot ; cela ne signifie pas qu’un détaillant peut réentraîner directement ChatGPT ou déterminer les recommandations d’un assistant indépendant.
Les informations produit structurées jouent déjà un rôle concret dans la recherche. La documentation de Google sur les fiches de marchand explique comment le balisage Product et Offer peut rendre accessibles, pour les expériences d’achat, des détails tels que le prix, la disponibilité, la livraison et les retours. Cela illustre l’importance d’expliciter les caractéristiques des produits, même si l’éligibilité à une fonctionnalité de recherche ne garantit pas une recommandation.
La question plus générale est bien connue dans le domaine de la préparation des données produit pour le commerce assisté par l’IA : même des réponses formulées avec aisance dépendent de la précision des données sous-jacentes. Un système de gestion de contenu doit préserver la distinction entre une caractéristique vérifiée, l’opinion d’un client et une déduction quant à la pertinence d’un produit. À défaut, améliorer la visibilité d’un article risque aussi de donner davantage de portée à une affirmation non étayée.
Premiers clients et équipe fondatrice
Wilgot cite Daniel Wellington, J.Lindeberg, Myrqvist et Signify parmi ses clients. Selon l’annonce du financement, les ventes nettes ont augmenté de 20 % sur les pages produit de Daniel Wellington optimisées par Wilgot, tandis que 7 % des clients de Myrqvist arrivent désormais par l’intermédiaire de ChatGPT.
Ces chiffres correspondent à des résultats différents : l’un concerne les ventes réalisées sur certaines pages produit, l’autre un canal d’acquisition de clients. Le communiqué ne précise ni les périodes de mesure ni le protocole expérimental. Ils constituent des signaux commerciaux préliminaires, et non un indicateur unique applicable à l’ensemble des détaillants.
Fondée en 2024, Wilgot réunit Erik Wikander, cofondateur et directeur général ; le Dr Mhairi Dunion, cofondatrice et scientifique spécialisée en IA ; et Oleg Danylenko, cofondateur et directeur technique. Wikander a auparavant occupé le poste de directeur marketing chez Lendify. Dunion est titulaire d’un doctorat portant sur l’apprentissage par renforcement profond de l’University of Edinburgh, tandis que Danylenko a notamment travaillé dans la science des données chez Klarna, IKEA et Teemyco.
« Les marques consacrent trop de temps à mesurer si les assistants d’IA les mentionnent, et pas assez à donner à l’IA une raison de recommander leurs produits », a déclaré Wikander dans l’annonce.
Ce tour d’amorçage donne à Wilgot les moyens d’étendre cette proposition au-delà de sa première clientèle. L’entreprise entend relier les connaissances dispersées dans les interactions d’un détaillant avec ses clients aux fiches produits qui influencent la découverte. À mesure que les interfaces d’achat deviennent plus conversationnelles, rendre ces connaissances exactes, accessibles et utiles devient une tâche commerciale à part entière.












