E-commerce : les agents IA s’attaquent aux frictions qui font perdre des ventes

Les agents commerciaux commencent à produire des chiffres suffisamment intéressants pour dépasser le stade de la démonstration. Leur intérêt économique ne tient pourtant pas seulement à leur capacité à converser avec un client. Ils s’attaquent à une faiblesse ancienne du commerce en ligne : une grande partie du travail nécessaire pour acheter reste encore à la charge de l’acheteur.

Le 2 septembre, Anthropic a publié un blueprint open source permettant aux entreprises de construire avec Claude deux types d’agents commerciaux. Le premier accompagne le client dans la recherche, la comparaison et la sélection de produits. Le second travaille côté marchand sur des sujets comme les stocks, les prix ou les promotions. Des implémentations de référence sont proposées pour le retail, le voyage, les télécoms et la billetterie. Il ne s’agit donc pas d’un agent prêt à être installé en quelques clics, mais d’une architecture destinée aux entreprises qui veulent construire leur propre système.

Anthropic avance surtout deux résultats. Angela Jiang, responsable produit de la plateforme Claude, a déclaré à Reuters qu’un partenaire avait constaté une hausse d’environ 30 à 35 % de la taille des paniers et que les clients utilisant le dispositif étaient environ 60 % plus susceptibles de terminer leur achat.

Ces chiffres sont prometteurs, mais leur portée reste limitée. Anthropic n’a pas rendu publics le nom du partenaire, la catégorie de produits, la période observée ou la méthodologie détaillée. Il est donc impossible d’isoler l’effet de l’agent. Les clients qui choisissent de l’utiliser peuvent aussi être plus engagés dans leur achat dès le départ.

Reste un mécanisme suffisamment intéressant pour être testé : que se passe-t-il lorsque l’on réduit le travail que le client doit accomplir avant de pouvoir acheter ?

Une partie du parcours d’achat repose encore sur le client

L’e-commerce a considérablement simplifié l’accès aux produits. Il n’a pas supprimé l’effort nécessaire pour choisir.

Sur un site marchand classique, le consommateur doit souvent traduire son besoin dans l’organisation pensée par le vendeur. Il navigue entre les catégories, utilise des filtres, ouvre plusieurs fiches, compare des caractéristiques et vérifie parfois lui-même les compatibilités.

Plus l’offre devient complexe, plus cet effort augmente.

Un agent conversationnel permet de partir du problème du client plutôt que de l’arborescence du catalogue. Le consommateur décrit ce qu’il recherche et le système transforme cette demande en critères, compare les options et peut préparer un panier.

Le blueprint d’Anthropic fonctionne précisément sur ce principe. L’agent peut rechercher dans un catalogue, traiter une demande comprenant plusieurs produits, comparer des options et constituer un panier avant de transmettre le client au processus de paiement. La transaction elle-même reste donc en dehors de l’agent.

L’intérêt économique apparaît lorsque cette assistance évite des abandons. Une entreprise ne perd pas uniquement des ventes à cause du prix ou du produit. Elle peut aussi en perdre parce que trouver la bonne offre demande trop d’efforts.

Les visiteurs venant de l’IA semblent déjà arriver plus près de l’achat

Les données d’Anthropic sont trop limitées pour établir un effet général. D’autres observations donnent néanmoins du poids à l’idée qu’une assistance en amont peut modifier le parcours d’achat.

Adobe Analytics, qui analyse les transactions issues de plus de 1 000 milliards de visites sur des sites de retail américains, indiquait qu’en juillet 2026 les visiteurs provenant de sources d’IA convertissaient 60 % davantage que ceux issus d’autres sources. Ils passaient également 59 % plus de temps sur les sites, rebondissaient 33 % moins souvent et ajoutaient des produits au panier 28 % plus fréquemment.

Ces données ne signifient pas que l’IA augmente mécaniquement les ventes de 60 %. Elles comparent des populations différentes. Mais elles sont compatibles avec une autre explication : une partie des consommateurs arrivant depuis un outil d’IA a déjà effectué une partie du travail de recherche, de comparaison et de sélection.

L’IA pourrait ainsi intervenir avant même l’arrivée sur le site et raccourcir la distance entre la recherche et la décision.

Pour le marchand, cela modifie progressivement le rôle de l’interface. La qualité des catégories, des filtres et des fiches produits reste essentielle, mais une partie de la navigation peut être prise en charge par un système capable d’interroger directement le catalogue à partir d’une demande exprimée en langage naturel.

Cette évolution devient particulièrement intéressante lorsque le choix est difficile : catalogues importants, caractéristiques techniques, compatibilités, nombreuses variantes ou offres de services difficiles à comparer. Sur un catalogue de quelques produits simples, le gain potentiel est évidemment beaucoup plus faible.

Quand choisir devient plus facile, la fiabilité devient le nouveau problème

Réduire l’effort nécessaire pour acheter ne suffit pas. Encore faut-il que la recommandation soit bonne.

C’est là que l’économie de l’agent commercial devient plus complexe qu’un simple gain de conversion.

Un assistant peut augmenter le panier parce qu’il identifie un produit complémentaire réellement utile. Il peut aussi obtenir le même résultat en orientant trop souvent le client vers une option plus chère. Le chiffre observé à la caisse sera meilleur dans les deux cas, mais les conséquences sur les retours, la satisfaction et le réachat peuvent être très différentes.

Anthropic prévoit d’ailleurs dans son architecture des contrôles sur les prix, les disponibilités, les remboursements et les actions nécessitant une validation humaine. Côté marchand, certaines recommandations concernant les stocks, les prix ou les campagnes restent soumises à approbation avant exécution.

Cela fait apparaître un coût que les promesses d’automatisation peuvent facilement masquer. Un agent commercial a besoin d’un catalogue propre, d’informations fiables sur les stocks et les prix, de règles commerciales claires, de tests et d’un système de gestion des exceptions.

Plus l’agent intervient près de la transaction, plus une mauvaise information peut coûter cher.

La conversion ne dira pas à elle seule si l’agent crée de la valeur

Cette contrainte change aussi la manière de mesurer ces outils.

Une hausse du panier moyen ou du taux de conversion peut être un excellent signal, mais elle ne suffit pas à établir la rentabilité du dispositif. Si l’agent génère davantage de retours, favorise des produits à faible marge ou augmente les demandes adressées au service client, une partie du bénéfice disparaît.

L’évaluation doit donc aller jusqu’à l’économie réelle de la transaction : marge après retours et remboursements, taux de conversion, panier moyen, coût de service et, lorsque le cycle permet déjà de l’observer, réachat.

Cette grille vaut au-delà du retail. Dans une entreprise B2B, un prospect peut devoir parcourir plusieurs pages pour identifier l’offre adaptée. Chez un éditeur de logiciels, il peut hésiter entre plusieurs formules dont les différences sont difficiles à comprendre. Dans ces situations, la valeur potentielle d’un agent tient à sa capacité à raccourcir un travail de sélection qui existe déjà.

Les meilleurs cas d’usage sont probablement visibles dans les données existantes

Pour une entreprise, le point de départ n’est donc pas nécessairement de chercher où installer un chatbot. Il consiste plutôt à identifier les endroits où des clients ayant déjà une intention d’achat doivent encore fournir beaucoup d’efforts pour avancer.

Les données existantes peuvent révéler ces zones : recherches répétées sur le site, utilisation intensive des filtres, allers-retours entre plusieurs offres, abandons après consultation des tarifs ou questions récurrentes au service client.

Ce sont ces étapes qu’un agent peut être chargé de raccourcir.

Les premiers résultats communiqués par Anthropic ne permettent pas encore d’affirmer que les agents commerciaux améliorent systématiquement les ventes. Ils justifient en revanche de tester une hypothèse plus précise : lorsqu’un client sait globalement ce qu’il veut mais peine à identifier la bonne offre, une interface capable de faire une partie de ce travail à sa place peut-elle améliorer l’économie de la transaction?

Pour un dirigeant, le test sera donc moins de savoir combien de clients parlent à l’agent que de mesurer ce qui se passe après la conversation : conversion, marge, retours et réachat. C’est là que l’on saura si l’agent a réellement supprimé une friction commerciale ou simplement ajouté une nouvelle interface au parcours.