Près d'un quart des entreprises de l'Union européenne vendent déjà en ligne, selon Eurostat (données 2024) : 18 % uniquement via un site ou une application, les autres par EDI ou par les deux. Pour la plupart d'entre elles, le problème n'est plus d'être en ligne — c'est d'opérer en ligne avec de la marge. Des catalogues qui grandissent plus vite que l'équipe, des marketplaces aux règles différentes, un service client qui ne passe pas à l'échelle, des retours qui rongent le profit, un stock qui manque ou qui s'accumule.
C'est sur ce terrain, l'opérationnel, que l'IA produit des résultats aujourd'hui. Pas dans les « expériences immersives » ni la « personnalisation hyper-individuelle », mais dans le travail répétitif, riche en données, qu'une personne faisait lentement et que l'IA fait vite — à condition que quelqu'un ait conçu le processus autour.
Cet article liste neuf opportunités, classées du moindre au plus grand effort de mise en œuvre. Pour chacune : le problème, ce que fait l'IA, ce qu'il faut avoir, comment savoir que ça fonctionne et là où ça échoue d'habitude. Cela vaut pour une boutique Shopify à Lisbonne, pour un vendeur avec des comptes sur Amazon, Worten et Fnac, et pour un distributeur industriel qui vend sur catalogue à d'autres entreprises.
1. Enrichissement du catalogue
Le problème. Des titres incomplets, des attributs manquants, des descriptions copiées du fournisseur, des fiches sans traduction. Un catalogue de deux mille références aux fiches faibles est un catalogue qui n'apparaît pas dans les recherches et ne convertit pas.
Ce que fait l'IA. Elle génère des titres, des attributs structurés (matière, dimensions, compatibilités), des descriptions par canal et des traductions, à partir de la fiche fournisseur, d'une image ou d'une URL. Amazon propose cela à ses vendeurs : à partir de quelques mots ou d'une photo, l'outil produit la fiche complète, et Amazon indique que plus de 900 000 vendeurs l'utilisent déjà et acceptent le contenu généré avec peu ou pas de modifications dans environ 90 % des cas.
Ce qu'il faut avoir. Une source de vérité pour le produit (PIM, tableur ou base de données) et des règles claires par canal — ce qu'Amazon exige dans un titre n'est pas ce que Zalando exige.
Signe que ça fonctionne. Part de fiches complètes, impressions et taux de conversion par fiche avant et après.
Là où ça échoue. Générer des descriptions en masse sans que personne ne relise les cinquante premières. L'IA invente des attributs plausibles (une puissance, une dimension) quand la fiche source ne les contient pas. Relire des échantillons et verrouiller les champs techniques contre la génération libre.
2. Flux et conformité par marketplace
Le problème. Chaque marketplace a son format, ses catégories, ses attributs obligatoires et ses règles de contenu. Un vendeur présent sur cinq canaux maintient cinq versions du catalogue et reçoit des rejets que personne n'a le temps de lire.
Ce que fait l'IA. Elle fait correspondre catégories et attributs entre canaux, détecte le motif des rejets et propose la correction, et vérifie les fiches contre les règles de chaque plateforme avant envoi. Des plateformes de marketplace comme Mirakl intègrent déjà ce type de correspondance assistée pour les vendeurs et les opérateurs.
Ce qu'il faut avoir. Les flux actuels et l'historique des rejets — c'est avec cela qu'on apprend ce que chaque canal accepte.
Signe que ça fonctionne. Taux de rejet par canal et délai entre la création d'un produit et sa mise en ligne sur toutes les marketplaces.
Là où ça échoue. Laisser l'IA « corriger » les catégories sans validation : un produit dans la mauvaise catégorie peut se vendre, mais avec la mauvaise commission ou hors des règles du canal.
3. Pricing et veille concurrentielle
Le problème. Le bon prix change chaque jour et dépend de ce que fait la concurrence, du stock détenu, de la marge minimale et de la saison. Le faire à la main pour des centaines de références est impossible ; le faire avec des règles fixes laisse de l'argent sur la table.
Ce que fait l'IA. Elle collecte les prix des concurrents, suggère des ajustements dans des limites définies (marge minimale, prix maximal, position visée) et explique pourquoi. Sur les marketplaces, elle aide à gagner la buy box sans entrer dans des guerres de prix que personne ne gagne.
Ce qu'il faut avoir. Le coût réel par référence (logistique et commissions comprises), des règles de marge écrites, et une personne qui approuve les ajustements au-delà d'un seuil.
Signe que ça fonctionne. La marge par commande, pas seulement le volume. Un algorithme de prix qui vend plus avec moins de marge est en train d'échouer.
Là où ça échoue. Automatiser sans limites. Les guerres de prix entre algorithmes sont réelles et finissent avec deux vendeurs qui vendent à perte.
4. Service client avant et après vente
Le problème. « Où est ma commande ? », « la taille M convient-elle ? », « comment retourner ? » — 60 à 80 % des contacts d'une boutique sont des variantes d'une dizaine de questions, et l'équipe répond à chacune comme si c'était la première.
Ce que fait l'IA. Un agent relié au système de commandes, au catalogue et à la politique de retours répond à ces questions avec des données réelles (pas un texte générique), en plusieurs langues, à toute heure, et passe la main à une personne quand il ne sait pas ou quand le client est en colère.
Ce qu'il faut avoir. L'intégration avec l'état des commandes et une politique de retours écrite. Sans accès aux données, l'agent est une FAQ avec une meilleure grammaire.
Signe que ça fonctionne. Part des contacts résolus sans intervention humaine, délai de première réponse et — important — satisfaction mesurée sur les contacts résolus par l'agent.
Là où ça échoue. Activer l'agent sans définir ce qu'il ne peut pas faire (promettre des remboursements, modifier des adresses, accorder des remises) et sans issue facile vers une personne. Un client coincé dans une boucle automatique est un client perdu et un avis négatif.
5. Prévision de la demande et réapprovisionnement
Le problème. Trop de stock sur des références qui ne tournent pas, des ruptures sur celles qui tournent. Sur les marketplaces, la rupture coûte deux fois : on perd la vente et on perd sa position dans le classement.
Ce que fait l'IA. Elle prévoit la demande par référence à partir de l'historique des ventes, de la saisonnalité, des campagnes et de signaux externes, et propose des commandes d'achat et des transferts entre entrepôts.
Ce qu'il faut avoir. Au moins un an d'historique propre par référence et par canal, des délais fournisseurs réels, et les coûts de possession et de rupture.
Signe que ça fonctionne. Jours de stock, taux de rupture et capital immobilisé, mesurés avant et après.
Là où ça échoue. Se fier à la prévision pour des références nouvelles ou à historique court — là, l'IA n'en sait pas plus qu'une règle simple. Et oublier qu'une prévision est une donnée d'entrée pour une décision, pas la décision.
6. Retours et fraude
Le problème. Les retours sont le coût caché de l'e-commerce, et une petite fraction de clients est responsable d'une grande fraction d'entre eux. Sur les marketplaces aux politiques généreuses, l'abus est un coût structurel.
Ce que fait l'IA. Elle classe les motifs de retour à partir du texte et des photos, détecte les schémas d'abus (même client, mêmes produits, mêmes motifs) et repère les produits au taux de retour anormal — souvent à cause d'une erreur dans la fiche, pas dans le produit.
Ce qu'il faut avoir. Un historique des retours avec motif, et une politique claire sur ce qu'on fait d'un schéma suspect (la décision doit revenir à une personne).
Signe que ça fonctionne. Taux de retour par référence et par client, et coût de traitement par retour.
Là où ça échoue. Bloquer des clients automatiquement. Un faux positif, c'est un client légitime traité en fraudeur, et cela arrive sur les réseaux sociaux en quelques minutes.
7. Avis et questions des clients
Le problème. Des centaines d'avis et de questions par mois, sur plusieurs plateformes et en plusieurs langues, que personne ne lit de façon systématique — et qui contiennent la meilleure information disponible sur le produit et sur la fiche.
Ce que fait l'IA. Elle résume les avis par thème, détecte les problèmes récurrents (mauvaise taille, pièce manquante, notice confuse), suggère des réponses et signale celles qui exigent une réponse humaine. Sur les marketplaces, répondre vite aux questions pèse sur la visibilité.
Ce qu'il faut avoir. Un accès aux avis par API ou par export, et un responsable pour chaque type de problème détecté (la fiche relève du marketing, la pi èce manquante de la logistique).
Signe que ça fonctionne. Délai de réponse aux questions et nombre de corrections de fiche ou de produit issues des avis.
Là où ça échoue. Répondre à tout automatiquement sur le même ton. Un avis négatif mérite la réponse d'une personne.
8. Recherche interne et recommandations
Le problème. Le moteur de recherche de la boutique ne comprend ni « baskets pour courir sous la pluie » ni « pièce compatible avec le modèle X de 2019 ». Le client ne trouve pas, et s'en va.
Ce que fait l'IA. Une recherche sémantique (elle comprend l'intention, pas seulement les mots), des recommandations fondées sur le contexte de la session et pas seulement sur l'historique, et — de plus en plus pertinent — des fiches préparées pour être lues par des assistants IA qui achètent au nom du client.
Ce qu'il faut avoir. Un catalogue bien structuré (encore le point 1) et des événements de navigation et d'achat enregistrés.
Signe que ça fonctionne. Taux de recherches sans résultat, conversion depuis la recherche et panier moyen avec recommandations.
Là où ça échoue. Poser une recherche sémantique sur un catalogue aux attributs manquants. L'IA ne devine pas ce qui n'est pas dans la fiche.
9. Opérations de fulfilment
Le problème. Picking, emballage, choix du transporteur, promesses de livraison et gestion des incidents — le travail qui décide si la promesse faite sur la page est tenue.
Ce que fait l'IA. Elle optimise les parcours de picking, choisit le transporteur par commande (coût, délai, historique d'incidents par zone), prévoit les retards avant que le client ne demande et prépare la communication. En B2B, elle gère des délais de livraison différenciés par client et par contrat.
Ce qu'il faut avoir. L'intégration avec le WMS ou le système de commandes et avec les transporteurs, et des données d'incidents par transporteur et par zone.
Signe que ça fonctionne. Coût par commande expédiée, part des livraisons dans le délai promis et contacts « où est ma commande » pour mille commandes.
Là où ça échoue. Optimiser le coût de transport sans regarder les incidents : le transporteur le moins cher dans une zone peut être celui qui génère le plus de retours et de contacts.
Marketplaces B2B et industrielles : la même chose, avec plus d'attributs
La conversation sur l'IA dans le commerce en ligne porte presque toujours sur le B2C. Mais les catalogues industriels — composants, outillage, matériel électrique, pièces détachées — ont exactement les mêmes problèmes à plus grande échelle : des dizaines de milliers de références, des attributs techniques qui décident l'achat, des compatibilités, des fiches techniques en PDF, des prix par client et par volume.
C'est là que l'enrichissement du catalogue (point 1) et la recherche (point 8) valent le plus : extraire les attributs des fiches techniques en PDF et les rendre cherchables, répondre à « quelle pièce remplace la référence X » avec des données, et préparer le catalogue pour les marketplaces B2B que les grands distributeurs et détaillants ouvrent aux vendeurs tiers. Un acheteur industriel ne navigue pas — il cherche par référence et par spécification, et s'il ne trouve pas, il va ailleurs.
Par où commencer
Si la boutique ou le vendeur débute avec l'IA, l'ordre qui fonctionne le plus souvent est : catalogue (1) → service client (4) → avis (7). Ce sont les trois qui disposent du plus de données, du moins d'intégration et des résultats les plus visibles. Le pricing (3) et la prévision (5) exigent des données propres et des règles écrites avant tout outil. Le fulfilment (9) est là où se trouve la marge, mais aussi là où l'intégration est la plus lourde.
Pour n'importe laquelle des neuf, la règle est la même : un processus, un indicateur défini à l'avance, une personne responsable et de petites livraisons chaque semaine. L'outil est la partie facile.
Questions fréquentes
Faut-il une équipe technique pour utiliser l'IA dans l'e-commerce ? Pour les points 1, 4 et 7, non : les plateformes (Shopify, Amazon, les opérateurs de marketplace) intègrent déjà des outils qui se branchent sur l'existant. Pour le pricing, la prévision et le fulfilment, il faut intégrer des données de plusieurs systèmes, et là, il est utile d'avoir quelqu'un qui l'a déjà fait.
L'IA va-t-elle générer du contenu que les marketplaces pénalisent ? Les marketplaces pénalisent le contenu faux ou hors règles, pas le contenu généré par IA — Amazon fournit elle-même l'outil. Le risque tient aux attributs inventés ; la solution est de relire des échantillons et de verrouiller les champs techniques.
Combien ça coûte ? Cela dépend du point. L'enrichissement du catalogue et le service client ont des coûts d'usage faibles et prévisibles ; ce qui pèse, c'est le temps de conception et d'intégration. Pour estimer le coût d'usage, consultez notre guide des coûts de l'IA et le calculateur de tokens.
Cela s'applique-t-il à une petite boutique ? Oui, et avec un avantage : une petite boutique peut relire les fiches générées, ajuster l'agent de service client et mesurer les résultats en quelques jours. Ce qui ne passe pas à l'échelle, c'est de tout faire à la main à partir de quelques centaines de références.
Et les assistants d'achat IA — les clients vont-ils cesser de visiter la boutique ? Une partie des achats passera par des assistants qui cherchent et comparent au nom du client. Pour eux, la fiche produit structurée et complète est la vitrine — ce qui renforce le point 1 et rejoint l'optimisation pour les moteurs d'IA.
Sources
Écrit sur l'IA appliquée, l'opération, le GEO/SEO et comment transformer les entreprises en machines qui continuent à tourner même quand personne ne regarde.