Agents IA dans le e-commerce : pourquoi la donnée fait toute la différence

En e-commerce, la fiabilité des agents IA dépend avant tout de la qualité des données qu'on leur fournit. Écrit en collaboration avec Frédéric Godefroy, co-founder de Djiin by Sereneo.

Les agents IA progressent vite dans le e-commerce. Recherche produit, comparaison d'offres, relation client, suivi de commande : les interfaces conversationnelles prennent progressivement une place importante dans l'expérience d'achat. Mais sur le post-achat, une limite apparaît rapidement. Les réponses générées par les IA restent encore souvent imprécises ou incohérentes. Non pas parce que les modèles sont mauvais. Le problème vient surtout des données auxquelles ils ont accès.

Dans beaucoup d'entreprises, les informations utiles au post-achat existent déjà : statuts transporteurs, incidents logistiques, retards, événements de livraison, données marketplaces… Mais ces données restent généralement dispersées entre plusieurs outils et plusieurs acteurs. Et c'est souvent là que les agents IA atteignent rapidement leurs limites.

Selon l'étude Metapack Ecommerce Delivery Benchmark Report 2026 : 28% des consommateurs utilisent déjà l'IA pour des tâches liées au shopping, ce chiffre monte à 40% chez les moins de 45 ans.

Le post-achat devient une source de données stratégique pour les agents IA.

Le post-achat concentre une quantité importante de données opérationnelles : événements transporteurs, statuts de livraison, retards, retours, interactions SAV ou encore informations marketplaces.

Avec l'émergence des agents IA conversationnels, un nouveau besoin apparaît : rendre ces données directement compréhensibles et exploitables par des IA. Et c'est précisément ce qui devient complexe pour les e-commerçants. Car même lorsque les données existent, elles restent souvent fragmentées entre plusieurs systèmes : transporteurs, OMS, WMS, CRM, marketplaces, outils SAV…

Le vrai sujet n'est donc plus uniquement l'IA. Le sujet devient la consolidation, la structuration et la fiabilisation des données post-achat. Une IA est seulement aussi pertinente que les données qu'on lui fournit.

Le manque de données, cause première d'erreur et donc de déception — mais pas sans remède.

On l'a vu : le consommateur s'habitue à l'IA dans son usage personnel, qui se généralise. Cela offre à chacun une expérience personnelle des capacités de l'IA, et de ses limites. Toutefois, même prévenu de ces limites, lorsque l'IA hallucine, l'effet reste déceptif.

Pour que l'agent IA puisse être accepté — ou mieux, pour qu'il soit apprécié — il doit être fiable. Il peut alors être très utile au client comme au e-commerçant. Or les modèles souffrent de pertes de mémoire. Tous.

Une étude récente de Microsoft le confirme : passé plusieurs échanges, les modèles perdent la mémoire des textes rencontrés en début de conversation. La cause ? L'IA est certes probabiliste, mais surtout elle a une fenêtre d'attention qui donne plus d'importance à certaines informations qu'à d'autres — surtout les plus récentes. Pour que la réponse qu'ils formulent soit meilleure, ils ont besoin de pouvoir exercer leur "attention" sur les données qui leur permettent d'y répondre de façon juste ; donc de disposer de ces données au plus près de leur réponse, juste avant qu'elle soit faite.

Ajoutons à cela que, par construction, l'IA répond toujours même quand elle ignore la réponse. Devant une question, les agents IA sont donc conçus pour donner une réponse, quitte à l'inventer. Pour le modèle IA, ce n'est pas de l'invention, mais seulement le texte le plus probable après la demande.

Alors, pour qu'ils n'inventent pas, pour que cette probabilité coïncide avec la réalité, il faut contraindre cette probabilité : faire que la réponse la plus probable soit aussi la plus juste. Cela dépend de la qualité de l'information présente dans le prompt avant la réponse.

En somme, pour mieux répondre, l'IA doit avoir une information véritable, fournie juste avant sa réponse — et cette information peut être soit injectée par le prompt de conversation, soit recherchée par l'IA agentique dans des sources fiables.

Pourquoi le MCP devient une brique clé des agents IA.

Le MCP (Model Context Protocol) permet à des agents IA d'accéder beaucoup plus facilement à des données et outils métier. Concrètement, un serveur MCP agit comme une couche standardisée entre une IA et les systèmes opérationnels d'une entreprise. Au lieu de développer des intégrations spécifiques complexes pour chaque assistant IA, le MCP permet d'exposer des données structurées de manière beaucoup plus simple et exploitable. Le protocole est progressivement en train d'être adopté largement dans l'univers des agents IA conversationnels.

Pour les e-commerçants, l'intérêt est concret : faible effort d'intégration, accès simplifié aux données métier, standardisation des échanges, compatibilité avec les nouveaux environnements IA.

Pourquoi le post-achat sera un usage clé des agents IA.

Le post-achat possède toutes les caractéristiques d'un cas d'usage idéal pour les agents IA : forte volumétrie de demandes, données structurées, besoin d'instantanéité et interactions répétitives.

Le sujet n'est plus uniquement d'avoir une page de tracking ou des notifications. Le sujet devient : comment rendre les données e-commerce compréhensibles, exploitables et actionnables par des agents IA.