Agentic commerce : la donnée produit, seul vrai champ de bataille

L'agentic commerce impose aux retailers de rendre leurs données produits complètes, structurées et fiables pour permettre aux agents IA de comparer, recommander et vendre efficacement.

McKinsey chiffre l'agentic commerce à 1 000 milliards de dollars de revenus d'ici 2030 rien qu'aux Etats-Unis. Un chiffre qui masque un fait plus prosaïque : la plupart des catalogues produits ne sont tout simplement pas lisibles par une machine.

Un agent conversationnel ne cherche pas à comprendre un produit. Il vérifie qu'il peut le comparer, le catégoriser, le recommander sans ambiguïté. S'il n'y arrive pas, il ne fait pas d'effort supplémentaire. Il passe au concurrent. C'est toute la brutalité du sujet, et c'est ce que la plupart des discours sur l'agentic commerce évitent soigneusement de dire.

McKinsey estime que le retail B2C américain pourrait représenter à lui seul entre 900 milliards et 1 000 milliards de dollars de revenus orchestrés par des agents IA d'ici 2030, pour une opportunité mondiale évaluée entre 3 000 et 5 000 milliards de dollars. Ces chiffres expliquent la course aux standards techniques entre Google, Shopify, OpenAI… avec l'Universal Commerce Protocol en tête d'affiche. Mais un chiffre pèse plus lourd que tous les autres dans cette histoire : selon un rapport Harvard Business Review Analytic Services mené auprès de plus de 400 dirigeants, 91% pensent que l'IA agentique va transformer leur activité, 83% jugent son adoption indispensable pour rester compétitifs, et seulement 38% s'estiment réellement prêts. 

Le premier frein cité, devant la cybersécurité, est la donnée elle-même : 39% des dirigeants la désignent comme leur principal obstacle.

Autrement dit, l'écart ne se joue pas entre ceux qui croient à l'agentic commerce et ceux qui n'y croient pas. Tout le monde y croit. Il se joue entre ceux dont les catalogues sont exploitables et ceux dont les catalogues ne le sont pas.

Un produit mal catégorisé, c'est un produit qui n'existe pas

Le cas n'a rien de théorique, il vient de Cdiscount, dont le PDG Thomas Métivier a livré des chiffres précis fin 2025. Sur la marketplace, l'IA générative recatégorise automatiquement les fiches produit en complément des modèles de machine learning, ce qui divise par deux le taux d'erreur de catégorisation. Le constat du dirigeant tient en une phrase : "un produit qui est bien catégorisé fait 30% de ventes en plus". Dix millions de références ont déjà été retraitées sur le site.

Le même écart se retrouve côté vendeurs partenaires. Avant l'automatisation, un vendeur passait des heures à intégrer 80 à 90% de son catalogue sur la marketplace. Avec le matching automatique des champs de données par IA générative, il en charge désormais 100% en quelques minutes. Cdiscount visait un million d'euros de ventes additionnelles générées par ce seul gain de complétude, quelques mois après le lancement de la fonctionnalité.

Ce que révèle ce cas n'a rien de mystérieux. La perte de conversion ne vient pas d'un mauvais produit, mais d'une information mal renseignée : une catégorie approximative, un attribut manquant, un champ mal mappé entre deux systèmes. Un humain compense ce genre de trou en cherchant, en cliquant, en devinant. Un agent ne compense rien. Il ignore purement et simplement le produit qu'il ne peut pas vérifier.

Arrêtons d'appeler ça du "contenu"

Une équipe de PwC, dans une tribune publiée par Harvard Business Review en février 2026, pose une règle simple : structurer le contenu pour des machines, pas seulement pour des humains. Ce n'est pas une nuance de vocabulaire. Une fiche produit écrite pour convaincre un visiteur et une fiche produit interrogeable par un agent ne sont pas le même objet. La première raconte une histoire. La seconde répond à des questions précises : compatible avec quoi, utilisable comment, différent de quel produit voisin, disponible sous quelles conditions.

Continuer à traiter la donnée produit comme un sous-produit du travail marketing, rédigé une fois puis oublié, revient à construire un magasin dont la moitié des rayons sont dans le noir. Le professeur Venkat Venkatraman, de Boston University, cité dans le même rapport HBR, résume l'enjeu sans détour : les organisations doivent "coder leur intelligence pour que les agents et les humains lisent la même page de données". Tant que le site, les marketplaces et les flux fournisseurs racontent chacun une version différente du même produit, aucun agent ne pourra trancher correctement.

Le standard n'est pas le problème, l'attentisme l'est

Les protocoles techniques continueront de bouger, Google, Shopify et OpenAI n'ont pas fini d'ajuster leurs versions respectives. Mais l'exigence de fond ne bougera pas : une donnée produit complète, normalisée, personnalisée et cohérente sur tous les canaux. Attendre qu'un standard se stabilise avant d'agir n'est pas de la prudence, c'est un pari perdant. Le temps qu'un marchand passe à observer les annonces successives, ses concurrents les mieux préparés captent déjà les premières recommandations.

Le marché à plusieurs milliers de milliards de dollars que décrit McKinsey ne se distribuera pas entre ceux qui en parlent le mieux. Il se distribuera entre ceux qui, produit par produit, auront rendu leur catalogue lisible par des systèmes qui ne pardonnent pas l'approximation.