L’IA générative en e-commerce promet de mieux comprendre chaque visiteur en lui permettant d’exprimer progressivement son besoin. Cependant, cette pertinence suppose davantage d’échanges, davantage de calculs et davantage d’efforts du côté du client. Dès lors, une question devient centrale : à force de vouloir mieux comprendre, le commerce conversationnel ne risque-t-il pas aussi de ralentir la décision et de réduire la conversion ?
Pourquoi l’IA générative en e-commerce dépend du contexte
Sur le papier, le scénario paraît idéal.
Un visiteur décrit ce qu’il cherche. L’assistant lui pose quelques questions. Ensuite, il affine ses propositions jusqu’à identifier les produits les plus adaptés.
Dans la réalité, le besoin ne tient presque jamais dans une seule phrase. Il se précise, se corrige et parfois se transforme au fil des échanges.
Cette idée est au cœur d’une prépublication déposée le 24 juillet 2026 sur arXiv par Benjamin Tannenbaum, affilié à Aiso. Son titre résume sa thèse : The Prompt Is Not the Query: How Request State Evolves Across Multi-Turn AI Conversations.
Source : https://arxiv.org/pdf/2607.22392
L’auteur analyse 8 133 conversations en anglais : 670 conversations commerciales et 7 463 conversations issues du corpus public PRISM, représentant 1 389 participants. Son objectif n’est pas de mesurer la conversion e-commerce ni le coût des modèles. Il cherche à déterminer si le dernier message envoyé à une IA peut être considéré comme une demande autonome et complète.
La réponse est clairement négative.
Le document reste une prépublication arXiv. Il ne faut donc pas le présenter comme une étude ayant déjà fait l’objet d’une validation définitive par les pairs. Ses résultats ouvrent néanmoins une question importante pour le e-commerce.
L’IA générative en e-commerce ne répond pas à une requête isolée
Imaginons cet échange entre un client et un assistant e-commerce.
Client : Je cherche un ordinateur léger pour voyager.
Assistant : Quel budget souhaitez-vous consacrer à cet achat ?
Client : Moins de 900 euros, avec une bonne compatibilité Linux.
Assistant : Je vous propose ces trois modèles.
Client : Pas le premier. Lequel choisiriez-vous entre les deux autres ?
Pris isolément, le dernier message du client ne contient presque aucune information sur son besoin.
Il ne rappelle :
- ni l’usage en voyage ;
- ni l’importance du poids ;
- ni le budget maximal ;
- ni la compatibilité avec Linux ;
- ni les caractéristiques des produits proposés précédemment.
Pourtant, aucune de ces informations n’a disparu.
La demande réelle est désormais la suivante :
Parmi les deux ordinateurs légers adaptés au voyage, coûtant moins de 900 euros et compatibles avec Linux, lequel choisir ?
Le dernier prompt ne constitue donc pas une nouvelle requête autonome. Il ne prend son sens qu’à partir de tout ce qui a été construit au cours des échanges précédents.
L’étude montre ainsi que le dernier prompt contient, en médiane, seulement 35,6 % du vocabulaire informatif de la conversation dans le corpus commercial et 36,4 % dans le corpus PRISM.
De plus, lorsqu’une conversation contient des dimensions identifiables — budget, usage, attributs recherchés, alternatives, corrections, comparaisons ou besoin de preuves — le dernier message ne les restitue toutes que dans environ 26 % des cas.
Dans 50,3 % des conversations commerciales et 44,8 % des conversations PRISM, au moins une dimension exprimée auparavant reste présente uniquement dans l’historique.
À l’inverse, le dernier message introduit une dimension nouvelle dans 17,9 % et 19,3 % des conversations.
Le dernier prompt n’est donc ni un résumé de la demande ni une question indépendante.
Il constitue une mise à jour d’un état de décision.
Comment l’IA générative en e-commerce fait évoluer la décision
Le visiteur ne connaît pas nécessairement, dès son arrivée, tous les critères qui détermineront son choix.
D’abord, il peut rechercher un produit performant. Ensuite, une première proposition lui fait comprendre que le poids compte davantage. Puis, il découvre que la réparabilité ou la disponibilité immédiate est finalement décisive.
Au fil de la conversation, le client peut ainsi :
- ajouter une contrainte ;
- modifier une priorité ;
- rejeter un produit ;
- demander une preuve ;
- introduire un nouvel usage ;
- revenir sur une préférence.
L’étude observe qu’un nouveau type de critère apparaît dans 19,4 % des échanges de suivi du corpus commercial et dans 21,2 % de ceux du corpus PRISM.
Par conséquent, la conversation ne révèle pas seulement un besoin déjà formé. Elle peut participer à sa construction.
Cette capacité explique l’intérêt de l’IA générative en e-commerce pour les achats complexes. L’assistant peut aider le visiteur à clarifier ses attentes, découvrir de nouveaux critères et comparer des options qu’il aurait eu du mal à départager seul.
Cependant, cette richesse crée immédiatement une contrainte : chaque nouvelle information peut modifier la recommandation précédente.
Le premier coût de l’IA générative en e-commerce : le calcul
Lorsque la situation évolue, le système doit réévaluer sa décision.
Concrètement, il lui faut :
- conserver les contraintes précédentes ;
- intégrer les nouvelles ;
- détecter les contradictions ;
- tenir compte des produits déjà rejetés ;
- comparer à nouveau les options disponibles.
Selon l’architecture choisie, il peut aussi devoir réinterroger le catalogue, vérifier les prix, contrôler les stocks ou appeler des outils externes.
Ainsi, le coût ne dépend plus seulement de la réponse finale.
Il dépend également :
- du nombre de tours de conversation ;
- du volume de contexte conservé ;
- de la fréquence des réévaluations ;
- du nombre de services sollicités ;
- de la longueur des réponses produites.
Plus la conversation s’allonge, plus cette dépendance au contexte devient forte.
À partir de cinq interventions du visiteur, le dernier message ne contient plus qu’environ 18 % du vocabulaire informatif de la session. Dans le même temps, plus de 70 % de ces conversations conservent au moins une dimension importante uniquement dans l’historique.
L’IA ne peut donc pas simplement oublier les premiers échanges. Elle doit les conserver, les résumer ou les transformer en mémoire structurée.
Certes, la mise en cache, la synthèse automatique et l’extraction de contraintes peuvent limiter la dépense. Néanmoins, ces techniques déplacent le problème vers une nouvelle décision :
Quelles informations conserver et lesquelles supprimer ?
Un résumé peut retenir que le visiteur recherche un ordinateur portable, tout en oubliant la compatibilité avec Linux. Il peut mémoriser le budget, mais perdre l’usage. Enfin, il peut conserver les produits comparés et oublier celui que le client a explicitement rejeté.
Pour rendre la décision moins coûteuse, le système doit donc compresser la situation. Or, en la compressant, il risque de supprimer l’information qui rendait précisément la recommandation pertinente.
Le deuxième coût de l’IA générative en e-commerce : la friction
Le système n’est pourtant pas le seul à travailler. Le contexte dont l’assistant a besoin doit être produit par le visiteur.
Celui-ci doit :
- lancer la conversation ;
- transformer son besoin en mots ;
- lire une première réponse ;
- vérifier qu’il a été compris ;
- corriger les mauvaises hypothèses ;
- préciser ses critères ;
- examiner les nouvelles propositions ;
- recommencer jusqu’à obtenir un résultat satisfaisant.
La pertinence conversationnelle repose ainsi sur un très gros compromis implicite :
Plus le client fournit d’efforts pour expliquer sa situation, plus l’IA peut théoriquement affiner sa recommandation.
Chaque échange supplémentaire représente toutefois du temps, de la charge cognitive, une attente et une nouvelle occasion d’abandonner.
Autrement dit, l’IA générative en e-commerce peut chercher à fluidifier le choix tout en rallongeant, en fait, le chemin nécessaire pour y parvenir.
Quand l’IA générative en e-commerce augmente le coût d’interaction
Cette friction ne constitue pas une simple hypothèse théorique.
Une étude qualitative publiée par Nielsen Norman Group en mars 2026 a observé l’utilisation de huit assistants intégrés à des sites, parmi lesquels Amazon Rufus, Home Depot Magic Apron, Turo Ask Turo et Redfin Smarter Search.
Source : https://www.nngroup.com/articles/site-ai-chatbot
Les participants ont apprécié ces assistants lorsqu’ils répondaient à des questions complexes ou apportaient une expertise difficile à obtenir autrement.
En revanche, lorsqu’ils reproduisaient simplement une recherche, des filtres ou une navigation, leur utilisation était souvent jugée plus lente et plus exigeante.
Les utilisateurs voyaient moins de produits simultanément, devaient multiplier les prompts ou les clics et bénéficiaient d’un support plus faible pour la comparaison. Plusieurs ont donc préféré revenir aux outils traditionnels du site.
Une participante utilisant Amazon Rufus a finalement préféré revenir à la barre de recherche traditionnelle : elle pouvait y voir immédiatement davantage de produits, sans devoir « chercher encore, puis encore ».
Un utilisateur de Redfin a également considéré que saisir successivement ses demandes représentait une perte de temps par rapport à la sélection directe des filtres.
Nielsen Norman Group résume le problème par la notion de coût d’interaction : l’ensemble des efforts mentaux et physiques que l’utilisateur doit fournir pour atteindre son objectif. Pour la recherche de produits ou d’informations, ce coût est souvent supérieur avec les chatbots testés.
La conversation ne supprime donc pas automatiquement la friction. Au contraire.
Elle peut simplement remplacer des filtres visibles et immédiatement manipulables par une succession de formulations, d’attentes et de corrections.
Pourquoi l’IA générative en e-commerce peut fragiliser la conversion
Une recommandation plus précise n’a de valeur commerciale que si le visiteur reste présent assez longtemps pour la recevoir.
À ce jour, l’étude de Benjamin Tannenbaum ne mesure pas l’effet du nombre de tours sur le taux de conversion. De même, l’étude de Nielsen Norman Group repose sur un échantillon qualitatif réduit.
Il serait donc excessif d’affirmer que toute conversation longue fait nécessairement baisser les ventes.
En revanche, les travaux de Baymard Institute confirment un principe bien établi : l’effort imposé au client peut provoquer l’abandon d’un parcours e-commerce.
Source : https://baymard.com/lists/cart-abandonment-rate
Selon les données 2026 publiées par Baymard, 17 % des acheteurs en ligne américains interrogés déclarent avoir abandonné une commande parce que le checkout était trop long ou trop compliqué.
Cette donnée concerne certes le passage en caisse et non les assistants génératifs.
Toutefois, elle montre que la longueur perçue, le nombre de décisions et l’effort demandé ne sont jamais neutres pour la conversion.
Le rapprochement doit donc rester prudent mais la question est légitime :
Si le visiteur doit expliquer, lire, corriger, mémoriser et reformuler avant d’accéder aux bons produits, combien d’entre eux iront réellement au bout de cette séquence ?
La bonne métrique n’est pas seulement la pertinence de la recommandation finale.
Il faut également mesurer :
- le taux d’entrée dans la conversation ;
- le nombre de tours avant décrochage ;
- le délai avant exposition aux produits ;
- le taux de clic sur les recommandations ;
- le taux d’ajout au panier ;
- le chiffre d’affaires par visite.
Sans ces indicateurs, un assistant peut produire une excellente recommandation pour les visiteurs les plus persévérants tout en dégradant la performance globale du parcours.
Trois coûts de l’IA générative en e-commerce peuvent se cumuler
Le commerce conversationnel peut donc faire apparaître trois coûts distincts.
Un coût informatique
Le marchand finance les inférences, la mémoire, les appels aux outils et les réévaluations successives.
Un coût expérientiel
Le visiteur consacre du temps et de l’attention à décrire progressivement sa situation.
Un coût commercial
Chaque interaction supplémentaire peut devenir une occasion de quitter le site avant la recommandation ou l’achat.
Le paradoxe devient alors évident :
L’IA générative en e-commerce peut améliorer progressivement la qualité théorique d’une recommandation tout en réduisant progressivement la probabilité que le client termine son parcours.
Une recommandation parfaite au sixième échange reste commercialement médiocre si une part importante des visiteurs abandonne après le deuxième.
L’IA générative en e-commerce convient-elle à tous les achats ?
La réponse est probablement non.
Pour un achat rare, technique, coûteux ou fortement impliquant, la conversation peut créer une réelle valeur.
Le visiteur accepte plus volontiers d’expliquer son contexte lorsqu’il attend en retour :
- une expertise ;
- une comparaison argumentée ;
- une explication personnalisée ;
- une réduction importante de son risque de décision.
En revanche, pour un achat courant ou rapidement arbitrable, plusieurs tours de dialogue peuvent devenir disproportionnés.
Le client ne veut pas nécessairement expliquer longuement sa situation. Il souhaite parfois simplement voir des produits mieux classés, plus pertinents ou mieux adaptés à ce qu’il est en train de faire.
Par conséquent, l’IA générative en e-commerce doit être considérée comme un mode d’interaction utile dans certains contextes, et non comme le remplacement automatique de la recherche, des filtres, de la navigation ou de la recommandation produit.
L’enjeu n’est pas de rendre chaque parcours conversationnel.
Il consiste à réserver la conversation aux moments où sa valeur dépasse réellement son coût.
Une alternative à l’IA générative en e-commerce : exploiter les signaux disponibles
La majorité des visiteurs ne décrivent pas spontanément leur situation.
Pourtant, leur parcours produit déjà de nombreux signaux.
Ils consultent une catégorie, ouvrent une fiche produit, reviennent en arrière, modifient un filtre, explorent une gamme de prix, ignorent une recommandation, accélèrent ou ralentissent leur navigation, consultent plus l’avis des autres que la moyenne des visiteurs…etc.
Ces actions ne disent pas tout. Toutefois, elles permettent d’évaluer ce qui est probablement pertinent dans la situation présente, sans exiger que le client transforme chaque attente en phrase.
Pour classer et recommander des produits, une autre approche consiste donc à exploiter immédiatement les signaux disponibles dans le parcours et le contexte du visiteur.
Il ne s’agit pas de lui attribuer définitivement un profil ni de le ranger dans un segment figé.
L’objectif consiste à reconstruire la situation actuelle, puis à réévaluer continuellement les produits les plus pertinents.
C’est l’approche suivie par NetUp.
Son moteur ne demande pas au visiteur de raconter toute sa situation avant de lui présenter une sélection.
Il analyse en temps réel les signaux disponibles, construit une signature situationnelle, recherche les situations analogues et recalcule les recommandations ou les classements à chaque interaction.
Ainsi, la personnalisation ne dépend pas de la quantité d’efforts que le client accepte de fournir pour être compris.
Elle dépend de la capacité du système à décider à partir de ce qu’il peut déjà observer.
Ce que l’IA générative en e-commerce doit encore prouver
L’IA générative en e-commerce possède des qualités évidentes.
Elle sait expliquer, rassurer, reformuler, comparer et accompagner les décisions complexes.
Toutefois, son efficacité commerciale ne peut pas être déduite de la seule qualité de ses réponses.
Les marchands devront notamment vérifier les points suivants :
- l’assistant réduit-il réellement le temps nécessaire pour trouver un produit ?
- les visiteurs poursuivent-ils la conversation jusqu’à la recommandation ?
- le coût total des échanges reste-t-il compatible avec la marge générée ?
- l’expérience améliore-t-elle le chiffre d’affaires par visite ?
- la conversation apporte-t-elle une valeur que la navigation, les filtres ou un moteur décisionnel ne peuvent pas fournir plus directement ?
Finalement, deux chemins se dessinent.
Le premier consiste à faire expliciter progressivement sa situation par le client.
Le second consiste à la déduire à partir des signaux qu’il laisse déjà dans son parcours.
Le premier peut produire une compréhension très riche. Cependant, cette richesse se paie en calculs, en temps et en efforts demandés au visiteur.
Le second peut produire une décision plus immédiate, plus discrète et potentiellement moins coûteuse.
Dans le e-commerce, la meilleure recommandation n’est donc pas toujours celle qui devient parfaite après six échanges.
C’est celle qui devient suffisamment pertinente avant que le client ne parte.
FAQ sur l’IA générative en e-commerce
Qu’est-ce que l’IA générative en e-commerce ?
L’IA générative en e-commerce désigne l’utilisation de modèles capables de produire des réponses, des conseils, des comparaisons ou des contenus à partir des demandes du visiteur. Elle peut notamment alimenter des assistants d’achat conversationnels.
Pourquoi une conversation longue peut-elle coûter davantage ?
Chaque nouveau message peut nécessiter la conservation du contexte précédent, une nouvelle inférence, une nouvelle recherche dans le catalogue ou une nouvelle comparaison. Le coût dépend donc du nombre de tours et de la complexité des traitements associés.
L’IA générative réduit-elle forcément la conversion ?
Non. Les études citées ne démontrent pas une baisse systématique de la conversion.
Elles montrent toutefois que le contexte se construit sur plusieurs tours et que certains assistants imposent davantage d’efforts que les interfaces classiques.
Le risque doit donc être mesuré sur chaque site.
Quelle alternative existe pour personnaliser sans conversation ?
Un moteur décisionnel situationnel peut exploiter les signaux de navigation et de contexte afin d’adapter les recommandations ou les classements sans demander au visiteur d’expliciter toute sa situation.