Au cours des deux dernières années, les outils d’IA dans le domaine du commerce ont principalement permis d’obtenir des réponses plus rapides : un récapitulatif des performances de la semaine précédente, une première ébauche d’une présentation QBR et une nouvelle liste de mots-clés. Désormais, les agents IA sont capables de formuler des recommandations, de coordonner les flux de travail et d’intervenir sur des comptes publicitaires en temps réel. Pour les grandes marques, cette évolution soulève une nouvelle question concernant la technologie nécessaire pour la prendre en charge.
En février, Amazon Ads a lancé son serveur « Model Context Protocol » (MCP). Celui-ci permet aux agents développés avec Claude, ChatGPT ou des applications personnalisées de créer des campagnes, d’extraire des rapports et de gérer la facturation sans avoir recours à des intégrations sur mesure. Parallèlement, les obstacles au développement de logiciels s’amenuisent. Selon le rapport « 2026 State of AI » de McKinsey, 32 % des entreprises ont renoncé à acheter au moins un logiciel, car elles pouvaient le développer en interne à l’aide d’outils de codage orientés agents.
Le débat « développer ou acheter » fait plus que jamais rage au sein des équipes de commerce électronique des entreprises. Mais la question la plus pertinente est de savoir si votre organisation dispose de l'infrastructure nécessaire pour rendre l'IA fiable, connectée et responsable à grande échelle.
Dans quels cas est-il judicieux de développer ses propres outils d'IA ?
Pour les annonceurs dont les besoins sont simples, le fait de connecter directement un assistant IA à un détaillant apporte une valeur ajoutée immédiate. Une marque gérant quelques campagnes Amazon peut utiliser Claude et le serveur MCP de Amazonpour générer des rapports, analyser les tendances et préparer ses bilans d'activité trimestriels.
Le défi se pose lorsque ces processus s'étendent au-delà d'un seul détaillant ou d'une seule équipe. Une entreprise a besoin d'un outil capable de l'aider à déterminer où investir ses prochains budgets publicitaires, de déterminer si les campagnes peu performantes sont dues à la stratégie publicitaire ou à des contraintes d'inventaire, et d'agir sans perdre le contrôle financier.
Quatre défis liés à la mise à l'échelle de l'IA dans le commerce en ligne « fait maison »
La multiplication des partenariats avec les détaillants ne permet pas d'éliminer les silos de données
Chaque détaillant dispose de sa propre structure de reporting, de sa méthode d’ attribution , de sa taxonomie de produits et de ses capacités en matière de campagnes. Les MCP des détaillants facilitent l’accès de l’agent à chaque environnement, mais ils ne permettent pas de concilier les différences entre eux. Un agent connecté à Amazon et Target peut extraire des données des deux sources sans pour autant parvenir à établir une comparaison cohérente et équitable.
Ces cloisonnements s'étendent également au sein même de l'entreprise. Les services médias, les opérations commerciales et les services financiers utilisent souvent des systèmes différents, avec des définitions différentes de la réussite. Si davantage de connexions permettent à un agent d'accéder à davantage de données, elles ne garantissent pas pour autant une vision commune de l'activité.
La connectivité n'est pas synonyme d'intelligence commerciale
Lorsqu’ Amazon a lancé son serveur MCP, l’entreprise a reconnu que la connectivité à elle seule ne garantissait pas des résultats fiables, en particulier lorsque les campagnes publicitaires comportaient des dizaines d’étapes.
Pour prendre les bonnes décisions, il faut disposer d'un historique sur plusieurs années, d'une part de voix concurrentielle, d'indicateurs de vente au détail tels que l'état des stocks et la qualité du contenu, ainsi que de preuves permettant d'identifier les facteurs à l'origine de l'augmentation des ventes. Sans ces indicateurs, le responsable risque d'optimiser un indicateur au détriment de l'objectif commercial global.
Les requêtes introduisent un risque supplémentaire. Une même demande formulée de deux manières différentes peut donner lieu à deux réponses différentes. Lorsqu'une donnée manque, un agent comble souvent cette lacune par une supposition qu'il estime fiable ; or, en l'absence d'une base de données commune, chaque requête d'un analyste devient sa propre version de la vérité.
L'accès en écriture nécessite une gouvernance
Les enjeux changent lorsque l'IA passe de la simple réponse à des questions à la prise de mesures concrètes. À l'échelle de l'entreprise, une simple modification du budget ou d'une offre peut avoir des répercussions sur des millions d'euros d'investissements médias et sur les contrôles financiers en place. Votre équipe doit savoir qui a autorisé cette modification, sur quoi elle a eu un impact et comment l'annuler.
Gartner prévoit que plus de 40 % des projets d’IA agentique seront annulés d’ici fin 2027, invoquant une escalade des coûts, une valeur commerciale incertaine et des contrôles des risques insuffisants. Si vous êtes chargé de la mise en place, vous devez identifier où se trouvent vos règles d’approbation. Si elles sont intégrées dans une instruction, un simple changement de configuration suffit à les supprimer.
Les coûts d'exploitation sont plus élevés que ceux de la construction
Les outils de développement d'IA ont permis de réduire le temps de prototypage de plusieurs mois à quelques jours. Tout ce qui suit le lancement nécessite toutefois toujours le même travail : maintenir les intégrations, mettre à jour la logique métier, gérer les autorisations, passer les contrôles de sécurité et s'adapter lorsque les détaillants modifient leurs API.
La continuité opérationnelle est également importante. Lorsque la personne qui a mis en place un workflow change de poste, quelqu’un doit en prendre le relais. Sans base commune, l’IA risque de recréer les silos que les entreprises ont mis des années à éliminer. Il en résulte une nouvelle forme de dette technique, qui s’accumule plus rapidement que jamais.
Avant de vous lancer dans la construction, posez-vous ces cinq questions
- L'agent est-il capable d'établir des liens pertinents entre les indicateurs publicitaires, concurrentiels, opérationnels et financiers à l'échelle de l'entreprise ?
- Dispose-t-il du contexte spécifique au commerce nécessaire pour formuler des recommandations fiables, ou votre équipe devra-t-elle développer et maintenir cette logique ?
- Comment les autorisations, les validations et les pistes d'audit sont-elles appliquées lorsque les agents commencent à intervenir ?
- Qui assure la maintenance des intégrations, de la logique de reporting et de la sécurité à mesure que les commerçants et leurs besoins évoluent ?
- Pouvez-vous établir un lien entre les décisions fondées sur l'IA, leur mise en œuvre et des résultats mesurables ?
Si votre équipe est en mesure de répondre à ces questions avec assurance, le développement sur mesure pourrait constituer un investissement judicieux. Dans le cas contraire, la meilleure opportunité consiste à créer vos propres expériences d'IA sur une infrastructure qui répond déjà à ces questions.
S'appuyer sur une base de commerce connecté
Votre stratégie, votre expertise client, vos priorités commerciales et vos processus méritent d'être maîtrisés, et c'est là que les agents personnalisés constituent un avantage décisif. Le reporting inter-enseignes, la normalisation des données, la veille concurrentielle et les contrôles d'accès constituent des éléments fondamentaux qu'une équipe ne devrait pas avoir à reconstruire de zéro.
Imaginons une marque internationale qui cherche à déterminer où accroître ses investissements publicitaires à l’approche d’un événement commercial majeur. Son agent constate de très bons résultats publicitaires sur Amazon et recommande d’augmenter les dépenses. Or, une analyse globale révèle que le stock de ce même produit est en voie d’épuisement, tandis qu’un autre détaillant offre un potentiel de croissance plus important et la possibilité de gagner en « Share of Voice ». C’est là que réside la différence entre une bonne décision d’ Amazon ing et une bonne décision commerciale.
Comment « Pacvue » relie l'écosystème de l'IA dédiée au commerce d'entreprise
PacvueLe système d’exploitation multimédia commercial basé sur l’IA de [nom de l’entreprise] rassemble en une seule plateforme les performances publicitaires, les opérations de vente au détail, les informations sur la concurrence et les données commerciales provenant d’ Amazon, Walmart et de plus de 100 autres détaillants. Cela inclut la part de voix, l’historique des performances, les stocks et les indications tarifaires que les connexions individuelles avec les détaillants ne fournissent pas à elles seules. Nos ingénieurs assurent la maintenance de ces connexions avec les détaillants ; ainsi, lorsqu’une API change, c’est nous qui nous en chargeons, et non vous.
Les équipes peuvent exploiter cette base de deux manières. Pacvue MCP permet d’intégrer les outils d’IA que les équipes utilisent déjà, notamment Claude, ChatGPT et Copilot, via un point d’accès sécurisé aux données d’ Pacvue , avec un accès respectant les autorisations existantes de chaque utilisateur Pacvue . Les équipes gardent le contrôle de leurs propres invites, agents et workflows décisionnels.
Pour les équipes qui privilégient une expérience intégrée, Pacvue Agent s'appuie sur les données et les capacités d'intelligence artificielle spécifiques au commerce de Pacvueet s'intègre à la plateforme pour analyser les variations de performance, mettre en évidence les opportunités et passer des recommandations à la validation puis à la mise en œuvre, le tout au sein d'un même espace.
L'avenir de l'IA dans le commerce
Les modèles d'IA ne cesseront de s'améliorer. Chaque année, de nouveaux assistants, de nouvelles plateformes de gestion des commerçants (MCP) et de nouveaux frameworks de création d'agents faciliteront la mise en place de workflows commerciaux sophistiqués, permettant ainsi à toutes les marques d'accéder à une IA performante. Les leaders seront ceux qui sauront relier leurs données, appliquer une intelligence spécifique au commerce, coordonner les décisions entre les équipes et passer à l'action en toute confiance.
La stratégie gagnante consiste à s'appuyer sur une base qui vous permette de vous approprier votre stratégie. Il s'agit ensuite de la mettre en œuvre sur une base qui valorise davantage chaque outil d'IA que vous choisissez, afin que les entreprises puissent consacrer moins de temps à la gestion de la complexité inhérente à l'IA et davantage de temps à l'utiliser pour stimuler leur croissance.
