La prochaine devanture du commerce n’aura peut-être pas de vitrine

Au fil des années, j’ai souvent vu des magasins physiques compenser les faiblesses de leurs propres données. Le même produit porte des noms différents dans la caisse, l’ERP et le logiciel comptable. Les mises à jour de stock arrivent en retard. Les détails d’une promotion sont connus du personnel et n’entrent jamais dans la fiche produit. Rien de tout cela n’arrête un client : il entre, voit l’article en rayon et demande à un employé ce qui lui manque.

Jusqu’à récemment, les conséquences de ce désordre restaient à l’intérieur de l’entreprise. Elles faussaient les rapports, compliquaient la gestion des stocks et créaient du travail en plus, le coût dont j’ai déjà parlé. À mesure que davantage de clients cherchent des produits par l’IA, les mêmes incohérences commencent à décider d’autre chose : si l’offre d’un distributeur est vue ou non.

L’IA entre dans le parcours d’achat avant que le client n’ouvre un site ou ne pousse une porte. Elle aide les gens à formuler ce dont ils ont besoin, à comparer les options et à réduire un marché très large à quelques choix plausibles. Les agents commencent à aller plus loin : vérifier le prix et la disponibilité, composer des paniers, réserver des produits et, dans les limites fixées par l’utilisateur, effectuer le paiement.

La recherche change avant l’achat

L’infrastructure prend déjà forme. Le Universal Commerce Protocol de Google donne aux agents un moyen de récupérer en direct les variantes, les stocks et les prix du catalogue d’un distributeur (mars 2026). Shopify a activé par défaut ses marchands sur les canaux d’achat par IA le même mois : ChatGPT, Copilot, l’AI Mode de Google, Gemini. Adyen a réuni flux produits, paniers et paiements dans une seule intégration en juin, pour l’instant en disponibilité limitée, réservée aux grands marchands aux États-Unis. Et en juillet, Visa a fait état d’agents réalisant de vrais achats chez des marchands participants dans toute l’Europe, et non sur des boutiques de test.

Il est trop tôt pour parler d’un basculement massif vers l’achat autonome, et les enquêtes le disent clairement. Gartner a constaté que la disposition à laisser l’IA prendre la décision d’achat finale plafonnait à 11 %, et cela dans des catégories à faible enjeu comme l’hygiène et les produits ménagers. La disposition à laisser l’IA restreindre le choix était plus élevée : 31 % pour les produits ménagers, 28 % pour l’électronique personnelle. Il s’agissait de 322 consommateurs américains interrogés en janvier 2026, un petit échantillon sur un seul marché, à prendre avec prudence.

Pour un distributeur, pourtant, la liste restreinte compte déjà plus que le passage en caisse. Adobe a mesuré une hausse de 393 % sur un an du trafic des services d’IA générative vers les sites de distributeurs américains au premier trimestre 2026, après une hausse de 693 % pendant les fêtes de fin d’année 2025. Le même rapport est honnête sur la forme de cette courbe : mars seul était en hausse de 269 %, si bien que le taux de croissance ralentit à partir d’une base très faible, même si les volumes absolus augmentent. NIQ a constaté que 42 % des consommateurs américains avaient utilisé au moins un outil d’IA pour faire leurs achats au cours du mois écoulé, sur un échantillon mensuel d’environ 500 personnes.

Le chiffre que j’ai le plus de mal à écarter n’est pas le trafic. En mars 2026, ce trafic venu de l’IA convertissait 42 % mieux que tout le reste ; un an plus tôt, il convertissait 38 % moins bien.

Tous les chiffres sur les consommateurs cités ici sont américains, tirés d’échantillons de quelques centaines de personnes, et aucun ne doit être pris pour une part comparable des ventes au détail en Europe. La direction reste difficile à ignorer. Une partie de la découverte des produits se déplace vers un environnement où le client reçoit une poignée de recommandations au lieu d’une page de liens, et être absent de cette poignée pourrait finir par coûter autant que perdre la vente en caisse.

Une vitrine numérique sans e-commerce

Cela mène à une conclusion moins évidente. Un distributeur qui n’a aucune intention de créer une boutique en ligne classique peut tout de même avoir besoin d’une vitrine numérique.

Elle n’exige ni comptes clients, ni paiement en ligne, ni acquisition des paiements, ni livraison à domicile. Son premier objectif est plus modeste : permettre à une personne, ou à un agent qui agit pour elle, de comprendre ce que vend le distributeur, où un produit est disponible, combien il coûte et ce qui peut se passer ensuite. Prenez une demande ordinaire : trouve-moi deux packs d’eau plate près d’ici que je peux retirer aujourd’hui après 20 h, vérifie si ma remise fidélité s’applique, et réserve-les.

Savoir qu’une chaîne vend de l’eau en bouteille ne suffit pas pour cela. L’agent doit identifier les bons formats, vérifier la disponibilité magasin par magasin, comprendre leurs horaires d’ouverture, appliquer les règles de fidélité et déterminer si une réservation est possible. Un magasin peut se trouver au coin de la rue, avoir le produit et proposer le meilleur prix, et rester malgré tout hors du champ, parce que rien de tout cela n’existe sous une forme qu’un système peut exploiter. La transaction peut encore se faire à la caisse du magasin. Ce qui est passé en ligne, c’est le choix de l’endroit où aller.

Une telle vitrine doit être lisible par les deux publics à la fois. Un client voit des pages produits et des pages magasins ordinaires. Un agent a besoin d’attributs structurés, de prix et de stocks lisibles par une machine, de flux produits et d’actions clairement définies. Un sous-domaine dédié peut accueillir tout cela, mais publier quelques pages web ne rend pas à lui seul un distributeur visible pour les systèmes d’IA.

D’abord une vue cohérente de l’activité

Créer des pages produits est techniquement bien plus facile que de s’assurer que ce qu’elles affichent est vrai.

Le catalogue de référence vit dans un système, les ventes du moment dans un autre, les prix d’achat dans les pièces comptables, les promotions encore ailleurs. Les transferts entre magasins sont enregistrés en retard. Les retours et les mises au rebut suivent leurs propres procédures. Le stock total peut paraître tout à fait plausible alors que sa répartition entre les sites ne reflète plus la réalité, la différence entre un total et une ventilation qui tranche la plupart des enquêtes.

Un responsable expérimenté sait naviguer entre ces incohérences. Il sait quel rapport mérite un second regard, qui appeler, et quelles corrections le personnel garde en tête. Un agent externe n’a pas accès à ce savoir informel, et aucun moyen de demander.

C’est pourquoi la normalisation doit précéder la publication. Identifiants produits, variantes, unités de mesure, catégories et sites doivent être rapprochés. Le distributeur doit établir quel système fait foi pour le prix et lequel pour le stock, et à quelle vitesse un changement atteint chaque canal. La couche suivante, c’est le contexte dans lequel l’entreprise opère : un produit relié à des magasins précis, à leur emplacement et à leurs horaires, aux options de retrait et de livraison, aux services complémentaires, aux règles d’échange et aux programmes de fidélité. C’est ce graphe de connaissances opérationnel qui permet à un système de comprendre dans quelles conditions un produit peut réellement être vendu, au lieu de le traiter comme une entrée isolée du catalogue.

Chez marql, nous abordons cela depuis l’intérieur de l’environnement opérationnel. Les données de la caisse, de l’ERP, de la comptabilité et d’autres systèmes sont connectées en lecture seule et réunies dans un modèle cohérent des produits, des magasins, des ventes et des stocks. Jusqu’ici, ce socle a servi à l’analyse de gestion et aux recommandations opérationnelles. Le même socle peut servir à rendre l’activité lisible pour les clients et pour les agents IA externes.

Deux modèles concrets

Aucun des deux modèles ci-dessous n’est proposé par marql aujourd’hui. Ce qui existe, c’est le socle sur lequel ils reposent : le modèle normalisé des produits, des magasins, des ventes et des stocks décrit plus haut, alimenté par des connexions en lecture seule aux systèmes que les chaînes ont déjà. C’est ce que nous comptons construire dessus.

Lorsqu’une chaîne de magasins a déjà un site ou une application, le premier modèle placera un agent B2C dans ce canal existant. Le client parlerait directement au distributeur : poser des questions, vérifier la disponibilité, comparer des produits, composer un panier pour une recette ou une fête, réserver des articles dans un magasin donné.

La même interface pourra porter des consignes d’achat récurrentes : une commande permanente d’eau de boisson ou un panier d’épicerie de base, avec le calendrier, le budget, les substitutions autorisées et les actions qui demandent encore une confirmation, toutes définies à l’avance. Des limites claires seront importantes ici. Le confort d’un achat récurrent ne doit pas devenir un droit illimité de dépenser l’argent du client, et c’est la même question de frontière qui décide où un système automatisé peut agir seul à l’intérieur de l’entreprise.

Pour les distributeurs peu ou pas présents en ligne, le second modèle sera une vitrine hébergée sur un sous-domaine dédié, préparée à la fois pour les personnes et pour les agents. Le parcours client pourrait se terminer par une réservation, un appel téléphonique, un itinéraire vers le magasin le plus proche ou une visite en personne. Le e-commerce complet pourra venir plus tard ; ce n’est plus la seule voie vers la visibilité numérique.

Les deux commenceraient par le même travail : des données opérationnelles collectées, normalisées, vérifiées et enrichies du contexte de l’activité. Sautez cette étape, et la nouvelle vitrine ne fait qu’exposer au monde extérieur les incohérences internes de l’entreprise.

Même si le commerce agentique se développe plus lentement que ne le prévoient aujourd’hui les plateformes, ce travail n’est pas perdu. Des données produit cohérentes améliorent le reporting, la gestion de l’assortiment, le contrôle des stocks et les canaux de vente qui existent déjà. Être prêt pour les agents IA devient un rendement supplémentaire d’une infrastructure dont vous auriez eu besoin de toute façon, ce qui plaide pour la traiter comme quelque chose que l’on fait vivre plutôt qu’un projet que l’on termine.

Les magasins physiques continueront de compter, tout comme la marque, le merchandising et le conseil humain. Ce qui change peu à peu, c’est l’ordre dans lequel le client les rencontre. Avant qu’un acheteur ne voie le magasin, un système a peut-être déjà décidé quels magasins méritent d’être envisagés. La prochaine devanture n’aura peut-être ni vitrine permanente ni surface de vente. Elle existera peut-être quelques secondes dans une conversation, assemblée à partir de la version du produit, du prix, de la disponibilité et des conditions de service que le distributeur est capable d’étayer à ce moment-là.