Commerce agentique : comment les marchands doivent restructurer leurs données produit et leurs API pour les acheteurs IA

Le nouveau client qui n’ouvre jamais un navigateur

Pendant trente ans, l’optimisation du commerce en ligne signifiait améliorer l’expérience d’un être humain regardant un écran : chargements plus rapides, navigation plus claire, photographies produit persuasives, checkout simplifié. La hiérarchie des métriques — trafic, sessions, taux de conversion, valeur moyenne de commande — supposait que l’entité prenant la décision d’achat était une personne.

Cette hypothèse est en train d’être silencieusement démantelée. En 2026, les agents d’achat IA — opérant pour le compte des consommateurs via des plateformes comme ChatGPT shopping, Microsoft Copilot Checkout, Perplexity shopping et les flux d’achat Gemini de Google — prennent des décisions de découverte de produits et de checkout sans qu’un humain navigue sur une page produit. Ces agents ne « regardent » pas un site web. Ils interrogent des API, analysent des données structurées, évaluent l’exhaustivité des attributs et sélectionnent des produits sur la base de descriptions lisibles par machine plutôt que de merchandising visuel.

Les recherches émergentes rendent ce changement comportemental concret. 73 % des consommateurs utilisent déjà l’IA dans leur parcours d’achat. 70 % sont à l’aise avec des agents IA effectuant des achats en leur nom. 90 % des achats B2B seront intermédiés par des agents IA d’ici 2028, selon l’analyse de commercetools. L’implication est directe : la relation d’un marchand avec son client est de plus en plus médiatisée par un agent IA que le marchand ne peut pas voir, contrôler, ni influencer via les leviers traditionnels du marketing numérique.

Les marchands qui comprennent cela — et qui restructurent en conséquence — voient déjà des résultats. Nexus Apparel (une étude de cas documentée par Presta) a ajouté 15 nouveaux attributs à leur primitive de découverte UCP : « Sustainability Score », « Breathability Index » et des champs similaires orientés intention. Le résultat : une hausse de conversion de 40-60 % par rapport au checkout mobile traditionnel et un coût d’acquisition client 35 % plus bas que le trafic piloté par Google Ads. Une augmentation de 210 % des « Proxy Sales » (transactions initiées par agent) dans les 60 jours a suivi.

Pourquoi le SEO standard ne fonctionne pas pour les agents IA

L’optimisation pour les moteurs de recherche traditionnelle a été construite pour des crawlers qui indexent du texte et retournent des URLs classées à des humains qui prennent ensuite la décision finale. L’optimisation pour les moteurs d’agents (AEO) — la pratique émergente d’optimisation pour la découverte par agents IA — fonctionne selon des mécaniques fondamentalement différentes.

Quand un consommateur demande à un agent IA de « trouver un ordinateur portable reconditionné à moins de 60 000 DZD avec au moins 16 Go de RAM et une batterie qui dure 8 heures », l’agent ne retourne pas une liste de liens. Il sélectionne un produit directement, déclenche un flux de checkout et complète la transaction. L’algorithme de sélection pondère l’exhaustivité des attributs (ce listing produit a-t-il un champ d’autonomie de batterie vérifié ?), la précision des stocks (est-il vraiment disponible ?), la latence de réponse API (l’agent peut-il récupérer les données en moins de 2 secondes ?) et les signaux de confiance (le vendeur est-il accrédité dans le manifeste UCP ?).

Un marchand dont le catalogue produit a des titres et descriptions riches optimisés pour le SEO mais pas de champs d’attributs structurés sera invisible pour ce processus de sélection — non pas mal classé, mais catégoriquement absent du champ de considération.

Ce que les marchands doivent faire pour être prêts pour les agents

1. Reconstruire votre catalogue produit autour d’attributs lisibles par machine

L’investissement technique de base est l’enrichissement des attributs : passer de descriptions produit lisibles par l’homme à des champs d’attributs structurés et interrogeables que les agents IA peuvent évaluer directement. Le cadre UCP recommande d’exposer un manifeste /.well-known/ucp couvrant quatre espaces de noms API principaux : Découverte (requêtes produit), Panier (gestion d’état persistant), Checkout (exécution des transactions) et Gestion des commandes (suivi de l’exécution). Au-delà du manifeste, les fiches produit individuelles nécessitent des schémas d’attributs enrichis. Les champs génériques comme « couleur : bleu » sont insuffisants — les systèmes d’agents opérant pour le compte de consommateurs avec des préférences spécifiques ont besoin de granularité. L’étude de cas Nexus Apparel a montré que l’ajout de 15 attributs orientés intention augmentait directement la fréquence à laquelle les agents IA recommandaient la marque par rapport aux concurrents avec des produits équivalents mais des données plus minces.

2. Fixer des objectifs de latence des API avant qu’ils ne soient fixés pour vous

Le cadre UCP spécifie que les agents IA « passeront à un concurrent plus rapide » si les réponses API dépassent 2 secondes, avec des objectifs d’entreprise inférieurs à 100 millisecondes pour les implémentations edge. Ce n’est pas un objectif ambitieux — c’est un seuil binaire. Un agent interrogeant dix marchands concurrents pour un produit sélectionnera dans le sous-ensemble qui répond dans sa tolérance de latence. Les marchands opérant sur un hébergement partagé, une infrastructure API héritée non optimisée ou des plateformes non conçues pour le débit de requêtes machine-à-machine échoueront ce seuil sans intervention.

3. Implémenter Agent Payments Protocol 2 avant que le checkout autonome ne devienne standard

AP2 est le cadre d’autorisation qui permet aux agents IA de compléter des transactions pour le compte des consommateurs sans exposer les identifiants de paiement complets du consommateur à l’agent. Les transactions nécessitent des « tokens d’exécution à usage unique » et des « limites de dépenses délimitées » plutôt qu’un accès direct aux données de carte. Pour les marchands, l’implémentation AP2 signifie l’intégration avec des prestataires de paiement qui supportent l’autorisation d’agent basée sur des tokens : Stripe, PayPal et Shopify Payments ont tous publié des feuilles de route AP2. Les marchands qui complètent l’intégration AP2 avant qu’elle ne soit largement requise captureront les transactions initiées par agent qui échouent actuellement ou tombent en mode checkout humain — une fuite de revenus significative dans toute catégorie où l’achat agentique est déjà actif.

4. Restructurer les pipelines de données post-achat pour les boucles de feedback d’agents

Les agents d’achat IA apprennent quels marchands recommander sur la base des résultats post-achat : l’article est-il arrivé comme décrit ? Le processus de retour était-il sans friction ? Le flux de confirmation de livraison s’intégrait-il avec la complétion de tâche de l’agent ? Les marchands dont les API de gestion des commandes n’exposent pas d’événements de fulfillment structurés (expédié, en cours de livraison, livré, retour initié) aux plateformes d’agents recevront systématiquement des scores de confiance plus bas au fil du temps, quelle que soit la qualité de leur catalogue produit.

Ce qui vient ensuite pour la stratégie marchands

La transition vers le commerce agentique n’attend pas que les marchands complètent leur travail de préparation. Microsoft Copilot Checkout, opérationnel depuis le 8 janvier 2026, rapporte déjà que les parcours incluant Copilot génèrent 53 % d’achats de plus dans les 30 minutes. Les Agentic Storefronts de Shopify, opérationnels depuis fin mars 2026, ont donné à « des millions de marchands » une présence surface unique dans ChatGPT, Copilot, Gemini, Meta et Perplexity — mais une présence surface unique avec des données produit maigres produit des résultats maigres.

La dynamique concurrentielle entre marchands n’est pas encore résolue. Les marchands qui complèteront l’enrichissement des catalogues, le durcissement de l’infrastructure API et l’intégration AP2 dans les 12 prochains mois auront un avantage structurel pendant la période où les plateformes d’agents construisent activement leurs modèles de confiance marchands. Les marchands qui tardent constateront que les modèles de confiance sont déjà formés — et reconditionner les scores de confiance d’une plateforme d’agents prend beaucoup plus de temps que de les construire correctement la première fois.

La recommandation pour tout marchand générant plus d’un million de dollars de revenus annuels en ligne est directe : traitez la préparation aux agents comme une priorité technique du T3 2026, pas un élément de planification du T4. Les clients qui n’navigueront pas sur votre site web font déjà leurs courses.

Questions Fréquemment Posées

Sources et lectures complémentaires

• The Agentic Commerce Opportunity — McKinsey & Company
• AI Trends Shaping Agentic Commerce — commercetools
• Agentic Commerce & Payments: The Future of Shopping — J.P. Morgan
• AI Shopping Agents & UCP: The 2026 Strategic Guide — WeArePresta