Quand c'est l'IA qui fixe les attentes

Une recommandation de l'IA peut façonner les attentes d'un client avant la première visite. Que se passe-t-il lorsque ces attentes rencontrent les informations de l'entreprise ?

Par Stefano Zoia · · 6 min

Ce que les données montrent

L’IA peut influencer des décisions d’achat avant que le client n’atteigne le commerçant. Des recherches distinctes documentent des incohérences de prix et de stock entre les canaux, sans établir à quelle fréquence elles affectent les réponses de l’IA.

Ce qui reste inconnu

Aucune des études examinées ici ne mesure directement l’écart entre ce qu’affirme un assistant et les informations vérifiées d’un commerçant, ni son effet sur les ventes.

Ce qu’une entreprise peut faire

Vérifier un petit nombre d’affirmations qui comptent — prix, disponibilité, livraison et retours — par rapport à des informations fiables, en consignant les erreurs, les conditions omises et les évolutions dans le temps.

Imaginez un client qui arrive sur le site d’un commerçant après qu’un assistant IA lui a recommandé un produit et lui a présenté les retours comme gratuits. Le produit est le bon. Le prix est le bon. Mais les retours gratuits ne valent que pour les membres du programme de fidélité.

Le client doit maintenant résoudre une contradiction avant de décider s’il achète.

C’est un exemple hypothétique, mais il décrit un problème concret. Une fiche produit peut être lue comme la confirmation ou le démenti d’une affirmation que l’entreprise n’a jamais faite.

L’entreprise maîtrise ce qu’elle publie. Elle maîtrise beaucoup moins la façon dont un assistant sélectionne, combine et nuance ces informations. Le client, lui, vit les deux comme les composantes d’une même décision d’achat.

Être recommandé a de la valeur. Ce que cette recommandation amène à tenir pour acquis mérite aussi de l’attention.

Une recommandation ne clôt pas la décision

Une enquête Contentsquare auprès de 2 000 consommateurs en France et aux États-Unis, terrain réalisé par Pollfish, indique que 47 % déclarent que l’IA a modifié une décision d’achat finale, tandis que 57 % déclarent avoir conclu un achat guidé par elle. [1]

Ce sont des expériences déclarées dans deux marchés, non une mesure de la part des achats attribuable à l’IA. Elles suggèrent que, pour une partie des clients, un assistant contribue déjà à fixer les termes selon lesquels un commerçant sera évalué.

La même enquête a demandé aux répondants ce qu’ils feraient si, après une recommandation de l’IA, le site les décevait. Seuls 3 % iraient jusqu’au paiement ; 57 % poursuivraient leurs recherches, 23 % se tourneraient vers un concurrent et 16 % abandonneraient.

Ces réponses décrivent des intentions hypothétiques. La « déception » est par ailleurs une catégorie plus large qu’une contradiction : un site lent, une navigation confuse ou des frais de livraison inattendus produiraient la même réaction.

L’observation utile est plus étroite. La majorité des répondants dit qu’elle continuerait à comparer, par de nouvelles recherches ou en allant ailleurs. La recommandation n’avait pas clos la décision.

Le comportement observé donne une autre raison d’examiner cette étape du parcours. Adobe rapporte qu’en mars 2026, les visites issues de sources IA ont converti 42 % mieux que le trafic non-IA sur les sites de commerce américains analysés. Un an plus tôt, elles convertissaient 38 % moins bien. [2]

Ce renversement déconseille de traiter l’un ou l’autre chiffre comme une propriété durable du canal. Le taux de conversion plus élevé est compatible avec des visiteurs arrivant à un stade plus avancé de leur décision, mais il n’établit ni pourquoi ils convertissent mieux, ni comment ils réagissent à une information discordante.

Il indique en revanche qu’il s’agit d’un trafic à comprendre au-delà du simple décompte des renvois.

La concordance ne suffit pas

La réponse d’un assistant et la page d’une entreprise peuvent diverger pour plusieurs raisons.

L’assistant peut se tromper. La page peut ne pas être à jour. Les deux peuvent être exacts pour des pays, des variantes de produit ou des catégories de clients différents. Un prix peut avoir changé entre la recommandation et la visite.

Deux sources peuvent aussi concorder et se tromper toutes les deux.

L’objectif ne peut pas être simplement de faire coïncider le site avec la réponse. Les deux doivent être vérifiés par rapport à des informations dont l’entreprise peut répondre, assorties des conditions qui s’appliquent.

Une politique de retour, c’est davantage que « gratuit » ou « payant ». Elle peut dépendre de l’adhésion à un programme, du pays, de la catégorie de produit et du délai depuis la livraison. La disponibilité exige un lieu et un horodatage. Une certification exige un périmètre et une source vérifiable.

Ces détails peuvent changer une décision d’achat. Ils se perdent aussi facilement lorsqu’une politique complexe devient une réponse brève et assurée.

La recherche mesure des problèmes voisins

Aucune des études examinées ici ne mesure directement la fréquence à laquelle la description d’un commerçant par un assistant IA contredit des informations vérifiées, puis n’en suit l’effet sur les achats. L’ampleur et l’impact commercial de cet écart restent des questions ouvertes.

Il existe en revanche des éléments sur les incohérences internes aux entreprises elles-mêmes. La quatrième édition du State of Commerce de Salesforce a interrogé 3 450 professionnels du commerce dans 20 pays. Parmi les organisations multicanales, 41 % signalent des prix et promotions incohérents entre les canaux et 40 % un stock non synchronisé en temps réel. [3]

Ces résultats n’établissent pas qu’un assistant donnera une réponse erronée. Ils montrent que certaines entreprises peinent déjà à maintenir des informations cohérentes entre les systèmes à partir desquels une réponse pourrait être assemblée.

Salesforce vend des produits qui traitent ces problèmes. Cet intérêt commercial est un élément de contexte pertinent pour interpréter la recherche, non une raison de l’écarter ni de lui accorder un poids particulier.

Un audit distinct d’Empirank a examiné 1 257 affirmations factuelles vérifiables portant sur 182 entreprises recommandées par une configuration OpenAI avec recherche active. Il relève au moins une affirmation contredite pour 11 % des entreprises ; 38 % des affirmations n’ont pu être ni confirmées ni infirmées. [4]

L’audit porte sur des commerces locaux et une seule configuration, non sur les recommandations de produits en général. Sa contribution utile ici est la distinction entre une affirmation contredite et une affirmation invérifiable.

Une affirmation non étayée n’est pas nécessairement fausse. Mais si le client ne peut pas la vérifier, elle laisse à l’entreprise un problème différent de celui d’un prix ou d’une politique manifestement erronés.

Ces études emploient des méthodes, des populations et des contextes différents. Ensemble, elles donnent des raisons d’enquêter. Elles ne fournissent pas une estimation unique du risque.

Commencer par quelques affirmations qui comptent

Une entreprise peut examiner sa propre exposition sans attendre une étude de marché complète.

On part des questions que les clients posent avant d’acheter. On retient un ensemble gérable de cas où une réponse trompeuse pourrait modifier sensiblement la décision : prix total, disponibilité, livraison, retours, conditions d’éligibilité ou certification.

Pour chaque réponse, on conserve la requête, l’assistant, la date, le marché et les sources citées. On répète les questions dans le temps. Une réponse isolée est une observation, non un compte rendu fiable de ce que voit chaque client.

On compare la réponse à une source fiable arrêtée en interne, puis à la page publique que le client rencontrerait. Si ces deux sources divergent déjà, c’est en soi un résultat.

Consigner séparément :

Cette distinction aide à décider quoi corriger. Une page périmée doit être mise à jour. Des données de canal discordantes doivent être réconciliées. Une restriction omise peut appeler une formulation publique plus claire. Une affirmation de certification invérifiable appelle des éléments de preuve ou une correction.

L’erreur d’un modèle peut persister même lorsque les informations de l’entreprise sont exactes et accessibles. Améliorer la source ne garantit pas la maîtrise de la réponse.

L’audit doit donc consigner à la fois l’écart et ce que l’entreprise peut y faire. Le répéter après une correction montre si les réponses échantillonnées évoluent.

On mesurerait ainsi l’exactitude et la complétude des réponses dans des conditions documentées. Cela ne révélerait pas, à soi seul, combien de clients les ont vues ni combien de ventes en ont été affectées. Ces questions demandent d’autres éléments.

Rendre l’attente vérifiable

La visibilité indique à une entreprise si elle est apparue dans une réponse échantillonnée. Elle ne lui dit pas si cette réponse a créé une attente qu’elle est en mesure de satisfaire.

La question suivante utile est précise : lorsqu’un assistant décrit nos prix, nos politiques ou nos capacités, quelles affirmations pouvons-nous vérifier, quelles conditions disparaissent, et où le client rencontre-t-il une version différente ?

Les éléments examinés ici n’établissent pas l’ampleur de cet écart. Ils donnent des raisons suffisantes de commencer à le mesurer.

Pour un client à qui l’on a dit que les retours étaient gratuits, la distinction devient concrète au moment où il découvre les conditions. C’est là que la recommandation rencontre l’entreprise — et là qu’il faut à l’entreprise une réponse propre, claire et exacte.

— Stefano

Sources

  1. Jérôme Pouponnot, « Parcours d’achat : comment l’IA bouscule les décisions des clients », RelationClientMag.fr, 4 septembre 2026, rapportant une étude Contentsquare, terrain réalisé par Pollfish.
  2. Vivek Pandya, « U.S. retailers see surge in AI traffic, but many websites are not entirely readable by machines », Adobe Digital Insights, 16 avril 2026.
  3. Salesforce, « Shopping’s New First Step: Agentic Search Grows 200% », State of Commerce, quatrième édition, 28 juillet 2026.
  4. Luís Rijo, « 1 in 9 businesses OpenAI recommended carried a wrong claim, audit finds », PPC Land, 24 août 2026, rapportant l’audit Empirank AIV-009.