BlogRecherche IA et commerce
La recherche IA devient un canal de vente
Le shopping assisté par l’IA transforme la découverte de produits, les recommandations et le paiement. Ce que les données récentes impliquent pour la visibilité e-commerce et la mesure des ventes.
Un client peut choisir votre produit dans ChatGPT, chercher un revendeur sur Google et acheter via l’application de celui-ci. Votre marque a influencé la décision. Votre site n’a peut-être reçu aucune visite. Et vos outils d’analyse n’attribuent peut-être le mérite ni à ChatGPT, ni à votre entreprise.
C’est là que réside l’enjeu commercial de la recherche IA : elle peut orienter la demande avant même qu’une transaction ne devienne visible pour le vendeur. Pour une entreprise, la question n’est donc plus seulement de savoir si un assistant peut répondre à une question sur un produit. Il s’agit de savoir s’il cite le bon produit, s’il explique correctement les avantages et les inconvénients, et s’il envoie le client vers un endroit où il peut l’acheter.
Les données disponibles en octobre 2026 justifient de prendre le sujet au sérieux. Elles ne permettent pas pour autant de considérer l’IA comme le canal d’achat dominant, ni de supposer que davantage de recommandations se traduisent automatiquement par davantage de chiffre d’affaires. Les entreprises doivent distinguer la décision, la visite référente et la commande.
La liste de présélection devient une interface commerciale
La découverte de produits classique propose à l’acheteur un ensemble de pages à explorer. La découverte conversationnelle peut transformer un besoin en liste de présélection : un ordinateur portable léger pour des déplacements fréquents, un lave-vaisselle pour une cuisine étroite, un fournisseur capable de livrer un composant précis dans l’UE.
Le vrai changement tient au travail délégué. L’acheteur peut demander à l’assistant de déterminer quels critères comptent, d’écarter les options inadaptées et de comparer celles qui restent. Une entreprise est donc en concurrence sur l’adéquation de son offre à une situation précise, et pas seulement sur la capacité de sa page à générer un clic.
Prenons l’exemple hypothétique d’un acheteur qui cherche un nouveau fauteuil de bureau à moins de 400 €, adapté à un petit bureau et livrable la semaine prochaine. Une affirmation générale sur un design ergonomique n’offre guère de base de comparaison. Les dimensions, les réglages, les restrictions de livraison, le stock, la garantie et les conditions de retour rendent l’offre évaluable. Ces informations aident le client à décider, même si la vente se conclut finalement ailleurs.
Il s’agit d’une interprétation éditoriale de ce nouveau parcours, et non d’une prétention à connaître les critères de classement d’une plateforme. L’opportunité consiste à rendre les informations commerciales disponibles et crédibles. C’est toujours la plateforme qui décide de ce qu’elle affiche.
Ce qui a changé en 2026
L’annonce d’OpenAI du 24 mars a déplacé l’accent de son offre shopping vers une comparaison et une découverte de produits plus riches, avec l’extension de l’ACP, l’Agentic Commerce Protocol, aux données produits. Elle décrivait des comparaisons côte à côte, des flux marchands et une intégration à Shopify Catalog, tout en laissant aux marchands davantage de liberté sur le paiement. Il s’agissait d’une évolution de l’orientation produit, et non de la preuve que les acheteurs avaient adopté l’achat autonome à grande échelle. Annonce produit d’OpenAI
La page actuelle destinée aux marchands confirme cette orientation : elle décrit une découverte suivie d’un achat sur le site ou l’application du marchand, et indique s’éloigner d’une expérience Instant Checkout autonome. Son programme marchand présente toujours le shopping comme disponible aux États-Unis, avec une expansion régionale plus large prévue. Il ne faut pas en déduire que toutes les fonctionnalités conversationnelles de recherche de produits sont indisponibles ailleurs. Informations d’OpenAI pour les marchands, consultées le 28 octobre
Une nuance s’impose. L’aide d’OpenAI destinée aux consommateurs indique toujours que certains produits et marchands éligibles peuvent proposer Instant Checkout. La même page documente désormais l’essayage virtuel de vêtements et l’enregistrement de produits dans la Bibliothèque. Ce sont des fonctionnalités utiles pour découvrir et évaluer ; un essayage illustratif ne garantit pas la bonne taille. Les pages officielles décrivent des périmètres différents : ni « tout le shopping se fait dans ChatGPT », ni « le paiement dans le chat a complètement disparu » ne constituent un résumé fiable. Aide de ChatGPT sur le shopping
Google développe une infrastructure commerciale plus large. L’entreprise a annoncé l’Universal Commerce Protocol le 11 janvier, puis présenté Universal Cart et de nouvelles fonctionnalités UCP en mai. Cette dernière annonce inclut à la fois le paiement avec Google Pay et la redirection vers le site du marchand. L’UCP relie des systèmes commerciaux ; ce n’est pas une balise SEO qui rendrait une page produit ordinaire éligible à toutes les fonctionnalités d’achat. Annonce de Google de janvier, mise à jour commerce de mai
Le hub développeurs actuel de Google comprend des inscriptions sur liste d’attente et des fonctionnalités propres à chaque surface. Un e-commerçant européen devrait vérifier son intégration réelle et l’éligibilité de son marché avant de budgéter une expérience de paiement sur la plateforme. La publication d’un protocole, l’annonce de l’intégration d’un revendeur et la disponibilité d’une fonctionnalité pour un client donné sont trois étapes distinctes. Hub développeurs UCP de Google
Une forte croissance peut coexister avec un petit canal
La synthèse du rapport de septembre de Similarweb évalue les visites référées par l’IA générative à 0,4 % des visites e-commerce dans le commerce de détail, malgré une croissance de 203 % sur un an. Les deux chiffres peuvent être vrais : un petit canal peut croître rapidement. La synthèse publique ne fournit pas assez de détails sur les cohortes pour considérer cette part comme une prévision pour une boutique en particulier. Présentation du rapport Similarweb
Le communiqué qui l’accompagne indique aussi que dans 89 % des cas, les consommateurs qui utilisent l’IA pour leurs recherches d’achat utilisent également la recherche classique. C’est la preuve de parcours qui se recoupent dans l’analyse de Similarweb, pas un pourcentage de l’ensemble des consommateurs ou des achats. L’interprétation raisonnable pour une entreprise est que les canaux se combinent. Un plan marketing fondé sur le remplacement pur et simple de la recherche irait au-delà de ce que montrent ces données. Communiqué de Similarweb
Adobe propose un autre angle, mesuré sur les sites des commerçants. Ses données de juillet indiquent que les visiteurs référés par l’IA sur les sites de commerce américains convertissent 60 % plus souvent que le trafic hors IA. Il s’agit d’un écart relatif de taux de conversion, pas d’un taux de conversion de 60 %. Il concerne les visiteurs arrivés sur le site, pas toutes les personnes ayant consulté un assistant. Résultats d’Adobe de juillet
Une conversion plus élevée parmi les visiteurs est intéressante sur le plan commercial. Elle ne prouve pas que l’IA a provoqué ces achats. Les personnes qui cliquent après une longue comparaison sont peut-être déjà particulièrement motivées, et la répartition des catégories, des enseignes et des clients peut différer de celle des autres canaux. Les recherches antérieures d’Adobe décrivent un jeu de données transactionnelles couvrant plus de mille milliards de visites sur des sites de commerce américains, ainsi qu’une enquête distincte auprès de plus de 5 000 répondants. Ce sont des sources substantielles, mais aucune ne constitue un test randomisé de la contribution incrémentale de l’IA. Contexte méthodologique d’Adobe
OpenAI publie désormais un autre indicateur : sa page publicitaire consacrée aux fêtes de fin d’année fait état de plus de 1,7 milliard de requêtes liées au commerce et à l’e-commerce par semaine, d’après des données internes de septembre, et indique qu’environ 43 % des conversations liées au shopping portaient sur la comparaison et l’évaluation au cours d’une période ultérieure de quatre semaines. Requêtes, conversations, visiteurs et commandes sont des unités différentes. Ces chiffres de plateforme indiquent une activité ; ils ne peuvent pas être additionnés aux statistiques de visites référées ni servir à calculer un taux de conversion de marché. Ils proviennent en outre d’une page qui vend de la publicité. Chiffres d’OpenAI pour les fêtes et périodes concernées
01 Les données en bref
Croissance rapide. Part encore faible.
L’IA gagne du terrain dans les parcours d’achat, mais croissance, part de trafic et conversion sont des mesures différentes.
+203 %
Croissance des visites référées par l’IA générative
Sur un an, dans l’analyse e-commerce de Similarweb.
0,4 %
Part des visites e-commerce
Visites référées par l’IA générative, dans le même rapport Similarweb.
| Résultat | Ce qui a été mesuré | Source |
|---|---|---|
| 89 % | Les recherches d’achat recoupent la recherche classiqueParmi les consommateurs utilisant l’IA pour leurs recherches d’achat, la recherche classique était aussi utilisée, selon l’analyse de Similarweb. | Similarweb |
| +60 % | Taux de conversion plus élevé chez les visiteurs référés par l’IAPar rapport au trafic hors IA, dans l’étude d’Adobe sur les visiteurs de sites de commerce américains ; il ne s’agit pas d’un taux de conversion de 60 %. | Adobe |
Sources : Similarweb, State of Ecommerce 2026 et communiqué associé ; résultats d’Adobe de juillet. Ces chiffres portent sur des populations, des mesures et des dénominateurs différents. Ils ne doivent pas être comparés comme des statistiques équivalentes de conversion ou de part de marché.
Recommander le produit ne détermine pas qui réalise la vente
Un fabricant, un revendeur et une place de marché peuvent tirer chacun un bénéfice différent de la même réponse.
Si un assistant recommande un aspirateur précis mais renvoie vers une grande enseigne, le fabricant peut gagner en demande tandis que sa boutique en ligne perd l’occasion de capter la commande. L’enseigne gagne un client ; la marque ne perçoit peut-être que le chiffre d’affaires de gros. Un outil de suivi des mentions de marque passerait à côté de cette distinction.
Une petite enquête menée en octobre par WISLR illustre le problème. Sur quatre marques de produits suivies, elle indiquait que 56 % des boutons renvoyant vers des revendeurs pointaient vers de grandes enseignes et environ 5 % vers la boutique en ligne de la marque, du 10 au 13 octobre. Elle signalait aussi une perte temporaire des informations permettant d’identifier la source de la visite lors de ses tests de liens. Il s’agit d’une étude courte, menée par un observateur ayant un intérêt commercial, avec de petits effectifs par marque. C’est une raison d’examiner les destinations et le suivi, pas une estimation à l’échelle du marché ni la preuve d’un algorithme de sélection. Observations et limites de WISLR
Pour les fabricants, une étude de visibilité dans l’IA devrait donc consigner séparément le produit recommandé, la source citée et la destination d’achat. Les fiches des revendeurs méritent autant d’attention que le site de la marque : un stock erroné, des variantes incomplètes ou des caractéristiques incohérentes peuvent affecter le client, quelle que soit l’organisation propriétaire de la page.
Un système de mesure a besoin de quatre relevés distincts
Les preuves de recommandation proviennent des réponses conservées à un ensemble défini de questions d’achat. Consignez si le produit constitue une recommandation pertinente, comment il est décrit, quelles pages sont citées et où mènent les liens d’achat. Cela mesure les réponses testées, pas la demande totale.
Les preuves de visites référées proviennent des outils d’analyse et des observations côté serveur. Conservez les paramètres de campagne à travers les redirections, vérifiez les sources IA reconnues et testez un petit nombre de liens sortants réels. Une modification du suivi peut changer le libellé sans que le comportement des clients ne change. À l’inverse, toute hausse du trafic direct n’est pas forcément du trafic IA masqué.
Les preuves de transaction proviennent des commandes finalisées et dédoublonnées. Reliez les visites identifiables aux achats lorsque votre dispositif de mesure le permet, et examinez le chiffre d’affaires, la marge, les annulations et les retours. Un bouton de paiement, un ajout au panier ou une intégration de protocole n’est pas une vente conclue.
La valeur incrémentale pose une question plus difficile : que s’est-il passé grâce au canal qui ne se serait pas produit autrement ? Les rapports d’attribution répartissent le mérite selon une règle. Ils ne fournissent pas ce scénario contrefactuel. Lorsque les volumes le justifient, des interventions contrôlées ou des comparaisons soigneusement conçues peuvent aider ; pour un petit commerçant, le point de départ honnête peut être un reporting descriptif qui affiche clairement son incertitude.
Gardez ces relevés côte à côte. Un taux de conversion élevé ne peut pas sauver un canal au volume négligeable et à la marge faible. Un faible nombre de visites référées ne permet pas d’exclure une influence plus tôt dans la décision. Le travail consiste à expliquer les deux sans transformer discrètement l’un ou l’autre en estimation de chiffre d’affaires.
02 Cadre de mesure
Quatre relevés. Quatre questions différentes.
Une recommandation n’est pas une visite. Une visite n’est pas une commande. Une commande, à elle seule, ne prouve pas une valeur incrémentale.
| Preuve | Ce qu’elle peut établir | Ce qu’elle ne peut pas établir à elle seule |
|---|---|---|
| 01Recommandation | Si un produit a été recommandé pour un besoin d’achat défini, dans un échantillon de réponses enregistré. | Que le client a visité un site ou effectué un achat. |
| 02Visite référée | Si une visite mesurable provient d’une source IA identifiable. | L’influence totale de l’IA plus tôt dans le parcours client. |
| 03Transaction | Si une commande finalisée et dédoublonnée a été enregistrée et reliée à une visite lorsque c’est possible. | Que l’exposition à l’IA a provoqué la commande. |
| 04Valeur incrémentale | Avec une comparaison ou une expérimentation adaptée, si un canal a généré des résultats supplémentaires. | Une conclusion causale à partir des seuls rapports d’attribution. |
Mesurez séparément la recommandation, la visite référée et l’achat avant d’affirmer quoi que ce soit sur l’impact commercial.
Cadre éditorial de Search Orchard, fondé sur la partie de l’article consacrée à la mesure. La « valeur incrémentale » exige un protocole causal adapté ; ce n’est pas un indicateur directement observable dans les rapports habituels de visites référées ou de commandes.
Ce que les entreprises devraient faire dès maintenant
L’investissement le plus solide porte sur des informations commerciales qui restent utiles quel que soit le parcours d’achat. Tenez à jour les identifiants produits, les variantes, les caractéristiques, les prix, la disponibilité, les conditions de livraison et de retour. Veillez à la cohérence entre vos flux et vos pages publiques. Expliquez les contraintes et les cas d’usage réels au lieu de vous contenter de descriptions interchangeables.
Traitez l’intégration comme une décision à part. Vérifiez s’il existe déjà une voie prise en charge pour votre catalogue, si le marché concerné est éligible et si le volume attendu justifie un travail technique supplémentaire. OpenAI indique qu’un flux direct est facultatif lorsque ses systèmes explorent déjà un site ; un flux peut améliorer la maîtrise des informations produits, mais il ne garantit pas la sélection. Recommandations sur les flux marchands
Conservez le SEO classique. Les clients utilisent toujours la recherche pour vérifier une affirmation, trouver un marchand et revenir vers un produit. Les recommandations de Google indiquent elles-mêmes que les bonnes pratiques SEO établies restent pertinentes pour ses fonctionnalités d’IA. L’éligibilité et un contenu utile comptent toujours ; aucun balisage particulier ne garantit une apparition dans l’IA. Recommandations de Google sur les fonctionnalités d’IA
Pour une entreprise qui se demande par où commencer, le premier examen devrait relier la qualité des données produits, l’accès technique et la mesure. C’est là qu’un audit SEO peut établir les contraintes concrètes avant un programme de visibilité dans la recherche IA plus large.
La vente peut commencer avant la visite
La recherche IA devient un canal de vente parce qu’elle peut influencer la réflexion et orienter les clients vers un achat. Maîtriser l’écran de paiement n’est qu’une des formes possibles de ce rôle.
L’opportunité immédiate consiste à rendre votre offre facile à évaluer et à comprendre quelle organisation reçoit la demande qui en résulte. Mesurez séparément la recommandation, la visite référée et l’achat. Investissez là où les données montrent des clients pertinents et une valeur commerciale, tout en gardant le sens de la mesure face aux promesses expérimentales de paiement intégré.
Pour aller plus loin dans la mesure, lisez pourquoi ChatGPT peut ne pas recommander une entreprise et ce que mesurent réellement les nouveaux rapports IA de Google.