Le véritable business du commerce électronique basé sur l'IA est caché avant le paiement de l'utilisateur

Au cours des trente dernières années, l'infrastructure du commerce électronique n'a cessé d'optimiser une seule action : permettre aux utilisateurs d'appuyer plus facilement sur le bouton d'achat. La caisse en un clic, la tokenisation des preuves de paiement, la reconnaissance faciale et la validation par empreinte digitale, tout cela vise à réduire la friction au moment du paiement.

Mais lorsque l'Agent AI entre dans le processus d'achat, le changement commence avant le paiement. L'enjeu pour l'Agent est de comprendre l'intention de l'utilisateur, de filtrer les produits, de constituer le panier, et d'exécuter la prochaine étape dans le cadre d'une autorisation claire.

Ainsi, le commerce agentique ne peut pas être uniquement considéré comme un problème de paiement. Le paiement reste important, mais il n'est que la dernière étape de la chaîne d'achat. La première transformation opérée par l'IA concerne le processus qui précède l'approbation de la transaction.

1. L'intention de l'utilisateur devient une contrainte exécutable

Dans le commerce traditionnel, la décision d'achat humaine se déroule généralement sous la forme d'une navigation web prolongée et aléatoire. Recherche, clic sur la page du produit, comparaison d'avis, changement de plateforme, tout cela étant influencé par le prix, la conception de la page, les promotions et les recommandations.

Mais lorsque l'Agent agit au nom de l'utilisateur, le processus décisionnel avant la caisse est réorganisé. L'utilisateur ne fournit pas nécessairement une plateforme ou un produit précis, mais une description en langage naturel contenant plusieurs contraintes. Ces contraintes incluent souvent : un plafond budgétaire clair, un délai de livraison spécifique, une liste noire de marques à exclure, et des préférences paramétriques personnalisées.

Autrefois, ces conditions n'étaient que des préférences dans l'esprit de l'utilisateur ; désormais, elles deviennent des règles de filtrage que l'Agent doit appliquer lors de l'exécution de la tâche. L'Agent doit transformer une demande en langage naturel en contraintes compréhensibles, comparables et exécutables par une machine.

Cela modifie la répartition de la valeur dans la chaîne commerciale. Autrefois, les commerçants se disputaient les clics et les conversions sur la page du produit ; à l'avenir, de nombreux produits seront d'abord filtrés par l'Agent. La page reste importante, mais ce sont désormais les données produit, les prix en temps réel, la précision des stocks, les promesses de livraison, les règles de retour et la structure des paramètres qui détermineront si un produit peut entrer dans la liste des candidats.

2. La réponse générée par l'IA devient une nouvelle interface de présentation des produits

Ces structures de paramètres détermineront d'abord si un produit peut entrer dans la liste des candidats. Après avoir décomposé l'intention de l'utilisateur en contraintes, celles-ci seront d'abord introduites dans des moteurs de recherche et modèles IA, ce qui engendre une toute nouvelle interface de présentation des produits.

Si l'entrée du commerce traditionnel est la page de résultats de recherche, alors la nouvelle vitrine de l'IA commerce est la réponse générée directement par le modèle.

Autrefois, lorsqu'un utilisateur cherchait une solution à un problème de consommation, il voyait une série de pages web, publicités, évaluations et liens e-commerce. Les marques rivalisaient pour le classement, le clic et la conversion ; l'utilisateur devait ouvrir chaque page, comparer les paramètres, juger de la véracité des informations.

Aujourd'hui, la recherche générative IA raccourcit ce processus. Des produits comme AI Overview, ChatGPT ou Copilot condensent plusieurs sources en une seule réponse, fournissant directement une liste de produits candidats, de scénarios d'utilisation et de conseils d'achat. L'utilisateur ne clique pas forcément sur une dizaine de liens, ni ne sait forcément quelles sources ont été consultées pour générer la réponse. La marque doit désormais se battre pour apparaître dans la liste des réponses IA.

C'est aussi pour cela que le GEO est plus sensible que le SEO, car il influence non seulement la visibilité, mais aussi le processus de jugement du modèle. Dans la recherche traditionnelle, la marque cherche à apparaître en haut des résultats ; dans la recherche générative, elle cherche à entrer dans la liste des réponses. Lorsqu'une IA compare des produits avec un ton apparemment neutre, elle effectue en réalité une première sélection pour l'utilisateur.

Mais le problème, c'est que la recommandation de l'IA n'est pas produite ex nihilo. Elle s'appuie sur des listes d'évaluation, des discussions sur des forums, des vidéos courtes, des commentaires e-commerce, des rapports sectoriels, etc., puis synthétise ces informations en une réponse qui semble objective. La marque n'a pas forcément besoin d'acheter directement un espace publicitaire IA, mais peut influencer le modèle via le contenu publié. Un seul avis peut sembler banal, mais si des opinions similaires apparaissent à plusieurs endroits, l'IA peut les considérer comme des arguments plus forts pour la recommandation. Ainsi, la publicité commerciale ne doit pas forcément prendre la forme d'une annonce, mais peut s'intégrer dans le processus de jugement de l'IA.

Cela explique pourquoi Google est plus prudent avec le GEO, car sa ressource la plus précieuse est la crédibilité de la recherche. Depuis toujours, les utilisateurs font confiance à Google pour classer en priorité des informations fiables, et les annonceurs sont prêts à payer pour cet accès. Dans la recherche classique, Google affiche principalement des liens, que l'utilisateur peut juger lui-même ; dans l'Overview IA, il fournit directement une réponse. Si cette réponse est influencée par de faux évaluations, des farms de contenu ou des biais, Google ne se contente pas d'afficher une page de mauvaise qualité, mais peut générer une recommandation potentiellement trompeuse.

Naturellement, l'attitude face au GEO varie aussi selon le modèle commercial de chaque plateforme. Google doit préserver la crédibilité de la recherche, en insistant sur la lutte contre la désinformation et la qualité du contenu ; Microsoft voit le GEO comme une porte d'entrée pour les annonceurs dans Copilot, Bing, Edge et futurs agents. En conséquence, le GEO ne sera pas régulé par une seule règle unifiée, mais évoluera différemment selon la plateforme : recherche, assistants IA ou systèmes de modèles.

Pour qu'une marque soit crédible dans la recherche générative, elle doit aussi assurer une machine lisibilité élevée de ses produits.

3. La différenciation des vitrines e-commerce : les données pour la machine, le goût pour l'humain

Pour obtenir la confiance et la recommandation de l'IA, le produit doit d'abord être hautement structurable et lisible par la machine.

Les interfaces commerciales du début du web étaient conçues pour l'œil humain. Images, descriptions, boutons d'ajout au panier étaient pensés pour maximiser le temps passé sur la page. Mais l'IA ne perçoit pas ces éléments visuels. La seule évaluation qu'elle peut faire repose sur des données structurées : spécifications SKU, stock en temps réel, prix net, SLA, politiques de retour structurées.

Ce changement fait de la lisibilité machine une compétence clé dans l'ère du shopping IA. Le balisage Schema.org, les fichiers llms.txt, les API de stock et prix en temps réel, ou la structuration des politiques de retour, influencent la capacité de l'Agent IA à comprendre précisément un produit. Bien que les grands modèles de langage puissent extraire des informations non structurées des pages web, celles-ci sont souvent incomplètes, peu à jour, et bruitées. En revanche, une fiche standardisée structurée peut directement indiquer à l'Agent IA : spécifications, prix en temps réel, stock, capacité de livraison, règles de retour. C'est la condition préalable pour qu'un produit puisse entrer dans la chaîne de filtrage et de recommandation de l'Agent.

Mais cette transition ne concerne pas tous les produits en même temps. Elle dépend du type de consommation, qui peut être divisé en deux catégories :

Une catégorie est la consommation orientée efficacité. Par exemple, acheter du papier toilette, un câble, des fournitures de bureau ou comparer des vols et hôtels. Ces décisions ont souvent des critères stricts : prix, spécifications, délai de livraison. L'utilisateur veut simplement une réponse rapide et raisonnable, sans passer par un processus de sélection approfondi. Dans ces domaines, l'IA peut agir très vite, comparer et commander à la place de l'utilisateur.

L'autre catégorie concerne la consommation basée sur le goût et l'expression de soi, comme choisir un manteau, une lampe vintage ou une œuvre d'art. Ces décisions impliquent des émotions, une identité, une esthétique. La sélection, l'hésitation et la comparaison sont en soi une expérience. Dans ces cas, la valeur de l'IA se manifeste surtout avant le paiement : aider à organiser l'inspiration, comprendre le style, agréger des informations dispersées, rendre la recherche plus fluide.

C'est précisément le cas de The Mall, une application de shopping mode. Aujourd'hui, l'entrée dans la découverte en ligne est fragmentée : sites de marques, Instagram, TikTok, newsletters, sites de deals, recommandations d'amis ou créateurs. Les consommateurs doivent naviguer entre ces points dispersés. The Mall rassemble ces fragments dans un espace virtuel, un « mall » numérique, pour répondre aux besoins quotidiens de découverte, suivi, comparaison, collection et partage de marques et produits.

Dans cet espace, le comportement des utilisateurs est réorganisé. On peut suivre des marques, repérer les nouveautés et promotions, collectionner des produits, observer les activités d'amis ou de créateurs, et même, grâce à l'IA, passer d'un produit à un autre similaire, découvrir des marques niche non visibles autrement.

Cela signifie que le nouveau commerce IA ne se limite pas à la phase finale de transaction, mais que la phase de décision, de découverte et d'inspiration recèle aussi un potentiel énorme.

Alors que l'industrie discute principalement de comment faire passer l'Agent à la commande en un clic, le processus d'hésitation, de comparaison, de construction de goût, qui précède le paiement, — c'est-à-dire la navigation, le suivi, la découverte, la comparaison et la veille — peut lui aussi devenir une activité à forte valeur.

Gérer ces fragments d'intention esthétique, c'est aussi bâtir une relation de confiance plus profonde. La donnée d'intention accumulée, à long terme, peut devenir un système de référence pour le goût et l'intention du consommateur. En organisant et en enregistrant ces préférences et comparaisons avant le paiement, ces produits peuvent devenir un système de gestion du goût et de l'intention, proche de la source de décision. La valeur de ces actifs, en amont de la transaction, pourrait même dépasser celle des commissions finales.

Ainsi, le futur du commerce en ligne comportera deux couches : une couche orientée machine, pour la granularité, la structuration et la vérifiabilité des données, permettant à l'Agent d'effectuer efficacement comparaisons et commandes ; et une couche humaine, pour l'expression de la marque, la transmission de l'esthétique, la création d'expériences et la génération de rencontres fortuites. Autrefois, les commerçants se concentraient sur l'expérience visuelle du site ; demain, ils devront aussi gérer un catalogue structuré lisible par la machine, ainsi qu'un espace d'intentions plus discret, mais plus riche en imagination, avant même le paiement.

4. La chaîne d'engagement remonte vers l'amont : faire agir l'Agent dans ses limites d'autorisation

Après que l'Agent a découvert des produits, filtré des options et constitué le panier, la transaction entre alors dans le système de paiement.

Du point de vue du fonctionnement, le réseau de cartes bancaire moderne est essentiellement une chaîne de promesses différées. Lors de l'autorisation, le commerçant, via l'acquéreur et l'organisation de cartes, vérifie la validité du justificatif auprès de la banque émettrice. Après réception de l'approbation, le commerçant livre le produit, et la compensation ainsi que le règlement réel se font ultérieurement, de façon asynchrone. Ce système repose sur une prémisse simple : la transaction est initiée par un humain, et la responsabilité revient à un humain.

L'intervention de l'IA brise cette hypothèse. L'autorisation ne concerne plus seulement un paiement précis, mais un flux décisionnel autonome piloté par des composants logiciels. Si l'agent est attaqué par des prompts malveillants, ou si une mauvaise interprétation du contexte ou une erreur de paramétrage survient, pouvant entraîner une transaction hors limites, la frontière juridique devient floue.

Certains géants du retail tentent de limiter ce risque en modifiant leurs conditions générales (ToS), en déclarant que toute transaction initiée par un agent tiers est considérée comme une transaction autorisée par l'utilisateur. Mais cela ne résout pas le problème technique. Le commerce agentique doit établir des contraintes avant même la transaction.

Dans les réseaux financiers traditionnels, ces contraintes sont généralement assurées par une autorisation centralisée. Visa, Mastercard et autres organisateurs de cartes travaillent à définir des standards pour l'identité de l'agent, la tokenisation des justificatifs, et la vérification d'intentions. L'objectif est de réduire l'étendue de l'action de la machine avant l'approbation. Concrètement, cela consiste à transformer le justificatif de paiement en une frontière programmable : générer une carte virtuelle ou un token à usage unique lors de l'achat, avec des limites sur le commerçant, le budget, la catégorie, la période ou la tâche spécifique. Si l'agent dépasse ces règles, le réseau peut bloquer la transaction lors de l'autorisation.

Mais limiter la filtration au seul point de déblocage ou à la couche de paiement reste une défense tardive. Les acteurs du règlement cherchent désormais à remonter la chaîne jusqu'à la source de la création. Récemment, Visa a investi de façon stratégique dans Replit, une plateforme de développement IA, sans divulguer le montant. Bien que cette collaboration soit encore à ses débuts, et sans produit conjoint officiel, le message est clair : le réseau de paiement mondial cherche à se connecter directement à la source initiale générée par l'IA. En intégrant Visa Intelligent Commerce et Trusted Agent Protocol dans la plateforme de développement, Visa veut faire en sorte que l'identité, l'intention et le contexte client de l'agent soient intégrés au système de paiement dès la phase de développement et de déploiement, et non seulement au moment du checkout.

C'est crucial, car beaucoup de transactions agentiques à l'avenir ne seront pas initiées depuis l'application du commerçant, mais via des logiciels construits par des développeurs, répartis entre différents outils, et exécutés automatiquement par l'agent pour le compte de l'utilisateur ou de l'entreprise. Dans ce contexte, Replit ne sera plus seulement un environnement de code, mais une porte d'entrée pour l'application commerce agentique. Pour Visa, l'enjeu est que la capacité du réseau de cartes devienne une infrastructure native pour la machine, capable d'être appelée via API, d'identifier l'identité, et de comprendre l'intention.

C'est aussi la logique derrière des portefeuilles agent contractuels comme le Cobo CAW Pact, qui évitent à l'agent d'accéder directement au solde complet. Il génère un contrat temporaire pour une tâche spécifique, intégrant la limite de montant, la durée de validité et la chemin de transaction. Si la requête dépasse ces contraintes, le nœud MPC refuse de signer. Avant la signature, l'appel de fonds peut aussi être traduit en une intention transactionnelle lisible par l'humain, pour confirmation.

À long terme, la chaîne de promesses évolue d'une confiance dans l'agent vers une contrainte sur l'agent. Les réseaux de cartes placent désormais ces contraintes au niveau de la passerelle, puis les déplacent vers le développement ; les systèmes blockchain doivent quant à eux intégrer ces contraintes dans la couche de signature. Le futur des systèmes de paiement sera de vérifier non seulement l'identité du payeur, mais aussi si le comportement machine reste dans les limites autorisées.

Conclusion : Le commerce agentique nécessite une nouvelle chaîne de promesses

La technologie modifie souvent le média du commerce, mais rarement la responsabilité elle-même.

Le commerce a transformé l’environnement transactionnel, le portefeuille mobile a changé la preuve de paiement, l’API de cartes permet une autorisation programmable, et la stablecoin commence à influencer certains processus de règlement. Chaque avancée technologique ajoute une couche de capacité supplémentaire au système financier. Mais ce qui reste, c’est la chaîne d’autorisation, de compensation, de règlement et de gestion des litiges.

La raison est simple : dès qu’une transaction entre dans le système commercial, quelqu’un doit confirmer qu’elle peut avoir lieu, quelqu’un doit promettre le paiement, et quelqu’un doit assumer la responsabilité en cas d’erreur.

L’Agent IA allonge cette chaîne. Autrefois, la recherche, la comparaison, l’ajout au panier et le checkout étaient principalement effectués par l’utilisateur lui-même ; demain, ces actions seront confiées à l’agent, qui les exécutera automatiquement entre plusieurs systèmes. L’expérience sera plus rapide, mais il deviendra plus difficile de savoir ce que l’utilisateur a réellement autorisé, jusqu’où l’agent peut aller, quelles obligations incomberont aux commerçants, et comment la responsabilité du paiement sera répartie.

C’est cette infrastructure fondamentale que le commerce intelligent doit reconstruire. Elle doit établir une nouvelle chaîne de promesses : au moment de la transaction, l’intention initiale de l’utilisateur, l’autorisation de l’agent, la promesse de paiement et la responsabilité en cas de litige doivent être liées, et l’ensemble doit être vérifiable et traçable techniquement.

L’avenir du commerce IA repose, en surface, sur la question du paiement et de l’automatisation, mais, en profondeur, sur celle de la responsabilité.