L'IA dans le commerce : le client a déjà basculé

Le client a basculé le premier

Commençons par le fait qui commande tout le reste, parce qu'il inverse la question habituelle. Dans la plupart des secteurs, le dirigeant se demande si ses clients sont prêts pour l'IA ; dans le commerce, ce sont les clients qui ont pris de l'avance. Début 2026, 31 % des cyberacheteurs français utilisent l'IA générative lorsqu'ils achètent en ligne — et la proportion monte à 49 % chez les 15-24 ans (Fevad / Odoxa). Le détail de l'usage est encore plus instructif que le chiffre : 58 % de ces utilisateurs mobilisent l'IA en amont de l'achat — comparer, présélectionner, s'informer — contre 27 % au moment de l'achat lui-même (Fevad / Odoxa). La bascule ne se joue pas à la caisse : elle se joue dans la phase de recherche, là où se décide dans quelle boutique le panier finira.

Le phénomène n'a rien de français ni de marginal. Sur la saison des fêtes 2025, les Américains ont dépensé un record de 257,8 milliards de dollars en ligne, et le trafic vers les sites marchands issu d'outils d'IA générative a bondi de 693 % en un an (Adobe). La tendance était déjà mesurable un an plus tôt — +1 200 % de trafic référé par l'IA entre juillet 2024 et février 2025 — et sa qualité s'améliore à mesure qu'elle grossit : les visiteurs venus de l'IA consultent 12 % de pages en plus, rebondissent 23 % de moins, et leur retard de conversion s'est réduit de -43 % à -9 % en huit mois (Adobe). Ce n'est pas un trafic de curiosité : c'est un trafic d'intention, en train d'apprendre à convertir.

L'ampleur monétaire est désormais établie. Sur les mêmes fêtes 2025, les ventes en ligne mondiales ont atteint 1 290 milliards de dollars, dont 262 milliards attribués à l'IA et aux agents — 20 % de l'ensemble des commandes (Salesforce) ; sur la seule Cyber Week, 67 milliards de dollars (Salesforce). À l'échelle des consommateurs, un quart des acheteurs de douze pays ont déjà utilisé des outils d'achat fondés sur l'IA générative, et 31 % de plus prévoient de le faire (Capgemini). Un cinquième du commerce en ligne mondial d'une saison de fêtes est passé par une IA : pour un canal qui n'existait pas il y a trois ans, la vitesse d'installation est sans précédent connu du secteur.

Une précision d'honnêteté, avant d'aller plus loin : cette bascule côté client n'est ni uniforme ni sans réserve. 71 % des consommateurs se disent préoccupés par l'usage que ces outils font de leurs données (Capgemini), et l'essentiel de l'usage reste concentré sur la recherche et la comparaison, pas sur le paiement. Mais pour un dirigeant d'enseigne, la conclusion opérationnelle ne change pas : le premier point de contact avec une part croissante de vos clients est en train de devenir une IA — la question est de savoir si votre catalogue, vos fiches produits et vos stocks sont lisibles par elle, et ce que vous faites du trafic qu'elle vous envoie.

Le commerçant, sous sa propre moyenne nationale

Face à ce client équipé, où en est l'enseigne ? La réponse statistique est inconfortable et mérite d'être posée sans détour. En France, 13 % des entreprises du commerce (10 salariés ou plus) utilisent au moins une technologie d'IA en 2025, contre 18 % tous secteurs confondus (INSEE). Le commerce est sous la moyenne nationale — dans le pays même où un tiers des cyberacheteurs utilisent déjà l'IA pour acheter. L'écart se creuse aussi par la taille : 15 % des entreprises commerciales de 10 à 49 salariés sont utilisatrices, contre 58 % des 250 et plus (INSEE) — un rapport de un à quatre entre le commerce indépendant et la grande enseigne.

Ce retrait n'est pas une exception française. Aux États-Unis, environ 14 % des entreprises du commerce de détail déclarent utiliser l'IA, contre 17 à 20 % au niveau national, sur les vagues d'enquête de décembre 2025 à mai 2026 (US Census Bureau). Dans l'Union européenne, l'adoption toutes branches confondues atteint 20,0 % en 2025 — contre 13,5 % un an plus tôt, avec le Danemark à 42 % (Eurostat) : le mouvement général accélère, et le commerce y participe moins vite que les autres secteurs, des deux côtés de l'Atlantique. Pour le dirigeant, la lecture est double : le retard est réel — et l'avantage concurrentiel est encore à prendre, précisément parce que la majorité du secteur n'a pas structuré sa démarche.

Le contexte économique rend cette asymétrie coûteuse. Le commerce de détail français sort d'une année 2024 de croissance molle — +1,3 % en volume, dont +0,4 % seulement pour l'alimentaire — avec un emploi en recul de 10 000 postes et des défaillances en hausse de 14,5 % sur l'ensemble du commerce (INSEE). Dans le même temps, le canal en ligne continue de croître : 196,4 milliards d'euros en 2025 (+7 %), environ 12 % du commerce de détail, 42,2 millions de cyberacheteurs et plus de 158 000 sites marchands actifs (Fevad). Un secteur à marges comprimées, dont la demande migre vers des canaux où l'IA choisit de plus en plus qui capte la visite : c'est la définition même d'un moment stratégique — et le poids du secteur, 810 000 emplois et environ 225 milliards d'euros d'activité pour la seule grande distribution (FCD), dit ce qui est en jeu.

Un dernier contraste achève le tableau, et il est révélateur : chez les e-commerçants établis, l'IA générative est déjà un standard — 94 % des e-commerçants du panel Fevad l'utilisent, et environ sept sur dix jugent le commerce agentique prometteur (Fevad). La ligne de partage ne passe donc pas entre « ceux qui y croient » et les autres : elle passe entre les acteurs nés dans le canal numérique, qui s'équipent par réflexe, et le commerce physique et intermédiaire, qui regarde encore. Toute la suite de ce rapport s'adresse à ce second groupe.

Un tiers des clients achètent déjà avec l'IA ; 13 % des commerçants l'utilisent. Cet écart est le marché de quelqu'un — autant que ce soit le vôtre.

Beaucoup de pilotes, peu de comptes de résultat

Chez les grandes enseignes, le problème n'est plus de commencer — c'est de finir. L'enquête menée auprès de 52 dirigeants du retail mondial le mesure avec une précision rare : 90 % ont expérimenté l'IA générative, 64 % ont mené des pilotes, 26 % seulement passent à l'échelle dans leurs opérations, et deux dirigeants sur cinquante-deux déclarent un déploiement à l'échelle de toute l'organisation (McKinsey). L'entonnoir n'élimine pas au stade de l'idée : il élimine au passage du démonstrateur à la production — exactement là où se logent les résultats.

Les autres mesures disponibles racontent la même histoire depuis des angles différents. 75 % des dirigeants retail et grande consommation qualifient l'IA de priorité stratégique majeure, mais 16,5 % seulement savent quantifier un retour, et le déploiement à l'échelle de l'entreprise reste à un chiffre (Deloitte). À l'échelle mondiale et tous secteurs, près de neuf organisations sur dix utilisent l'IA dans au moins une fonction, mais 37 % seulement lui attribuent un impact sur le résultat d'exploitation (McKinsey). Le paradoxe n'est pas propre au commerce — mais le commerce y ajoute une circonstance aggravante : pendant que l'enseigne pilote, son client, lui, est déjà passé à l'usage quotidien.

Le plus frappant est que l'argent, lui, continue d'affluer vers le haut de l'entonnoir. 81 % des 1 500 dirigeants retail et produits de grande consommation interrogés par l'IBM Institute for Business Value utilisent déjà l'IA de façon au moins modérée, les dépenses d'IA hors budgets informatiques traditionnels devaient bondir de 52 % en 2025, et le secteur y consacre en moyenne 3,32 % de son chiffre d'affaires (IBM) ; 82 % des dirigeants prévoient encore d'augmenter l'investissement sous douze mois (Deloitte). Un secteur qui dépense plus de 3 % de son chiffre d'affaires sur un sujet dont 16,5 % des dirigeants savent mesurer le retour : voilà, en deux chiffres, la marge de progression — elle n'est pas technologique, elle est méthodologique.

L'horizon d'attente, enfin, se rapproche. 68 % des dirigeants retail mondiaux anticipent l'adoption de l'IA agentique — des agents qui recherchent, comparent et commandent pour le client — dans les 12 à 24 mois, et 67 % comptent disposer de capacités de personnalisation pilotées par l'IA d'ici un an (Deloitte). Autrement dit, le secteur lui-même estime que la génération d'outils qui vient ne laissera pas deux ans de délai de réflexion. La suite de ce rapport traite donc une seule question : où engager, et avec quelle discipline, pour faire partie des 26 % — pas des 74 autres.

Six familles de cas d'usage, une logique commune

Les estimations de potentiel donnent l'ordre de grandeur : l'IA générative pourrait dégager 240 à 390 milliards de dollars de valeur annuelle pour les retailers — l'équivalent de 1,2 à 1,9 point de marge pour l'ensemble du secteur (McKinsey) — et 400 à 660 milliards en incluant les biens de consommation (McKinsey Global Institute). Mais un potentiel sectoriel ne se dépose pas sur un compte de résultat : il se capture cas d'usage par cas d'usage. Les déploiements documentés de ces trois dernières années dessinent six familles qui partagent trois traits — la tâche est répétée à haute fréquence, son coût actuel est mesurable, et l'amélioration se traduit directement en ventes captées, en heures gagnées ou en démarque évitée. L'intérêt de les passer en revue n'est pas de les collectionner : c'est de reconnaître celle qui correspond à votre situation.

La découverte et la vente assistée forment la famille où tout va le plus vite, parce que c'est celle où le client a déjà basculé. Amazon a indiqué que 300 millions de clients ont utilisé son assistant d'achat Rufus en 2025, avec des utilisateurs actifs mensuels en hausse de 115 % et près de 12 milliards de dollars de ventes annualisées incrémentales attribuées (Amazon). Walmart a consolidé son IA en quatre « super agents » — dont Sparky, déjà actif dans son application cliente (Walmart) ; Alibaba a placé son assistant Qwen au cœur de Taobao (Alibaba). Et l'effet se mesure jusque chez les marchands de taille moyenne : sur la plateforme Shopify, le trafic issu de l'IA a été multiplié par huit en un an et les commandes issues de recherches IA par près de treize (Shopify). En France, Carrefour est devenu en mars 2026 le premier retailer européen à permettre de faire ses courses directement dans ChatGPT — idées de recettes, disponibilité, panier — avec finalisation sur son propre site (Carrefour). La leçon commune : l'enseigne qui rend son offre lisible par les IA capte le trafic que les autres perdent.

Le contenu produit et la création constituent souvent le meilleur point d'entrée économique, pour une raison structurelle : la matière première — le catalogue — existe déjà, et le coût actuel de production de contenu est connu au centime. Zalando produit environ 70 % de ses images de campagnes éditoriales avec l'IA générative, a réduit ses coûts de production de contenu jusqu'à 90 % et ramené les délais de six-huit semaines à quelques jours (Zalando). Cdiscount a enrichi 17 millions de fiches produits par IA générative — titres, descriptions, caractéristiques (Cdiscount). Ce chantier discret conditionne tous les autres : des fiches complètes et structurées sont exactement ce que lisent les assistants d'achat de la première famille.

La prévision et l'anti-gaspillage forment la famille la plus rentable du commerce alimentaire, parce qu'elle attaque simultanément deux postes : la rupture, qui coûte la vente, et l'excédent, qui coûte la marge. Les références transversales bornent le gain — erreurs de prévision réduites de 20 à 50 %, ventes perdues et ruptures jusqu'à -65 % (McKinsey). Le terrain confirme : OTTO fait tourner environ 50 applications d'IA en production et calcule 7,5 milliards de prévisions individuelles par mois pour piloter achats et logistique (OTTO) ; Albert Heijn prédit la demande quotidienne de pain magasin par magasin et a évité 815 000 kg de gaspillage sur un seul semestre, avec une démarque dynamique automatisée en fin de journée (Albert Heijn) ; H&M combine prévision par IA et RFID pour « produire ce qui se vend » (H&M Group). Le prérequis est toujours le même : un historique de ventes propre, au niveau du point de vente et de la référence.

La personnalisation et la fidélité sont la famille au plus gros potentiel — et au cadre le plus contraint. La référence transversale situe l'effet le plus fréquent entre 10 et 15 % de revenus additionnels, et les entreprises à croissance rapide tirent 40 % de revenus de plus de la personnalisation que leurs concurrentes lentes (McKinsey). L'actif décisif est la donnée première partie : la filiale data de Kroger alimente la personnalisation à partir des données de plus de 62 millions de foyers américains (Kroger / 84.51°) ; en France, Fnac Darty refond son CRM avec des capacités conversationnelles et prédictives et a réuni une cinquantaine d'experts sur une plateforme commune d'IA marketing (Fnac Darty). C'est aussi la famille où le droit encadre le plus étroitement la pratique — on y revient à la section suivante, car une sanction récente en fixe le prix.

Le magasin et les opérations répondent à la question que pose toute enseigne physique : que fait l'IA pour le vendeur ? La réponse la plus documentée vient de Target, qui a déployé son assistant « Store Companion » — réponses aux questions opérationnelles sur terminal portable — auprès des équipes de près de 2 000 magasins en six mois, du pilote de 400 magasins à la chaîne entière (Target). Le cas vaut par sa vitesse autant que par son objet : un déploiement chaîne complète en deux trimestres est possible quand le cas d'usage est étroit, l'outil simple et le gain immédiat pour l'utilisateur.

La logistique et l'entrepôt, enfin, sont la famille des volumes : l'effet y est proportionnel aux flux, ce qui en fait un chantier de second temps pour un commerçant intermédiaire et de premier temps pour un distributeur multi-sites. Amazon a déployé son millionième robot d'entrepôt et réduit de 10 % le temps de déplacement de sa flotte par un modèle d'IA dédié (Amazon) ; Ocado atteint 227 unités préparées par heure de travail (+9,1 % en un an), plus d'un tiers des articles de son site le plus avancé étant préparés par robots (Ocado). Les références transversales confirment l'écart concurrentiel : les adopteurs précoces de la supply chain pilotée par IA ont amélioré leurs coûts logistiques de 15 % et leurs niveaux de stocks de 35 % par rapport aux concurrents plus lents (McKinsey).

Six familles, un point commun : la donnée produit est le socle de tout. L'enseigne qui structure son catalogue sert à la fois ses clients, ses vendeurs — et les IA qui décident du trafic.

La preuve en français

L'objection classique — « ces résultats sont des résultats de géants américains » — ne tient plus. Les enseignes françaises documentent désormais leurs propres déploiements, avec les mêmes règles que partout ailleurs : un périmètre étroit, une donnée préparée, un résultat mesuré. Trois cas récents suffisent à le montrer.

Mis bout à bout, ces cas dessinent le portrait-robot du déploiement qui aboutit à l'échelle française : aucun ne commence par la technologie de pointe, tous commencent par l'actif de données qui existait déjà — le catalogue chez Cdiscount, l'historique d'achats chez Carrefour, la base clients chez Fnac Darty. La marche d'entrée n'est pas capitalistique : elle est organisationnelle.

Le rail réglementaire : quatre règles qui encadrent déjà vos cas d'usage

Le commerce a une particularité que les comparaisons sectorielles oublient : ses cas d'usage IA les plus rentables touchent directement le consommateur — et le droit de la consommation comme le droit des données les encadrent déjà, sans attendre les textes spécifiques à l'IA. Quatre règles en vigueur dessinent le rail sur lequel tout projet doit rouler.

La première concerne le prix personnalisé : depuis mai 2022, tout professionnel doit informer le consommateur lorsque le prix affiché a été personnalisé sur la base d'une décision automatisée (Légifrance). La deuxième concerne les avis clients : publier des avis sans vérifier qu'ils émanent d'acheteurs réels constitue une pratique commerciale trompeuse, passible de deux ans d'emprisonnement et de 300 000 euros d'amende (DGCCRF) — un point d'attention direct à l'heure des avis générés par IA. La troisième touche les programmes de fidélité : la CNIL a précisé fin 2025 que le droit à la portabilité couvre le détail des produits achetés et le montant des promotions appliquées (CNIL) — la donnée qui alimente votre personnalisation appartient aussi à votre client.

La quatrième règle n'est pas un texte : c'est un prix. Fin décembre 2025, la CNIL a sanctionné de 3,5 millions d'euros une enseigne qui avait transmis à un réseau social, sans consentement valable, les coordonnées de plus de 10,5 millions de membres de son programme de fidélité à des fins de publicité ciblée (CNIL). Le message pour tout comité de direction est limpide : la personnalisation pilotée par l'IA est l'une des familles les plus rentables du secteur, et c'est précisément pour cette raison que le consentement, l'information du client et l'analyse d'impact ne sont pas des formalités à traiter après le pilote — ils font partie du chiffrage initial.

Le parcours d'un projet — et ses quatre points de rupture

Les projets d'IA en enseigne qui s'enlisent se ressemblent. En superposant les retours d'expérience — les 26 % qui passent à l'échelle comme les 74 % qui restent au pilote (McKinsey) — on voit apparaître un parcours type et quatre points de rupture, presque toujours aux mêmes endroits. Chacun se prévient par une décision qui ne coûte rien, à condition d'être prise avant le lancement.

1. Rupture n°1 — la vitrine avant le socle. L'enseigne lance un assistant client visible avant d'avoir structuré ses fiches produits et ses stocks : l'outil répond mal, l'équipe conclut que « l'IA ne marche pas ». Les cas aboutis font l'inverse — Cdiscount a enrichi 17 millions de fiches, Carrefour a préparé son socle trois ans avant d'ouvrir ses courses dans ChatGPT (Cdiscount ; Carrefour). La parade : commencer par la donnée produit, même si c'est le chantier le moins visible.
2. Rupture n°2 — le pilote sans chiffre de départ. Le cas est choisi pour son effet de démonstration, pas pour son coût mesurable ; sans référence initiale, le pilote ne peut ni réussir ni échouer — il rejoint les 83,5 % de dirigeants du secteur incapables de quantifier un retour (Deloitte). La parade : choisir dans l'une des six familles documentées, là où votre coût actuel — heures de production de contenu, taux de rupture, démarque, contacts au service client — est le plus facile à chiffrer.
3. Rupture n°3 — la personnalisation avant la conformité. Le croisement des données de fidélité avec des plateformes publicitaires précède le consentement et l'analyse d'impact : l'addition peut atteindre 3,5 millions d'euros (CNIL) — sans compter la confiance, alors que 71 % des consommateurs se disent déjà préoccupés par l'usage de leurs données (Capgemini). La parade : intégrer la revue conformité — prix personnalisé, avis, fidélité — au chiffrage du cas d'usage, pas à sa correction.
4. Rupture n°4 — le pilote qui dure. Aucune date de décision n'a été fixée ; le pilote est reconduit de trimestre en trimestre, « prometteur » sans jamais être tranché — pendant que le trafic issu de l'IA, lui, croît de plusieurs centaines de pour cent par an (Adobe). La parade : inscrire la date de la décision — industrialiser ou arrêter — dans l'agenda du comité de direction avant le premier jour du pilote. Target est passé du pilote de 400 magasins à la chaîne entière en six mois : la vitesse est une décision, pas un hasard (Target).

Chaque rupture se prévient par une décision qui ne coûte rien — à condition d'être prise avant de commencer, pas après.

Ce que le dirigeant doit décider — et quand

Ni un plan de transformation à trois ans, ni une veille prudente en attendant que le commerce agentique se stabilise : la trajectoire qui fonctionne, à en juger par les déploiements menés à terme, tient en cinq décisions sur quatre-vingt-dix jours — chacune avec son indicateur, chacune répondant à l'un des points de rupture ci-dessus.

1. Choisir une famille, pas une technologie. Parmi les six familles documentées, prendre celle où votre coût actuel est le plus mesurable — contenu produit, prévision-démarque et service client sont les entrées les plus fréquentes. Indicateur : un chiffre de coût de départ validé (heures, taux de rupture, démarque, contacts).
2. Auditer la donnée du cas choisi — pas toute l'enseigne. Fiches produits, historique de ventes ou base fidélité : existe-t-elle, est-elle propre, depuis quand ? Indicateur : verdict écrit en quinze jours.
3. Passer la revue conformité du cas. Prix personnalisé, avis, données de fidélité : quelles obligations s'appliquent, quel consentement, quelle information du client ? Indicateur : revue écrite jointe au chiffrage — avant signature.
4. Chiffrer en coût total. Licence, intégration, préparation de la donnée, conduite du changement, fonctionnement — le coût du projet ne s'arrête pas à l'outil. Indicateur : un budget où la préparation des données et l'accompagnement des équipes sont visibles en première page.
5. Fixer la date de décision et instrumenter la mesure dès le premier jour. Industrialiser ou arrêter, à douze ou vingt-quatre semaines selon la famille ; le chiffre d'arrivée se compare au chiffre de départ, sur le même périmètre. Indicateur : la date figure dans l'agenda du comité de direction, le tableau de bord avant/après est actif dès la semaine 1.

Le troisième scénario — ne rien faire — a aussi un prix, même s'il n'apparaît sur aucun budget. Le trafic et les commandes migrent vers des interfaces d'IA à un rythme mesuré en centaines de pour cent par an (Adobe ; Salesforce) ; les enseignes qui structurent leur donnée produit aujourd'hui sont celles que ces interfaces recommanderont demain ; et le secteur anticipe lui-même l'arrivée des agents d'achat dans les 12 à 24 mois (Deloitte). C'est exactement la discipline qui sépare les 26 % qui passent à l'échelle des 74 % qui pilotent sans fin : pas plus de moyens — plus de méthode.