Comment évaluer l’agentic commerce avant d’investir ?

Résumer ce contenu avec :

Perplexity ChatGPT Claude Grok Mistral

Je l’évalue comme un canal business, pas comme une démo d’IA. Le bon filtre vient du direct mail : actifs possédés, fonctions durables, résultats mesurables. Si une solution d’agentic commerce ne passe pas ces trois tests, je ralentis tout de suite.

Que nous apprend le direct mail ?

Le direct mail me rappelle un truc très simple. Une technologie ne tient pas parce qu’elle est à la mode, elle tient parce qu’elle s’appuie sur des actifs qu’une marque contrôle et sur une réponse qu’on peut mesurer.

On a annoncé la mort du courrier papier à chaque nouvelle vague. L’email devait le tuer. Les réseaux sociaux aussi. Le mobile, la pub programmatique, les apps, tout devait le remplacer. Et pourtant, il est encore là. Pas partout, pas pour tout, mais il reste utilisé parce qu’il repose sur trois mécaniques solides.

• Une adresse exploitable. La marque sait où joindre la personne, sans dépendre totalement d’un algorithme ou d’un fil d’actualité.
• Une cible identifiable. Le message part vers un foyer, un client, un segment connu. Pas vers une audience floue louée pour quelques heures.
• Une réponse attribuable. Un code promo, une URL dédiée, un QR code, un bon de commande permettent de relier une action à une campagne. L’attribution, c’est juste ça : savoir ce qui a provoqué quoi.

La solidité du direct mail vient moins du papier que de cette logique. La marque garde une partie de la relation. Elle garde une base. Elle peut tester, apprendre, relancer, comparer. Même si le canal coûte cher, il laisse souvent une trace exploitable.

C’est exactement la grille que j’utilise pour regarder l’agentic commerce. L’agentic commerce, c’est l’achat piloté ou facilité par des agents IA, par exemple un assistant qui compare, recommande, négocie ou commande à la place du client. L’interface peut changer. Le parcours peut devenir conversationnel. Très bien. Mais les vraies questions restent les mêmes.

Qui possède la relation client ? Qui possède les données de préférence, d’intention et d’achat ? Qui voit la conversion réelle ? Qui peut réutiliser l’apprentissage sur un autre canal, dans son CRM, dans ses modèles, dans ses campagnes ?

J’ai déjà vu des équipes s’emballer pour une interface très jolie, très fluide, presque magique. Et au bout de trois réunions, personne ne savait dire ce qui resterait dans leur patrimoine data après six mois. Ça, pour moi, c’est le signal faible à écouter.

Quels actifs faut-il vraiment posséder ?

Quand j’évalue une solution d’agentic commerce, je regarde d’abord ce qui reste à vous si demain vous partez. Parce que le vrai risque, ce n’est pas seulement de payer trop cher une plateforme. C’est de laisser la valeur se déplacer dans une boîte noire externe, sans pouvoir la récupérer proprement.

Les actifs à posséder sont ceux qui restent utiles même si vous changez de prestataire. Ça veut dire vos identifiants clients, vos données CRM, vos consentements, votre historique d’achat, vos préférences client, votre catalogue produit, vos prix, vos promotions, vos règles commerciales, vos logs d’interaction, vos événements de conversion et vos données de performance.

Utiliser une plateforme, c’est normal. Dépendre d’elle, c’est autre chose. Vous utilisez une plateforme quand elle exécute mieux, plus vite, plus intelligemment, mais que vos données restent exportables, lisibles et reconnectables ailleurs. Vous dépendez d’elle quand les apprentissages, les segments, les recommandations ou les performances existent uniquement dans son interface, avec un export pauvre ou inutilisable.

Je regarde surtout ces actifs avant de signer :

• Les identifiants clients, avec une clé stable pour réconcilier CRM, commandes, emails et interactions.
• Les données transactionnelles, avec les achats, paniers, retours, montants, dates et canaux.
• Le catalogue structuré, avec les attributs produits, les catégories, les marges, les stocks et la disponibilité.
• Les prix, promotions et règles commerciales, parce que l’agent doit comprendre ce qu’il peut proposer ou non.
• Les logs d’interaction, comme les messages envoyés, les réponses, les clics, les objections et les abandons.
• Les événements de conversion, pour savoir ce qui a vraiment déclenché l’achat.
• Les règles de recommandation et les signaux de réponse, pas seulement un score opaque.
• Les preuves de consentement, avec la date, la source, le périmètre et la finalité acceptée.

Un exemple très concret. Si l’agent apprend que certains clients achètent après une relance à J+3 ou après une recommandation précise liée à leur dernier achat, cette connaissance doit revenir dans votre CRM ou votre entrepôt de données. Elle ne doit pas rester coincée dans un tableau de bord propriétaire que personne ne peut exploiter ailleurs.

Avant signature, je poserais ces questions au fournisseur :

• Est-ce que je peux exporter les données brutes, pas seulement des rapports agrégés ?
• Quels formats sont disponibles, CSV, JSON, API, connecteur data warehouse ?
• Est-ce que les champs, événements et scores sont documentés clairement ?
• Est-ce que je récupère les logs complets d’interaction et les événements de conversion ?
• Est-ce que les consentements sont traçables et exportables ?
• Est-ce que les apprentissages de l’agent peuvent être réinjectés dans mon CRM ?
• Combien de temps faut-il pour migrer vers un autre outil sans repartir de zéro ?

Comment éviter le verrouillage fournisseur ?

J’évite le verrouillage fournisseur en testant la sortie avant même de tester l’entrée. Avec l’agentic commerce, le vrai risque n’est pas juste de payer trop cher une plateforme. Le vrai risque, c’est de perdre la main sur la relation client, les parcours, les données et la mesure.

Quand un agent IA recommande, compare, négocie ou déclenche un achat, il devient une couche entre vous et votre client. Si cette couche garde les conversations, masque les règles de décision et vous donne seulement un reporting résumé, vous ne pilotez plus vraiment. Vous regardez un tableau de bord fourni par celui qui contrôle le système. J’ai déjà vu ça chez un client retail : très bons résultats au début, puis impossible de comprendre pourquoi certains produits sortaient plus que d’autres. Tout était “optimisé par l’algorithme”. Traduction simple : personne ne pouvait auditer.

Les signaux d’alerte sont assez faciles à repérer :

• Absence d’export détaillé des conversations, événements, clics, recommandations et décisions.
• Attribution opaque. L’attribution, c’est la façon dont on décide quel canal ou quelle action a généré une vente.
• Modèle de décision non documenté, même à un niveau fonctionnel.
• Identifiants propriétaires impossibles à relier proprement à votre CRM ou votre data warehouse.
• Contrat flou sur la donnée produite par l’usage, comme les intentions, préférences, objections ou signaux d’achat.

Je ne cherche pas forcément à tout internaliser. Ce serait irréaliste pour beaucoup d’équipes, surtout au début. Je veux surtout garder les points de contrôle. Un pilote propre doit avoir un périmètre limité, une durée courte, des objectifs business clairs, un groupe témoin, une clause de réversibilité et un accès aux données brutes. Sans ça, vous ne testez pas une solution. Vous acceptez une dépendance.

Quelle preuve de valeur demander ?

La preuve de valeur que je demande, c’est simple : une amélioration mesurable, qui tient encore quand l’effet nouveauté est passé. Pas une démo impressionnante. Pas une promesse de “transformation du commerce”. Un vrai résultat business, vérifiable, comparé à quelque chose de propre.

L’agentic commerce, c’est-à-dire des agents IA capables d’aider, conseiller, comparer, personnaliser ou déclencher une action d’achat, doit être évalué comme n’importe quel canal commercial. Il faut regarder ce que ça rapporte, ce que ça coûte, et pour qui ça marche vraiment.

Je suivrais surtout ces indicateurs, sans en mettre cinquante au départ :

• Taux de conversion : Est-ce que plus de visiteurs achètent vraiment ?
• Panier moyen : Est-ce que l’agent aide à vendre mieux, pas juste à vendre plus vite ?
• Revenu incrémental : Est-ce que le chiffre d’affaires gagné n’aurait pas été généré sans l’agent ?
• Coût par commande : Est-ce que chaque vente coûte moins cher, ou plus cher mais avec une marge qui le justifie ?
• Taux de réachat : Est-ce que les clients reviennent, ou est-ce juste un effet gadget ?
• Réduction des frictions : Est-ce que l’agent réduit les abandons, les hésitations, les demandes au support ?
• Qualité des données collectées : Est-ce qu’on apprend vraiment quelque chose d’exploitable sur les intentions client ?
• Recommandations utiles : Est-ce que les suggestions sont cliquées, achetées, ou ignorées poliment ?
• Satisfaction client : Est-ce qu’elle est mesurée proprement, pas juste avec trois verbatims enthousiastes ?

Le point clé, c’est l’incrémentalité. Il faut comparer avec un groupe de contrôle, ou au minimum avec une période vraiment comparable. Sinon, on finit par attribuer à l’agent des ventes qui seraient arrivées de toute façon. J’ai déjà vu ça chez un client : la solution semblait très performante, jusqu’au moment où on a isolé les segments. Sur les clients fidèles, elle ne changeait presque rien. Sur les nouveaux visiteurs hésitants, elle créait une vraie valeur.

C’est exactement comme le direct mail. On mesure les retours, les coûts, les segments, les relances, la marge et la rentabilité. On ne dit pas “le courrier personnalisé marche” en général. On regarde sur qui, à quel coût, avec quel retour. Une bonne solution peut très bien ne pas être rentable sur tous les segments. C’est justement pour ça qu’on mesure.

Comment décider sans se faire embarquer ?

Je décide sans me faire embarquer en séparant deux choses qui sont souvent mélangées dans les démos : la promesse IA et la mécanique économique. Une IA qui parle bien, qui recommande vite, qui donne une impression de fluidité, c’est intéressant. Mais ça ne suffit pas. La vraie question, c’est ce que l’entreprise gagne durablement derrière.

Pour moi, la grille est simple. Je regarde d’abord les actifs possédés, puis les fonctions durables, puis la mesure systématique. Dans cet ordre. Pas l’inverse. Parce qu’une fonctionnalité brillante qui ne laisse aucune donnée exploitable, aucun apprentissage interne, aucune baisse mesurable des frictions, c’est souvent juste une belle location.

L’agentic commerce peut clairement avoir de la valeur. Si l’agent comprend mieux le besoin qu’un moteur de recherche interne. Si il évite au client de filtrer 40 produits. Si il adapte la réponse au contexte, au budget, à l’usage réel. Là, oui, on commence à parler d’expérience d’achat augmentée. Mais il faut que ça renforce aussi le patrimoine data de l’entreprise. Sinon, on nourrit surtout la plateforme de quelqu’un d’autre.

Dans les projets data et automatisation que je vois passer, les décisions les plus saines viennent souvent d’une question très basique : Qu’est-ce qu’on récupère concrètement à la fin du test ? Ça calme tout le monde. Ça évite les débats abstraits sur “l’IA du futur”. Et ça ramène la discussion sur du solide.

Je tranche souvent comme ça :

• Investir si l’agent améliore une étape clé du parcours, produit des données réutilisables, et permet une mesure propre avant/après.
• Attendre si l’usage est prometteur, mais que les métriques sont floues ou que l’intégration data n’est pas prête.
• Refuser si la solution capte la relation client, ne laisse aucun actif exploitable, ou vend surtout une démo impressionnante sans impact mesurable.

Je ne cherche pas à savoir si l’agentic commerce est “révolutionnaire”. Je cherche à savoir si, après le test, l’entreprise est plus intelligente, plus autonome, et plus efficace qu’avant.

Alors on investit ou on attend encore un peu ?

L’agentic commerce mérite d’être regardé sérieusement, mais pas avec les yeux brillants devant chaque nouveauté IA. Mon filtre est simple : est-ce que je possède les actifs clés, est-ce que la fonction reste utile dans deux ans, est-ce que je peux mesurer le vrai gain business ? Le direct mail rappelle un truc très sain : une technologie dure quand elle laisse quelque chose de réutilisable derrière elle. Si votre pilote renforce vos données, améliore vos ventes et reste réversible, ça vaut le test. Sinon, vous achetez surtout une dépendance. Le bénéfice pour vous : décider plus vite, avec moins de risques.

FAQ

• Qu’est-ce que l’agentic commerce ?
  L’agentic commerce désigne des expériences d’achat où des agents IA peuvent aider, recommander, comparer ou agir pour le client dans un parcours commercial. Le sujet n’est pas seulement l’interface. Le vrai point, c’est de savoir qui contrôle les données, la décision, la relation client et la mesure de la performance.
• Pourquoi comparer l’agentic commerce au direct mail ?
  Parce que le direct mail a résisté à plusieurs ruptures technologiques grâce à des bases très solides : des fichiers clients possédés par les marques, une adresse exploitable, une réponse mesurable. C’est un bon rappel. Une technologie utile n’est pas forcément la plus récente, c’est celle qui crée une valeur contrôlable et mesurable.
• Quels actifs une entreprise doit-elle garder en interne ?
  Elle doit garder la maîtrise des fichiers clients, consentements, historiques d’achat, données CRM, catalogue produit, règles commerciales, événements de conversion et données de performance. Une solution externe peut enrichir ces actifs, mais elle ne devrait pas les confisquer ni rendre leur réutilisation impossible.
• Comment repérer un risque de verrouillage fournisseur ?
  Le risque apparaît quand les exports sont limités, quand la mesure est opaque, quand les données d’interaction restent dans l’outil, ou quand le fournisseur ne dit pas clairement ce que vous pouvez récupérer à la fin du contrat. Ma règle est simple : je teste toujours la réversibilité avant de généraliser.
• Quels indicateurs suivre pour évaluer un pilote d’agentic commerce ?
  Je regarde le revenu incrémental, le taux de conversion, le panier moyen, le coût par commande, le réachat, la qualité des données collectées et la capacité à attribuer les résultats. Le plus important reste l’incrémentalité : est-ce que la solution crée vraiment une vente ou est-ce qu’elle récupère juste une vente qui aurait eu lieu quand même ?

A propos de l’auteur

Je suis Franck Scandolera, expert et formateur en tracking avancé server-side, analytics engineering, automatisation no/low code avec n8n, intégration de l’IA dans les entreprises et SEO/GEO. Je dirige l’agence webAnalyste et l’organisme Formations Analytics. J’accompagne des équipes qui veulent mesurer correctement, automatiser sans perdre le contrôle et transformer leurs données en vrais leviers business. J’ai travaillé avec des références comme Logis Hôtel, Yelloh Village, BazarChic, la Fédération Française de Football ou Texdecor. Si vous voulez cadrer un projet IA, data ou automatisation sans vous enfermer dans une usine à gaz, contactez-moi.

Franck Scandolera

⭐ Expert et formateur en Tracking avancé, Analytics Engineering et Automatisation IA (n8n, Make) ⭐

Ref clients : Logis Hôtel, Yelloh Village, BazarChic, Fédération Football Français, Texdecor…

Mon terrain de jeu :

Data & Analytics engineering : tracking propre RGPD, entrepôt de données (GTM server, BigQuery…), modèles (dbt/Dataform), dashboards décisionnels (Looker, SQL, Python).
Automatisation IA des taches Data, Marketing, RH, compta etc : conception de workflows intelligents robustes (n8n, Make, App Script, scraping) connectés aux API de vos outils et LLM (OpenAI, Mistral, Claude…).
Engineering IA pour créer des applications et agent IA sur mesure : intégration de LLM (OpenAI, Mistral…), RAG, assistants métier, génération de documents complexes, APIs, backends Node.js/Python.