L’IA dans l’e-commerce: où aide-t-elle vraiment et où vaut-il mieux ne pas y toucher?

Aujourd’hui, quand on parle d’IA dans l’e-commerce, on pense généralement à deux choses en même temps. En confondant les deux, on prend de mauvaises décisions. Nous vous dévoilons ci-après ce qui fonctionne concrètement – et ce qu’il vaut mieux éviter.

Aujourd’hui, quand on parle d’IA dans l’e-commerce, on pense généralement à deux choses en même temps. D’une part, on a une technologie vieille de plusieurs décennies qui fonctionne en arrière-plan et qui alimente depuis longtemps les plateformes d’e-commerce. D’autre part, il y a ce dont tout le monde parle en ce moment: ChatGPT, Claude, Gemini. En mettant les deux dans le même panier, on prend de mauvaises décisions. Cet article explique ce qui convient pour quoi, ce que l’on peut mettre en œuvre concrètement aujourd’hui, et les cas où l’enthousiasme pour l’IA est plus nuisible qu’utile.

Deux technologies, un terme

L’IA est un terme générique issu de différentes approches. Dans le contexte de l’e-commerce, deux technologies fondamentalement différentes existent.

L’apprentissage automatique est l’ancienne variante basée sur les données. Les algorithmes apprennent à partir de données historiques et identifient des modèles sans être explicitement programmés. L’apprentissage supervisé signifie que l’on montre au modèle des exemples avec des réponses connues et que le modèle apprend à classer ces informations. L’apprentissage non supervisé signifie que le modèle trouve lui-même des structures dans les données – par exemple des clusters de clientes et de clients selon le comportement d’achat, sans que l’on définisse au préalable quels groupes doivent exister. Dans l’apprentissage par renforcement, on définit un objectif, p. ex. obtenir le plus grand nombre de conversions possible, et l’IA apprend par expérimentation quelle est la meilleure stratégie publicitaire. Dans la pratique, cette technologie se cache dans des algorithmes de recommandation, des campagnes META et Google, des modèles de prix dynamiques, la détection des fraudes et l’optimisation des stocks. La plupart des systèmes de boutiques en ligne et des outils d’analyse fournissent des solutions déjà prêtes à l’emploi.

L’IA générative est la nouveauté. Les grands modèles de langage (LLM) comme Claude, ChatGPT, Gemini ou Mistral peuvent comprendre, générer, analyser des textes et y réagir. Les modèles de génération d’images, comme le Nano Banana de Google, peuvent générer une image photoréaliste à partir d’un prompt de texte. Cette technologie s’est considérablement améliorée au cours des trois dernières années et peut donc être utilisée de manière judicieuse par les PME.

Distinction importante: pour optimiser les itinéraires logistiques ou les stocks, il faut un apprentissage automatique et des données correctes. Pour écrire, analyser, communiquer et accompagner les processus plus rapidement et mieux, il faut recourir à un LLM. Les deux technologies peuvent se compléter, mais il ne faut pas s’attendre à ce que l’une fasse le travail de l’autre.

Trois principes de base à assimiler

Avant de passer aux choses concrètes, voici trois principes qui s’appliquent à tout ce qui suit dans cet article.

Human in the Loop. L’IA ne prend pas de décisions pour les gens – elle les prépare. Et ce n’est pas un défaut de conception, c’est intentionnel. Les meilleurs workflows d’IA sont conçus de telle sorte qu’une personne doit valider chaque action importante. Exception: processus entièrement répétitifs et peu risqués dans lesquels on a instauré de la confiance. Tôt ou tard, les personnes qui se lancent directement dans le tout automatisé seront mécontentes.

L’IA: un partenaire conseil, et non un fournisseur. Le malentendu le plus courant, c’est que l’IA donne simplement des réponses. Celles et ceux qui utilisent le mieux l’IA s’en servent comme un très bon assistant: ils apportent leur propre expertise, remettent en question les réponses de l’IA, la corrigent et l’affinent. L’IA ne connaît pas non plus les spécificités propres à l’entreprise: ingénierie contextuelle – les bonnes données complémentaires sous la bonne forme sont plus importantes qu’un bon prompt. Le résultat est meilleur que ce que l’IA ou l’humain auraient produits seuls.

La protection des données, c’est important. Tous les grands fournisseurs de LLM – Anthropic (Claude), OpenAI (ChatGPT), Google (Gemini) – ont leurs serveurs aux États-Unis. Pour les données clients, les documents NDA ou les informations personnelles, il convient de vérifier ce qui est intégré dans le modèle. Si votre travail est soumis aux exigences strictes du RGPD ou que vous souhaitez traiter des données clients, vous disposez d’autres possibilités. Plus d’informations à ce sujet plus tard.

Quel modèle pour quel travail?

Quatre plateformes dominent le marché. Leurs points forts diffèrent. Le savoir permet d’économiser du temps et de l’argent.

Claude d’Anthropic est recommandé dans le cadre d’un travail commercial structuré. Claude commence par établir un plan et le suit de manière systématique. Il dit quand quelque chose ne va pas, ce qui constitue une vraie valeur ajoutée pour les analyses de contrats, les révisions de stratégie et les évaluations des données. En outre, Anthropic a inventé le Model Context Protocol (MCP), la norme désormais établie qui permet aux modèles d’IA de communiquer directement avec d’autres applications – de Shopify aux plateformes de publicité en passant par Google Analytics. L’application de bureau Cowork permet un accès local au disque dur sans chargement dans le cloud. Cowork n’oublie jamais, car il peut créer des fichiers de mémoire locaux. Il peut également traiter des tâches en arrière-plan de manière autonome et répartir les tâches en parallèle entre différents agents. Une fois que l’on a mis en place des skills et des plug-in pour ses propres processus, on distribue ce savoir-faire à tout le personnel du compte d’équipe. Voilà comment l’IA évolue.

ChatGPT d’OpenAI est un outil très utilisé par les consommatrices et les consommateurs. Le meilleur mode vocal du marché, bon en génération d’images, rapide pour le brainstorming et le travail créatif. Cependant, il manque de fiabilité pour les processus commerciaux structurés, les procès-verbaux ou les workflows complexes. Il crée «n’importe quoi», a tendance à oublier des choses importantes ou invente des chiffres bien qu’ils soient disponibles.

Gemini de Google est le premier choix lorsque l’entreprise utilise le Google Workspace: Docs, Gmail, Sheets. Sa génération d’images est très puissante. En dehors du monde de Google, Gemini perd rapidement de son importance. De plus, Google est souvent à la traîne avec des fonctions que d’autres systèmes proposent déjà depuis longtemps, en particulier en dehors des États-Unis.

Mistral est l’alternative européenne: serveur en France, conforme au RGPD, des fonctionnalités puissantes et au moins au niveau de ChatGPT. Pour les entreprises avec clauses NDA qui contiennent des directives sur l’emplacement des serveurs, Mistral est la seule option cloud réaliste. Pas de client de bureau, une fenêtre contextuelle plus petite.

Pour l’e-commerce, on choisit la plupart du temps: Claude pour l’analyse, les processus et l’output commercial; ChatGPT pour l’idéation créative; Mistral lorsque des données clients sont en jeu et qu’un serveur européen est obligatoire.

Analyse des données et dashboards: ce qui fonctionne déjà aujourd’hui

L’une des plus grandes valeurs ajoutées sous-estimées de Claude dans l’e-commerce: le regroupement, l’analyse et la préparation de manière compréhensible de données provenant de différentes sources – sans experts en données, sans outils de BI ou de reporting coûteux.

La solution pour y parvenir: Windsor.ai. Windsor relie toutes les sources de données pertinentes via un seul connecteur: Shopify, Google Analytics, Meta Ads, Google Ads, TikTok, Search Console. Claude peut s’adresser directement à Windsor via MCP, ce qui signifie qu’on lui demande en français ce qui se passe dans les différentes campagnes et dans la boutique en ligne et qu’on obtient une analyse plutôt que des tableaux.

Exemples concrets actuellement possibles:

• «Quelle catégorie de produits a obtenu le meilleur ROAS sur Meta la semaine dernière?»
• «Compare-moi le taux de conversion entre mobile et ordinateur fixe au cours des 30 derniers jours.»
• «Où est-ce que je perds des clientes et des clients dans le tunnel de commande?»
• «Quel canal m’apporte les clientes et les clients les plus précieux en termes de valeur de durée de vie client?»

Résultat: Claude établit un dashboard, rédige une analyse ou répond directement à la question – et explique pourquoi. Pas sous forme de diagramme circulaire dans PowerPoint, mais en tant qu’évaluation exploitable. Mais bien entendu, Claude peut aussi générer de beaux dashboards de reporting, conformes à l’identité visuelle, et générer un PowerPoint.

Windsor peut être testé sur https://windsor.ai/?fpr=mikeschwede. Le code MIKE permet une phase de test prolongée et 15% de réduction à vie.

Communication avec la clientèle: apprendre le style, maintenir la qualité, évoluer

L’e-commerce vit de la communication avec la clientèle. Questions sur les produits, réclamations, statut de livraison, FAQ. Voici le déroulement type: le matin, 30 e-mails attendent une réponse dans la boîte de réception. Trois personnes différentes répondent dans trois styles différents. La qualité varie selon l’humeur du jour. Dans le meilleur des cas, on dispose d’un système de ticketing onéreux avec des réponses standard et une efficacité modérée.

Claude Cowork permet d’améliorer fondamentalement la situation. Le principe: Claude apprend à partir d’e-mails existants comment l’entreprise communique – tonalité, formulations, réponses typiques aux questions fréquentes. Ce savoir-faire est enregistré dans des fichiers «skill» et «markdown». Un skill est un fichier texte contenant des instructions que Claude lit lors de chaque tâche.

Le workflow se présente ainsi: chaque matin, Claude prépare automatiquement des ébauches de réponse pour tous les e-mails reçus et les dépose dans la boîte de réception sous forme de brouillons. Le matin, on ouvre la boîte de réception, on vérifie chaque ébauche puis on l’envoie, l’adapte ou la rejette. Human in the Loop. Plus personne ne se retrouve devant une page vide, personne ne se perd dans les questions de formulation ou ne cherche dans les FAQ. Résultat: des temps de réaction plus rapides, une qualité plus cohérente, une équipe avec une charge de travail réduite.

L’étape décisive qui suit: ce skill peut être intégré sous forme de plug-in et relié à des services supplémentaires, puis distribué de manière ciblée à toutes personnes du compte d’équipe. Chaque personne qui utilise Claude écrit automatiquement dans le même style, qu’elle soit fatiguée, fraîchement embauchée ou de langue maternelle étrangère. Une assurance qualité par la technologie, pas par le contrôle.

Connecter directement Shopify: ce que signifie MCP

Shopify a été l’un des premiers grands systèmes d’e-commerce à rendre public un serveur MCP officiel. Dans la pratique, cela signifie que Claude peut communiquer directement avec la boutique en ligne. Cela permet, dans un langage naturel, sans connaissances en matière de base de données ou de programmation:

• de consulter les informations sur les produits, de vérifier la cohérence, de procéder à des optimisations pour les moteurs de recherche et de promouvoir les modifications relatives à Shopify;
• d’écrire le code Liquid et adapter la boutique en ligne;
• de consulter les rapports de commande et d’analyser les données;
• de vérifier la cohérence des catalogues de produits: manque-t-il des textes alternatifs? Toutes les métadescriptions sont-elles définies? Les descriptions de produits sont-elles inférieures à une longueur minimale?

Au lieu de naviguer manuellement dans l’Admin, on demande à Claude: «Montre-moi tous les produits pour lesquels la description est plus courte que 80 mots ou pour lesquels le texte alternatif manque.» Claude établit une liste et propose des améliorations, que l’on peut valider. C’est là le cœur de la pensée MCP: pas de copier-coller entre les outils, pas de transfert de données manuel.

Textes et photos de produits: qu’est-ce qui en vaut la peine?

Les textes relatifs aux produits sont un cas d’application classique de l’IA – et un cas où l’obstacle à la qualité est élevé. Les descriptions génériques qui ne disent rien font plus de mal que de bien. La solution qui marche: Claude en tant que réviseur. On lui donne une description existante et on lui demande: «Est-ce assez spécifique?» Que manque-t-il? «Quel effet cela a-t-il sur quelqu’un qui ne connaît pas encore le produit?» Claude montre les points faibles et propose des alternatives concrètes. Il est important de former Claude au préalable avec un skill Corporate Wording afin que chaque texte corresponde à la marque.

Pour les boutiques en ligne avec des centaines de produits, il vaut la peine d’adopter une approche systématique: mettre en mémoire la liste de produits via le MCP de Shopify, vérifier chaque description par rapport à des critères définis (longueur, tonalité, mots clés, avantages vs caractéristiques), émettre une liste prioritaire des textes à remanier. Une personne réalise ainsi en une journée autant de travail que ce qu’une équipe aurait jadis fait en une semaine.

Photos de produits: le modèle de traitement d’images de Google Nano Banana peut revaloriser automatiquement les images de produits: remplacer les arrière-plans, adapter les ambiances, créer des variantes de couleurs. Avec Google AI Studio, il est possible de construire en quelques heures une application web que l’équipe peut utiliser, sans connaissances en programmation. Il est ainsi possible d’adapter directement des centaines de photos de produits à sa propre marque ou de les adapter à l’offre spéciale de printemps.

➡️ Article: Bildproduktion mit Nano Banana und Google AI Studio (en allemand et en anglais)

Marketing: ce qui fonctionne – et ce qu’il vaut mieux éviter

Images et vidéos générées par l’IA dans la publicité avec des personnes: à éviter. Ce n’est pas une opinion, c’est factuel. La confiance de la clientèle – en particulier de la génération Z – diminue de manière mesurable lorsqu’elle reconnaît de l’IA dans la publicité. La publicité générée par l’IA est également moins performante. Les personnes réelles dans des situations réelles convertissent mieux. Cela vaut pour les publicités classiques sur les médias sociaux, les pubicités display et les vidéos.

En revanche, l’utilisation de l’IA est judicieuse dans les cas suivants:

• Mise en scène de produits sans intervention humaine: générer des arrière-plans pour des photos de produits avec l’IA, créer des variations, procéder à des adaptations saisonnières. Personne ne remarque de différence.
• Variantes de publicité à partir d’une création maître: on a une publicité qui fonctionne. L’IA crée 15 variantes avec des titres adaptés, différents cadrages, différentes couleurs. Au lieu d’une variante, on en teste 20 en même temps.

En parlant de marketing de performance, Meta a son propre serveur MCP. Cela signifie que Claude peut communiquer directement avec le Meta Ads Manager – consulter les données des campagnes, analyser les groupes cibles, vérifier les offres et les budgets, créer de nouvelles campagnes avec des centaines de publicités. Des outils graphiques comme Canva et des plateformes vidéo comme Higgsfield ou Fal.AI proposent également des connexions MCP – ils est ainsi techniquement possible de passer directement de l’analyse à la création. Les outils de newsletter comme Brevo peuvent également être connectés via MCP: mettre à jour la liste des destinataires, analyser les campagnes ou mettre en place et mettre en page la nouvelle newsletter? Tout est possible depuis Claude via le MCP Brevo. Claude devient ici un outil de travail central capable de gérer l’analyse, la gestion des campagnes et la production graphique.

SEA et SEO: Claude en tant qu’analyste stratégique

Dans le marketing de moteurs de recherche, qu’il soit payant ou organique, la plus grande charge de travail ne réside pas dans la mise en place, mais dans la compréhension. Quels mots clés sont efficaces? Où est-ce que je perds par rapport à la concurrence? Quelles intentions de recherche n’ai-je pas encore utilisées.

Claude peut ici accélérer considérablement les choses avec les bonnes sources de données:

• Via Windsor.ai: analyser directement les données des campagnes Google Ads. Quels groupes d’annonces engloutissent le budget sans conversion? Où est-ce que le Quality Score se situe en dessous de 7? Claude lit les données, rédige une analyse et fait des propositions d’optimisation hiérarchisées.
• Via Semrush, Sistrix ou Ahrefs (tous proposent des connexions MCP): recherche de mots clés, analyses de classement, audits de backlink, comparaisons concurrentielles. Une analyse SEO complète, qui durait auparavant une demi-journée, se déroule ainsi en grande partie automatiquement: le temps d’un café, l’analyse est terminée.

Il en va de même pour le SEA: au lieu de passer des heures sur l’interface Google Ads, on pose les questions à Claude et on obtient des réponses structurées avec des recommandations d’action.

GEO: quand laclientèle ne google plus, mais pose des questions

La Generative Engine Optimization (GEO) est un sujet viral dans l’e-commerce. De plus en plus de personnes ne posent plus leurs questions de décision d’achat dans la barre de recherche Google, mais directement dans ChatGPT, Claude ou le mode Google AI basé sur l’IA. «Quelle machine à café entièrement automatique à moins de 500 francs est la meilleure pour une personne?» – ce type de questions se posent de plus en plus dans un chat d’IA, plutôt que dans un moteur de recherche classique.

Les exploitants Shopify ont ici un avantage structurel. Shopify travaille en étroite collaboration avec OpenAI et Google – les produits d’une boutique Shopify apparaissent plus souvent dans les réponses IA.

Mais globalement, la bonne nouvelle est qu’une bonne optimisation SEO est en grande partie aussi une bonne optimisation GEO. Les systèmes d’IA reconnaissent les descriptions de produits claires et structurées, les réponses aux questions dans les contenus et les contenus techniquement bien organisé. Google a publié un guide officiel à ce sujet:

➡️ Article (en allemand): Website für Google KI optimieren

À retenir: il n’y a pas de «stratégie d’optimisation IA» séparée. Avec un bon SEO, on est automatiquement bien positionné.

Logistique, sourcing, prévisions: quand les LLM ne sont pas l’outil adéquat

Les LLM ne sont pas des machines d’optimisation. Si on demande à Claude «Optimise mes stocks», on obtient soit une réponse générale, soit aucun résultat fiable avec les bonnes interfaces (MCP) – la quantité de données est trop importante. Pour ce faire, il faut un apprentissage automatique avec des données historiques de commande, de saison et de livraison. Il s’agit d’un véritable projet de données, pas d’un prompt de chat. On ne demanderait pas à un expert en langue française chevronné d’effectuer cette tâche, mais à un analyste de données ou à un mathématicien.

Toutefois, il y a une chose que Claude sait très bien faire: la phase préliminaire. Avant d’investir dans un projet d’optimisation, on a besoin de clarté: cela en vaut-il vraiment la peine? Quels sont les leviers? De quelles données ai-je besoin? Les données sont-elles vraiment utilisables?

Un workflow d’introduction concret:

• On exporte une partie des données pertinentes: historique de commande, stocks, délais de livraison, retours – le tout anonymisé.
• Claude analyse les données, trouve des modèles, relève les anomalies, évalue le potentiel d’optimisation et calcule les premiers algorithmes d’apprentissage automatique.
• Sur la base de cette analyse, on décide si une vraie solution ML est rentable – et avec quelles données on commencerait. Il s’agit d’une base parfaite pour un vrai analyste de données avec des outils d’apprentissage automatique adéquats.

Il s’agit de l’introduction judicieuse de l’IA à la logistique: pas comme solution, mais comme outil de diagnostic.

➡️ Article (en allemand et en anglais): Maschinelles Lernen für Einsteiger – ChatGPT als Data Analyst

Protection des données: quand la norme ne suffit pas

Pour les entreprises d’e-commerce actives dans l’UE ou travaillant avec des données clients sensibles, les modèles cloud basés aux États-Unis ne sont souvent pas une option. Deux alternatives:

Mistral AI est la solution pragmatique pour la plupart des entreprises. Européen, serveur en France, conforme au RGPD. La qualité se situe au moins au niveau de ChatGPT – très bien adapté aux textes commerciaux, aux demandes des clientes et des clients et à l’analyse.

➡️ Article (en allemand et en anglais): ChatGPT vs. Mistral – der KI-Showdown

Les modèles open weight sont la solution pour un contrôle maximal des données. Des modèles comme Llama (Meta), Mistral (version téléchargeable) ou Apertus (un LLM open source géré par une initiative suisse) fonctionnent sur son propre serveur ou ordinateur portable. Aucune donnée ne quitte sa propre infrastructure. Des outils comme Ollama ou LM Studio facilitent l’installation, sans demander de connaissances en programmation. Le compromis: performance plus faible que les modèles cloud, exigences matérielles (au moins 16 Go de RAM recommandés). Mais cela est tout à fait suffisant pour un nombre étonnamment élevé de cas d’application.

Pour la plupart des entreprises d’e-commerce, le principe suivant s’applique: textes relatifs aux produits, analyses SEO et communication interne: aucun problème avec Claude ou ChatGPT. Données clients, historique d’achat, informations personnelles: soit Mistral, soit un modèle local.

Notes de réunion: la solution immédiate négligée

Un thème qui concerne tout le monde, mais qui est rarement considéré comme un «cas d’application d’IA»: les notes de réunion et les procès-verbaux. S’occuper de la documentation après une réunion, c’est gaspiller son énergie au mauvais moment. Déléguer, c’est risquer des procès-verbaux incomplets ou erronés.

Optiverse résout ce problème. Cet outil est un spin-off des EPF, il exploite ses serveurs en Suisse et comprend sans problème le suisse-allemand, ce qui ne va pas de soi en Suisse. Optiverse enregistre les réunions, établit automatiquement des procès-verbaux structurés, rend les enregistrements vidéo avec fonction de recherche consultables («Quand avons-nous parlé du taux de retours?») et peut effectuer des analyses d’IA plus complexes sur plusieurs réunions.

Vous pouvez le tester gratuitement pendant un mois sur app.optiverse.ai/login?source=mikeschwede. Au bout d’une semaine, on ne veut plus faire de réunion sans cet outil.

La prochaine étape: de l’assistant à l’agent

Quiconque s’est familiarisé avec Claude Cowork (développement des premiers skills, semi-automatisation des premiers processus et économie des premières heures hebdomadaires) se trouve naturellement confronté à la question suivante: quelles sont les possibilités si l’on poursuit résolument sur cette voie? La réponse, ce sont les agents. Alors qu’un skill apprend à Claude comment écrire et qu’un plug-in associe plusieurs skills à un workflow, un agent est un système autonome: il démarre automatiquement lorsqu’une condition est remplie, effectue sa part du travail, attend une validation et continue. Le matin, à 7h00, l’agent démarre, analyse les entrées de commande de la nuit, vérifie si des chiffres clés critiques divergent et dépose un texte de briefing structuré dans la boîte de réception – avant même que la première personne arrive au bureau. Ce n’est pas de la science-fiction. Ça se passe aujourd’hui.

L’IA ne fait pas perdre des postes si on l’utilise correctement. Ce quelle fait, c’est alléger la charge de travail. Une collaboratrice qui consacre deux heures par jour à des demandes standard, à la rédaction de procès-verbaux et à la préparation des données peut consacrer ce temps à des entretiens avec la clientèle, à des décisions en matière d’assortiment et à un travail créatif. Une personne peut s’occuper de plus de clientes et de clients, gérer plus de projets, faire un meilleur travail. C’est un moyen d’action, pas un moyen visant à supprimer des postes.

À la fin de mes séminaires, je réalise régulièrement des sondages. En moyenne, les participantes et les participants indiquent économiser plus de 11 heures de travail par semaine après une mise en œuvre systématique. Pour une équipe de cinq personnes, cela correspond à 55 heures de capacité libérée par semaine, sans budget ni têtes supplémentaires.

L’important est de ne pas lancer un énorme projet d’IA.

• Former l’équipe avec Claude, développer les premières skills / faire réaliser des automatisations et recueillir des expériences.
• Recueillir et évaluer les applications possibles dans un atelier sur les cas d’application: cela résout-il un problème urgent? Nos données sont-elles prêtes (qualité, accessibilité, facilité d’utilisation) et les processus sont-ils clairs?
• Développer pas à pas des skills et des plug-in, sans avoir besoin de s’y connaître en programmation. Une fois que ceux-ci ont fait leurs preuves au bout de six mois et ont été peaufinés, ces données peuvent être développées et intégrées spécifiquement sur les propres systèmes.

L’introduction est plus simple que la plupart des gens ne le pensent. N’attendez pas que ce soit «terminé». Commencez par une tâche qui vous énerve aujourd’hui. Laissez faire l’IA, regardez le résultat, adaptez-le. Puis passez à la tâche suivante.