1 000 milliards de dollars aux États-Unis d’ici 2030 : la projection a changé d’échelle, mais le point de friction reste étonnamment concret. Dans le commerce piloté par des agents IA, la bataille ne se joue pas d’abord sur l’interface ou le marketing. Elle se gagne, ou se perd, dans la qualité des catalogues produits, des attributs techniques et des flux marchands.

L’agentic commerce, c’est la capacité donnée à des agents IA de comparer, recommander et parfois exécuter un achat sans intervention humaine continue. Pour les distributeurs, l’enjeu dépasse la simple modernisation du site e-commerce. Il s’agit de rendre chaque référence intelligible pour une machine qui n’accepte ni approximation de catégorie, ni attribut absent, ni incohérence entre canaux.

Un marché projeté à plusieurs milliers de milliards de dollars

Les estimations diffusées depuis fin 2025 ont installé l’agentic commerce dans une autre dimension économique. McKinsey évalue le retail B2C américain à 900 milliards à 1 000 milliards de dollars de revenus orchestrés par des agents IA d’ici 2030. À l’échelle mondiale, la fourchette avancée atteint 3 000 à 5 000 milliards de dollars, selon le rapport The agentic commerce opportunity publié en octobre 2025.

Point important pour les directions générales et financières : ces montants ne couvrent pas uniquement les transactions totalement automatisées. Ils incluent aussi les achats effectués par des consommateurs humains mais influencés en amont par les recommandations d’agents. Autrement dit, l’impact potentiel porte à la fois sur l’acte d’achat et sur l’arbitrage préalable entre marques, vendeurs et références.

Le cadrage américain a ensuite été réaffirmé. Un rapport ICSC-McKinsey de mai 2026 a confirmé la borne haute de 1 000 milliards de dollars aux États-Unis à l’horizon 2030 (McKinsey, ICSC).

Ce que mesurent réellement ces projections

Les ordres de grandeur cités pour 2030 additionnent deux réalités distinctes : les achats exécutés directement par un agent et les ventes orientées par une recommandation algorithmique. Pour un retailer, cela signifie qu’un produit peut perdre de la visibilité bien avant la phase de paiement, dès l’étape de comparaison automatisée.

Cette distinction est loin d’être théorique. Elle explique pourquoi les marchands qui raisonnent encore seulement en trafic, conversion et merchandising humain risquent de sous-estimer le sujet. Dans un parcours piloté par agent, la première sélection se fait en machine. Si le produit ne remonte pas proprement dans cette première couche, la marque ne participe même pas à la compétition commerciale.

Le vrai retard des entreprises porte sur la donnée, pas sur l’adhésion au principe

Les dirigeants ne sont pas majoritairement sceptiques sur l’IA agentique. Le décalage est ailleurs. D’après une étude Harvard Business Review Analytic Services menée auprès de plus de 400 dirigeants, 91 % estiment que l’IA agentique va transformer leur activité et 83 % la jugent indispensable pour rester compétitifs. Pourtant, 38 % seulement se déclarent réellement prêts.

Le signal le plus utile pour les entreprises françaises tient au premier obstacle identifié. Devant la cybersécurité, la donnée elle-même est citée par 39 % des répondants comme principal frein. Le sujet n’est donc pas seulement technologique, ni même seulement budgétaire. Il relève d’abord d’une discipline de structuration et de gouvernance de l’information produit.

Pour un comité de direction, cette hiérarchie des freins est lourde de conséquences. Elle signifie que l’avantage concurrentiel ne proviendra pas uniquement du déploiement d’un assistant conversationnel ou d’un moteur de recommandation. Il naîtra plus prosaïquement de la capacité à disposer de données complètes, normalisées, cohérentes et exploitables par des systèmes tiers.

Un agent IA n’interprète pas une fiche comme un consommateur parcourant une page. Il cherche des preuves structurées : catégorie exacte, attributs normalisés, compatibilités, disponibilité, différences avec des références voisines. Si un champ manque ou si deux sources donnent des informations divergentes, l’agent peut écarter le produit au profit d’une référence concurrente mieux documentée.

Ce point est central pour les fonctions juridiques et conformité. Plus les parcours deviennent automatisés, plus la qualité de la donnée engage la responsabilité opérationnelle de l’entreprise. Une mauvaise catégorisation ou un attribut erroné ne crée pas seulement une contre-performance commerciale. Il peut aussi fausser la recommandation fournie à l’acheteur, avec un risque évident sur la loyauté de l’information.

Le catalogue devient une infrastructure marchande, plus un simple contenu marketing

L’un des basculements les plus nets depuis le début de l’année 2026 tient à la redéfinition de la fiche produit. Une tribune signée par une équipe de PwC et publiée par Harvard Business Review en février 2026 insiste sur la même idée : il faut désormais structurer le contenu pour les machines, pas seulement pour les humains.

Jusqu’ici, une fiche e-commerce performante était souvent pensée comme un support commercial. Titre attractif, description persuasive, visuels, promesse de valeur. Dans l’agentic commerce, ce schéma ne suffit plus. La fiche doit répondre à des interrogations précises, souvent techniques, sur la compatibilité, les usages, les écarts entre produits voisins et la disponibilité.

Le professeur Venkat Venkatraman, de Boston University, cité dans ce même ensemble de travaux, résume l’enjeu de façon très opérationnelle : les organisations doivent « coder leur intelligence pour que les agents et les humains lisent la même page de données ». Cette formule dit bien ce qui change. Le contenu produit ne peut plus exister en double, avec une version marketing d’un côté et une version technique, dispersée ou contradictoire, de l’autre.

Dans les faits, beaucoup d’enseignes cumulent encore plusieurs vérités produit : celle du site, celle de la marketplace, celle du flux fournisseur, celle du PIM ou de l’ERP. Tant que ces couches ne convergent pas, l’agent arbitre mal ou renonce. Et lorsqu’il renonce, il se tourne vers une offre concurrente plus proprement décrite.

Ce que l’agentic commerce change pour les retailers

  1. La visibilité d’un produit dépend de sa vérifiabilité machine.
  2. La complétude des attributs devient un facteur de chiffre d’affaires potentiel.
  3. La cohérence entre site, marketplace et flux fournisseur cesse d’être un sujet secondaire.
  4. Les standards techniques deviennent stratégiques, même avant leur stabilisation complète.

Pour les entreprises françaises, le sujet concerne autant les pure players que les enseignes omnicanales. Un agent ne valorise pas spontanément la qualité d’une marque ou d’un réseau physique si ces éléments ne se traduisent pas dans des données lisibles. À terme, la gouvernance de la donnée produit rejoint les sujets cœur de marge et d’acquisition client.

Cdiscount : la recatégorisation devient un levier direct de ventes

Cdiscount : stratégie et résultats

Le cas de Cdiscount offre une illustration concrète de cette mutation. Fin 2025, son PDG Thomas Métivier a détaillé l’usage de l’IA générative pour recatégoriser automatiquement les fiches produits, en complément de modèles de machine learning déjà en place. L’effet annoncé est précis : cette approche divise par deux le taux d’erreur de catégorisation.

L’intérêt n’est pas cosmétique. Thomas Métivier l’a formulé de manière très directe : « Un produit qui est bien catégorisé fait 30 % de ventes en plus ». Le chiffre mérite l’attention des directions e-commerce, mais aussi des directions financières, car il rattache une opération de qualité de données à un effet commercial mesurable.

L’enseigne avait déjà retraité dix millions de références. Côté vendeurs partenaires, l’automatisation du matching des champs permet désormais de charger 100 % d’un catalogue en quelques minutes, contre 80 à 90 % auparavant après des heures de travail manuel. Le bénéfice est double : réduction des coûts de friction d’intégration et accélération de la mise en vente effective.

Cdiscount visait en outre 1 million d’euros de ventes additionnelles grâce à ce seul gain de complétude, quelques mois après le lancement de la fonctionnalité en septembre 2025. L’enseignement à retenir n’est pas limité au cas de l’entreprise. Il montre que l’IA générative, dans le retail, crée parfois plus de valeur en corrigeant le socle de données qu’en ajoutant une couche de conversation visible côté client.

La catégorie détermine le rattachement du produit à son univers marchand, à ses filtres, à ses comparables et à ses attributs attendus. Une mauvaise catégorie dégrade la recherche interne, complique la recommandation algorithmique et empêche un agent IA de vérifier correctement l’offre. Le produit reste techniquement en ligne, mais économiquement sous-exposé.

Pour les marketplaces, le sujet est encore plus sensible. Lorsque des vendeurs tiers alimentent massivement les catalogues, les erreurs de mapping de champs, les libellés hétérogènes et les attributs manquants se multiplient. L’automatisation du matching ne remplace pas une gouvernance de qualité, mais elle réduit fortement l’écart entre l’offre théorique disponible et l’offre réellement exploitable.

Google, Shopify et OpenAI accélèrent la normalisation technique

Le débat ne porte plus seulement sur les usages. Il porte aussi sur les tuyaux. Les standards techniques destinés aux échanges entre agents et marchands se structurent rapidement, avec une concurrence de protocoles et de cadres d’intégration.

Le Universal Commerce Protocol, ou UCP, a été annoncé en janvier 2026 au NRF. Il a été co-développé par Google et Shopify avec plus de vingt partenaires, parmi lesquels Etsy, Target et Walmart. Son ambition est claire : standardiser les interactions entre agents et commerçants sur l’ensemble du parcours, de la découverte produit jusqu’au support post-achat.

De son côté, OpenAI a introduit son Agentic Commerce Protocol en septembre 2025. Pour les marchands, cette coexistence de protocoles peut nourrir la tentation de l’attente.

Ce serait une lecture risquée. Le coût principal n’est pas tant de choisir trop tôt le mauvais standard que de rester avec des données non prêtes pendant que les concurrents rendent leurs catalogues interrogeables et compatibles.

En pratique, l’effort le plus rentable n’est pas d’anticiper le vainqueur définitif des standards. Il consiste à préparer les fondamentaux communs à tous : taxonomies robustes, attributs normalisés, disponibilité fiable, synchronisation entre systèmes, suppression des doublons et documentation claire des différences entre références proches.

Attendre un standard stabilisé peut coûter des parts de recommandation

Les protocoles peuvent évoluer, mais l’exigence de fond reste identique : fournir une donnée produit complète et cohérente. Un retailer qui diffère son chantier de qualité de données en attendant un cadre technique définitif prend le risque de laisser les premiers agents privilégier des catalogues concurrents déjà mieux structurés.

Pour les entreprises françaises, le parallèle avec d’autres transitions numériques est instructif. Lorsqu’un standard émerge, la valeur se concentre souvent d’abord chez les acteurs qui ont préparé les prérequis. Ici, le prérequis n’est ni un chatbot, ni une campagne de communication sur l’IA. C’est un référentiel produit fiable.

La lecture économique en France : un sujet de marge, de conversion et de gouvernance

Vu de France, l’agentic commerce peut sembler encore dominé par les annonces américaines. Pourtant, ses implications sont très concrètes pour les distributeurs, les marketplaces, les marques et les fournisseurs opérant sur le marché français.

D’abord parce que le sujet touche directement à la conversion commerciale. Un agent conversationnel ne compense pas une donnée ambiguë.

Si la catégorie est approximative, si un attribut manque ou si un champ est mal mappé, il ne “devine” pas durablement. Il privilégie la référence concurrente qu’il peut vérifier. Cela modifie la logique d’acquisition : être visible pour un moteur ou une place de marché ne suffit plus, il faut être décidable par une machine.

Ensuite parce que l’enjeu est aussi un sujet de marge opérationnelle. Des catalogues mal structurés exigent davantage de corrections manuelles, ralentissent l’onboarding des vendeurs partenaires, compliquent le service client et alimentent les retours ou les erreurs de promesse. À l’inverse, l’amélioration de la complétude peut créer un levier de ventes additionnelles, comme le montre l’objectif communiqué par Cdiscount.

Enfin, le sujet relève de la gouvernance d’entreprise. Une donnée produit cohérente suppose des arbitrages entre commerce, IT, data, juridique, opérations et relation fournisseurs. L’agentic commerce force à sortir le catalogue de la seule sphère marketing. Il devient un actif d’exécution.

  • Fiabiliser les catégories et les attributs avant d’ajouter de nouvelles couches d’IA visibles côté client.
  • Réconcilier les informations diffusées sur le site, les marketplaces et les flux fournisseurs.
  • Mesurer la complétude et l’exploitabilité machine comme des indicateurs de performance commerciale.

Pour les directions juridiques, le sujet appelle aussi de la vigilance documentaire. Plus un système recommande ou exécute des achats sur la base de données structurées, plus la précision des caractéristiques communiquées prend de l’importance. Sans extrapoler au-delà des sources disponibles, il est clair que la qualité de la donnée n’est plus seulement un sujet de référencement. Elle devient une condition de fiabilité commerciale.

Le prochain avantage concurrentiel se construit référence par référence

Le commerce agentique ne redistribuera pas le marché en un seul mouvement spectaculaire. Il avancera produit par produit, catégorie par catégorie, requête par requête. Les projections à horizon 2030 donnent l’échelle du phénomène, mais la sélection réelle se fera sur des détails très concrets : des champs exacts, des attributs présents, des catégories justes et des informations cohérentes entre systèmes.

Les acteurs les mieux préparés ne seront pas forcément ceux qui parlent le plus d’IA. Ce seront ceux qui auront rendu leur catalogue lisible, vérifiable et actionnable pour des agents qui ne tolèrent ni angle mort ni approximation.

Dans l’agentic commerce, la prochaine bataille du retail ne commence pas sur la page d’accueil, mais dans la structure invisible de la donnée produit.