Les agents d’achat IA s’appuient fortement sur des modèles de langage pour sélectionner des produits pour les consommateurs, mais dans quelle mesure ces choix sont-ils cohérents entre les différents modèles ? Le mot-clé principal, agents d’achat IA, est central pour comprendre comment des modèles comme Claude Haiku, Sonnet et Opus influencent la sélection de produits à partir des mêmes listes de produits Shopify.

Introduction aux Agents d’Achat IA et à la Sélection de Produits

Shopify a mis en place un système révolutionnaire appelé Shop MCP qui permet à tout agent d’achat IA d’interroger son catalogue de plus d’un milliard de produits sans clé API. Cette innovation ouvre de nouvelles opportunités pour intégrer des agents IA dans le commerce électronique, mais introduit aussi une couche importante de prise de décision. Lorsqu’un agent IA reçoit une liste de produits correspondant à la demande d’un acheteur, il doit choisir un produit à recommander ou à acheter. Ce choix dépend principalement des préférences et algorithmes internes du modèle de langage IA sous-jacent.

Cet article explore en profondeur une étude comparant trois modèles de langage développés par Anthropic—Claude Haiku 4.5, Sonnet 5 et Opus 5—pour voir comment ils choisissent des produits à partir des mêmes ensembles de données. Le test élimine volontairement tout historique d’acheteur, préférences et instructions d’agent afin d’isoler la prise de décision des modèles et d’observer leurs biais intrinsèques.

Cadre de Test : Entrées Contrôlées et Consigne Claire

La méthodologie a consisté à sauvegarder les 20 meilleurs résultats produits issus de diverses recherches Shopify—grains de café, sacs à dos, crèmes solaires et tapis de yoga—et à soumettre ces listes de manière identique à chaque modèle. Les modèles recevaient une consigne stricte du système leur demandant de choisir le meilleur produit unique pour un acheteur en n’utilisant que les données fournies. Les requêtes étaient minimales pour exclure tout biais : uniquement des termes de recherche produit, parfois avec des paramètres additionnels comme un budget ou un type de peau.

Vous êtes un agent d’achat. Une personne vous a demandé d’acheter quelque chose pour elle. Vous verrez les produits renvoyés par le catalogue Shopify pour sa demande. Choisissez le seul produit que vous achèteriez pour cette personne. Répondez uniquement en JSON, sans autre texte : {“pick”: <numéro du produit>, “reason”: “<une phrase>”}

Cette approche a éliminé l’influence d’instructions spécifiques à un agent ou du contexte de l’acheteur, révélant comment les modèles priorisent des caractéristiques telles que le nombre d’avis, les prix ou la formulation des descriptions produit.

Modèles Testés

Les trois modèles Anthropic présentent des caractéristiques uniques :

• Claude Haiku 4.5 : privilégie les produits populaires avec beaucoup d’avis.
• Sonnet 5 : favorise également les produits avec un grand nombre d’avis mais diverge parfois.
• Opus 5 : opte souvent pour des choix « sûrs », mettant l’accent sur l’attrait général plutôt que la popularité.

Résultats : Préférences Variées et Manque de Consensus

Sur près de 2 000 choix cumulés, les modèles s’accordaient rarement sur le produit top dans une recherche donnée. Même avec des listes et demandes identiques, leurs sélections divergeaient fortement.

Par exemple, les produits les plus choisis par Haiku et Sonnet se recoupaient sur trois des six recherches, mais aucun produit ne correspondait à travers les trois modèles. Leur cohérence interne était élevée—chaque modèle répétant son produit favori à près de 90 % ou plus—mais la cohérence entre modèles était faible.

Plus notablement, l’ordre d’apparition des produits dans le catalogue influençait dans une certaine mesure, parfois en diminuant fortement la chance de sélection quand la liste était inversée, bien que cette influence ne soit pas uniforme selon les recherches.

Le Nombre d’Avis Guide les Sélections pour Haiku et Sonnet

Haiku et Sonnet choisissaient fréquemment les produits affichant le plus grand nombre d’avis, citant parfois des nombres d’avis bien supérieurs à ceux visibles sur les pages produit. Un exemple frappant est une bouteille d’eau recensée avec plus de 447 000 avis dans les données du catalogue, alors que la page réelle montrait environ 6 500 avis. Ce décalage suggère que les modèles IA s’appuient fortement sur les métadonnées du catalogue, qui ne correspondent pas toujours aux détails de la vitrine.

Le Modèle Opus Opte pour un Choix par défaut Sûr

Contrairement aux deux autres, Opus décrit systématiquement ses choix comme les options « les plus sûres » ou « les plus populaires ». Il sélectionnait plutôt des produits de gamme moyenne ou d’usage général au lieu de ceux avec le plus d’avis. Par exemple, dans les recherches de grains de café ou de sacs à dos, Opus préférait un café torréfié moyen ou un sac à dos ordinaire aux options plus spécialisées et très évaluées.

Impact des Critères Spécifiques à l’Acheteur

L’ajout de préférences comme le budget ou le type de peau changeait radicalement les décisions des modèles. Pour les crèmes solaires, quand la requête incluait « sous 25 $, pour peau grasse », tous les modèles abandonnaient la crème solaire la mieux notée à 48 $ au profit d’options moins chères correspondant aux critères. Opus prenait même en compte des phrases telles que « sans boucher les pores » dans les descriptions, soulignant l’importance d’une copie produit précise et adaptée aux besoins de l’acheteur.

Implications pour les Commerçants Utilisant des Agents d’Achat IA

Cette étude révèle une couche critique de boîte noire dans le processus d’achat IA : le rôle du modèle de langage dans la prise de décision produit est à la fois central et opaque. Contrairement aux classements de recherche traditionnels que les commerçants peuvent suivre et optimiser, les préférences des modèles IA varient grandement et ne peuvent être facilement influencées ou prédites.

Michael Chen, stratège IA pour le e-commerce, observe,

« Le modèle derrière l’agent agit en fait comme un gardien, décidant qui obtient la vente. Cette décision est influencée par les métadonnées et la présentation des produits, un peu comme le SEO, mais avec une imprévisibilité accrue due aux différences entre modèles. »

Ces constats invitent les commerçants à soigneusement sélectionner les métadonnées produit et à garantir des descriptions précises et pertinentes pour influencer efficacement les agents IA.

Quatre Étapes Pratiques pour les Commerçants

1. Auditer les métadonnées produit pour leur exactitude et exhaustivité, en particulier les notes, nombres d’avis et résumés de fonctionnalités visibles par les agents IA.

2. Optimiser les descriptions produit avec un langage aligné aux intentions et besoins explicites des acheteurs pour assurer que les agents perçoivent les détails pertinents.

3. Maintenir des revendications produits honnêtes et vérifiables car les agents IA peuvent les présenter aux acheteurs sans vérification des faits.

4. Réaliser des tests spécifiques aux modèles en soumettant les top résultats des recherches de catégories à différents modèles IA afin de comprendre la variation des choix et adapter les stratégies en conséquence.

L’Avenir des Achats par Agents IA et la Transparence des Classements

Avec l’intégration des agents IA sur des plateformes telles que Google et Meta Ads, la nature opaque des couches décisionnelles IA présente défis et opportunités. Contrairement au SEO traditionnel qui permet aux boutiques de suivre leurs classements et la concurrence, les agents d’achat IA introduisent des processus de recommandation individualisés et non transparents.

Comme l’explique le Dr Laura Ramirez, data scientist spécialisée en explicabilité IA,

« Sans transparence sur la manière dont les modèles IA pondèrent les attributs produit, les commerçants peuvent avoir du mal à optimiser. La meilleure approche combine une compréhension approfondie des données produit, des tests continus et une adaptation aux comportements IA évolutifs. »

Le besoin de stratégies robustes dédiées au commerce IA est de plus en plus urgent en 2024 et au-delà.

Les commerçants souhaitant améliorer leur préparation aux agents IA peuvent explorer des fonctionnalités complètes d’optimisation e-commerce IA et considérer des outils comme l’agent IA d’Adsroid pour Google Ads afin de gérer stratégiquement la visibilité produit dans des environnements de recherche propulsés par IA.

Conclusion

Les agents d’achat IA utilisent des modèles de langage pour sélectionner des produits à partir des données catalogue, des demandes des acheteurs et de biais internes. Différents modèles comme Claude Haiku, Sonnet et Opus montrent des préférences distinctes qui influencent les produits finalement recommandés. Pour les commerçants, comprendre et optimiser les métadonnées produit, les listings et les revendications est crucial pour influencer ces couches décisionnelles IA efficacement.

Étant donné que les décisions commerciales pilotées par IA se prennent à huis clos avec peu d’informations, tester en continu, défendre la transparence et s’adapter restent indispensables. S’appuyer sur des outils IA avancés et sur de bonnes pratiques de données permet de garder un avantage compétitif dans cet environnement en évolution.

Pour un guide pratique sur la réduction des coûts publicitaires tout en maximisant le retour sur investissement dans des plateformes influencées par le comportement d’achat IA, consultez notre playbook détaillé sur comment réduire le CPA avec Google Ads et Meta Ads.

Pour mieux comprendre comment les pratiques SEO fondamentales assurent la visibilité IA, consultez notre analyse sur l’importance du SEO technique à l’ère de la recherche IA sur le rôle du SEO technique dans la recherche IA.