Je fournis des conseils bénévoles à un détaillant situé dans l’Upper East Side de New York, et lors de notre dernière réunion vidéo, nous avons abordé de nouveaux sujets. Des données structurées, des flux de catalogue, une connexion au Universal Commerce Protocol de Google ou au Agentic Commerce Protocol d’OpenAI. Mais nous n’avons pas parlé de ce qui détermine si une vente a lieu : une fois que c’est un agent IA, et non une personne, qui termine la transaction, la caisse en dessous fonctionne-t-elle toujours ?
Le président de Shopify, Harley Finkelstein, a répondu à une partie de cette question lors de l’appel aux résultats de l’entreprise en février 2026, et le nombre n’est pas minime. Les commandes arrivant via la recherche basée sur l’IA ont été multipliées par 15 depuis janvier 2025 et sont déjà acheminées via trois protocoles distincts construits l’année dernière : le protocole de commerce universel de Google, le protocole de commerce agent d’OpenAI et Agentforce Commerce de Salesforce, qui ont choisi de s’aligner sur UCP plutôt que de créer une norme concurrente. Les vendeurs Etsy ont d’abord été mis en ligne dans ChatGPT, suivis par les marchands Shopify, notamment Glossier, Spanx et Vuori. Depuis, OpenAI s’est retiré du paiement natif par chat, déplaçant les achats vers les applications des détaillants, ce qui rend la question sous-jacente plus précise plutôt que moins pertinente.
J’ai envoyé un e-mail à Konstantin Klyagin pour savoir ce qui se passerait après cela. Il a fondé QAwerk en 2015 pour offrir aux logiciels un partenaire de test approprié, et l’agence a depuis testé plus de 300 projets clients en Amérique du Nord, en Europe et en Afrique. Sa réponse à la question de visibilité était que faire apparaître un produit dans les résultats d’une plateforme d’IA était la partie la plus facile, mais la plupart des frictions actuelles se situent en aval, dans la partie que personne n’a encore testée.
Un agent n’achète rien de tel qu’une personne
Le cadrage de Klyagin est simple une fois que vous l’entendez : un acheteur humain navigue à un rythme incohérent, se laisse distraire, abandonne un panier et y revient des heures plus tard. Un agent IA lance des appels API rapides et structurés, évalue un produit par rapport aux critères qui lui ont été donnés et exécute une décision en quelques secondes. Cette vitesse est exactement ce qui brise les systèmes adaptés aux humains.
La limitation du débit et la détection des robots existent pour détecter les comportements qui semblent automatisés, ce à quoi ressemble précisément un agent commercial légitime. La logique de session construite autour d’une visite humaine continue étouffe un agent qui interroge un produit, ferme la session et revient plus tard pour finaliser l’achat. L’équipe de Klyagin a testé des systèmes multi-agents dans d’autres secteurs réglementés et continue de trouver la même cause profonde : la plupart des plans d’assurance qualité vérifient si un système produit le bon résultat, et presque aucun ne vérifie si l’infrastructure environnante tolère qu’un acteur non humain le traverse à la vitesse d’une machine.
C’est là qu’un produit bien classé et bien optimisé ne parvient toujours pas à se convertir. Le travail de référencement et de visibilité de l’IA sur lequel la plupart des détaillants se concentrent actuellement se situe entièrement en amont de celui-ci.
Le modèle d’échec n’est pas celui que vous devineriez
J’ai demandé à Klyagin un exemple réel d’échec de paiement, de données de produit ou de remboursement causé spécifiquement par un agent IA, m’attendant à une histoire dramatique. Il n’a pas vu d’incident de production vérifié où un agent lui-même a provoqué l’échec du paiement d’un client, et il n’était pas disposé à déguiser un bug de commerce électronique ordinaire en échec d’agent et c’est exactement pourquoi sa réponse réelle vaut plus qu’une anecdote fabriquée.
Ce que son équipe a découvert à plusieurs reprises, c’est un problème plus subtil qui devient grave dès que l’acheteur est un logiciel plutôt qu’une personne. Sur un projet client, un entonnoir appelé Pridefit, les ingénieurs ont découvert que deux composants distincts conservaient leurs propres copies des mêmes données de plan, avec de légères différences de prix et d’attributs entre les deux. Un acheteur humain pourrait ne jamais le remarquer ou simplement actualiser la page. Un agent IA n’a aucun contexte visuel ni aucun jugement sur lequel s’appuyer. S’il sélectionne un forfait basé sur une source de données et que le paiement est validé par rapport à l’autre, l’inadéquation du prix, du SKU ou de la disponibilité peut bloquer la transaction dans un état que l’agent ne peut pas résoudre seul.
L’équipe de Klyagin a supprimé la duplication et centralisé les données du plan, de sorte que chaque partie de l’entonnoir provient d’une seule source. Mais le modèle qu’il s’attend à voir le plus souvent dans le commerce agent n’est généralement pas celui d’un agent choisissant le mauvais produit. Ce sont des systèmes qui ne sont pas d’accord sur l’état d’un achat : un flux d’inventaire indique qu’une variante est en stock tandis que le paiement indique qu’elle est épuisée, une demande expirée est réessayée sur un point de terminaison qui n’est pas correctement idempotent, ou un remboursement est autorisé du côté du commerçant avant que l’état de la commande mis à jour n’atteigne l’agent qui l’a initié. Une personne peut souvent ignorer une telle incohérence et comprendre ce qui s’est réellement passé. Un agent a besoin que chaque API, chaque flux de produits et chaque statut de commande soit déjà d’accord.
3 contrôles qui valent la peine d’être exécutés avant de poursuivre un quatrième protocole
Klyagin oriente les clients vers trois tests spécifiques, et je pense que chaque détaillant actuellement axé sur la synchronisation des catalogues et le balisage structuré devrait exécuter les trois avant d’ajouter une quatrième plate-forme d’IA à la liste.
- Testez en charge l’API de paiement de la même manière qu’un agent l’utilise réellement. Pas une lente session humaine à la fois, mais de nombreux appels parallèles lancés en succession rapide. Une caisse qui a traité des millions de sessions humaines sans incident peut toujours échouer la première fois qu’elle rencontre ce modèle de trafic, et la plupart des détaillants qui se connectent actuellement à UCP ou ACP ne savent vraiment pas si le leur le fera.
- Vérifiez l’exactitude des données produit de la manière dont une machine les lit, et non de la manière dont un navigateur les restitue. Une page qui semble parfaitement cohérente pour un visiteur humain peut provenir de deux sources contradictoires en dessous, et un agent n’a aucun moyen de remarquer l’écart comme le ferait une personne qui fait défiler la page.
- Vérifiez que les remboursements et les retours sont clairs correctement dès la première tentative. Lorsqu’une machine initie la demande, aucun représentant du service client n’est présent pour détecter une panne partielle ou un état qui ne se synchronise jamais.
Aucun de ces trois éléments ne nécessite d’attendre qu’UCP, ACP ou Agentforce Commerce mûrissent davantage. Ils testent les fondements dont dépendent les trois protocoles, quel que soit celui ou quelle combinaison finit par dominer le marché.
Mon avis
Je pense que l’industrie a une séquence à rebours. Tout le monde s’empresse d’être répertorié dans ChatGPT et Gemini avant de vérifier si leur paiement peut réellement finaliser la vente une fois qu’un agent arrive sur place, ce qui renforce la visibilité sur une fondation que personne n’a testée en charge. Le référencement technique fait gagner à un produit une place dans les résultats d’un agent. Cela n’a rien à dire sur la question de savoir si l’agent peut l’acheter, et à l’heure actuelle, ce deuxième problème, plus difficile, est celui sur lequel presque personne ne travaille.
Klyagin s’attend à ce que l’assurance qualité se divise en deux volets coordonnés au cours des deux prochaines années. Un qui continue de valider l’expérience d’un humain, et un second qui valide si un agent peut analyser les données, effectuer les appels d’API et obtenir un résultat prévisible lorsqu’il se déplace dans le système à la vitesse de la machine. C’est à peu près le même changement que les équipes d’assurance qualité du commerce électronique ont entrepris de créer des suites de tests spécifiques aux mobiles il y a dix ans, et les détaillants qui le traitent désormais comme une priorité d’ingénierie, avant le changement de volume déjà en cours selon les propres chiffres de Shopify, vont avoir une véritable longueur d’avance sur tous ceux qui sont toujours concentrés uniquement sur la recherche.
Si votre stratégie de commerce électronique pour 2026 ne se contente pas d’apparaître dans les résultats d’une plate-forme d’IA, alors vous avez résolu la partie du problème qui n’a jamais été réellement la partie la plus difficile.
Plus de ressources :
