Vendre via l'IA, réorienter une stratégie produit sur des preuves plutôt que des convictions

Une demande légitime, des fondations non vérifiées

Au printemps 2025, le marché envoie des signaux convergents : rapprochement annoncé entre Shopify et ChatGPT, programme marchand de Copilot, annonces autour du commerce agentique et du Model Context Protocol. Les assistants conversationnels cessent d’être un gadget de démonstration pour devenir un point d’entrée vers l’achat. La demande arrive avec sa priorité : démontrer la faisabilité d’un parcours d’achat complet via l’IA, du dialogue jusqu’au paiement, pour que les produits des marchands PrestaShop Enterprise soient trouvables et achetables depuis les interfaces LLM.

Cette demande était légitime, ambitieuse, alignée avec le marché. Elle avait un défaut : personne n’avait vérifié sur quoi elle reposait. Exécuter, c’était investir sur des fondations inconnues. Refuser, c’était s’opposer à une priorité affichée, sans autorité hiérarchique et sans données pour argumenter. La discovery a été conduite pour sortir de ce dilemme par la preuve.

La cartographie a fragilisé l’hypothèse de départ

Plutôt que de foncer sur le prototype, le premier cycle a cartographié le système : l’acheteur qui délègue sa recherche à un assistant, la réalité du marchand, l’écosystème des acteurs qui bougeaient déjà. Ce travail n’était pas de la documentation, c’était du dé-risquage. Chaque carte posait la même question sous un angle différent : qu’est-ce qui doit être vrai pour qu’un achat via l’IA fonctionne réellement ?

Cette cartographie, portée de bout en bout en lead, a fait émerger la réponse qui dérangeait. L’hypothèse initiale, “un parcours technique d’achat de bout en bout générera de nouvelles ventes pour les marchands”, reposait sur deux piliers que personne n’avait vérifiés : la qualité du catalogue produit et la performance du site marchand.

Un test de quelques jours plutôt qu’un débat d’opinions

Un point d’équipe a transformé ce doute en plan d’action. L’ambition a été resserrée collectivement : rendre les produits visibles dans des interfaces LLM externes, dans une logique d’acquisition. La piste d’une IA embarquée directement sur la boutique, qui répond à un autre besoin, a été écartée. Restait une hypothèse centrale, binaire : les produits visibles aujourd’hui dans les LLM le sont parce qu’ils transitent par un flux structuré, type Google Merchant Center.

Plutôt que d’en débattre, l’hypothèse a été soumise à une micro-expérimentation ciblée, menée côté tech. Le constat est tombé en quelques jours : des flux de catalogue bien configurés suffisent à générer de la visibilité, même sans campagnes payantes. Le canal existait déjà. Ce qui manquait, c’était la donnée.

Refuser la demande, construire le carburant avant la route

L’arbitrage a été préparé plutôt qu’imposé. Trois hypothèses ont été formalisées, chacune avec son problème sous-jacent : le parcours d’achat de bout en bout, la demande initiale ; un préparateur de catalogue IA, pour diagnostiquer la qualité des données produit et les optimiser avec l’aide de l’IA ; une landing experience optimisée, pour soigner l’atterrissage après le handover depuis l’assistant. Deux concepts ont été prototypés via Figma Make, pour rendre les options discutables avant tout investissement technique.

Le dilemme était posé. Exécuter la demande, c’était construire une route au-dessus du vide : le parcours reposait sur les deux piliers fragilisés. Optimiser la page d’atterrissage, c’était perfectionner une portion de la route sans toucher au carburant. Le raisonnement a tenu en une image : la donnée produit est le carburant, le parcours d’achat est la route. Une page rapide qui affiche une donnée pauvre ou illisible pour l’IA ne convertit pas. Résoudre la qualité des données à la source crée la valeur la plus durable et pose la fondation qui rend les innovations suivantes possibles.

La décision a été actée collectivement au terme du cycle : refuser la demande telle qu’elle avait été formulée, prioriser le préparateur de catalogue IA, ouvrir un second cycle de discovery dédié. Ses conséquences ont dépassé le choix d’une piste. La qualité rédactionnelle du catalogue est devenue un sujet produit à part entière, au même titre que les flux techniques. Et le vocabulaire de l’équipe s’est déplacé du SEO centré mots-clés vers le GEO, centré sur les intentions conversationnelles : une fiche produit pensée pour l’IA ne dit pas “baskets rouges taille 36”, elle raconte “une paire de baskets rouges pour une enfant de 13 ans qui joue dehors”. La situation d’usage devient l’unité de sens.

Une discovery en pause n’est pas une discovery perdue

Le second cycle a été cadré : carte d’empathie marchand centrée sur le catalogue, points de contact identifiés, dont un tableau de bord de préparation IA, un rapport d’audit et une aide à la rédaction assistée. Puis le sujet a été mis en pause avant les tests utilisateurs. Les hypothèses du second cycle n’ont pas été validées, le Go/No Go n’a pas été prononcé. Aucun résultat mesuré ne peut être revendiqué ici, et ce case study n’en revendique aucun.

Ce qui reste tient en deux acquis. Une réorientation actée : l’effort ne porte plus sur un parcours spectaculaire mais sur la fondation qui le rendrait possible. Et une lecture du problème que chaque annonce du marché renforce plutôt qu’elle ne la périme : quand le sujet se rouvrira, la question ne sera plus “faut-il vendre via l’IA” mais “nos marchands ont-ils la donnée pour exister dans ce canal”. Le bilan du cycle tient en une phrase : le problème n’était pas en surface, il était à la source.