Déploiement de l’IA : les obstacles identifiés par les responsables IT

Dans un projet d’IA, le moment le plus révélateur arrive souvent cinq minutes après la fin de la démonstration. La description produit générée est soignée, le produit recommandé semble pertinent et correspond à la demande. Puis les questions arrivent : quelle source a été utilisée ? Cette allégation est-elle autorisée sur tous les marchés ? Le prix est-il à jour ? Qui valide la modification avant sa publication sur un canal de vente ? Soudain, l’avenir du commerce prend une tournure très concrète : celle d’un attribut manquant dans un tableur.

Ce décalage est aujourd’hui au cœur des préoccupations des directions informatiques. C’est ce que nous avons voulu mieux comprendre à travers notre enquête annuelle auprès des décideurs IT et technologiques. Sur le papier, la confiance est élevée : 95% des responsables IT estiment que leur entreprise est prête pour le commerce piloté par l’IA, et 87% anticipent une hausse des budgets consacrés à l’IA. Pourtant, 89% consacrent également plus d’un quart de chaque projet d’IA à la préparation des données.

L’IA révèle des problèmes d’infrastructure déjà présents

Près de deux tiers des responsables IT déclarent que leur département pilote désormais la stratégie IA. Ils doivent donc faire fonctionner l’IA au sein des systèmes sur lesquels l’entreprise s’appuie déjà : ERP, PIM, DAM, flux fournisseurs, plateformes E-Commerce, marketplaces et workflows propres à chaque région.

Une équipe peut créer un prototype impressionnant en un week-end grâce au développement assisté par l’IA, ou « vibe coding ». Cependant, établir des informations produits fiables, des intégrations robustes, des droits d’accès, des circuits de validation et des pistes d’audit à travers plusieurs marques et marchés demande un travail de fond.

Les intégrations fragiles, les taxonomies locales, les correspondances de champs réalisées à la main et les workflows déconnectés existaient bien avant l’IA. Celle-ci rend toutefois leur coût plus difficile à ignorer. Chaque nouveau cas d’usage hérite de cette dette technique tant que le socle d’informations produits n’est pas modernisé.

Des données « prêtes pour l’IA » exigent encore beaucoup de travail humain

Si 95% des responsables IT se disent prêts pour le commerce piloté par l’IA et que 92% jugent la qualité et la structure de leurs données bonnes ou excellentes, 53% consacrent entre 26% et 50% de chaque projet d’IA à la préparation des données. Pour 36%, cette préparation représente plus de la moitié du projet.

Concrètement, il faut rechercher les attributs manquants, rapprocher les références produits en doublon, harmoniser les unités et les taxonomies, vérifier les prix par région et les champs de conformité, résoudre les contradictions entre les valeurs et adapter les informations aux différents canaux.

Ce travail répétitif et chronophage reste largement invisible pour le reste de l’entreprise. Lorsqu’il est bien réalisé, rien de spectaculaire ne se produit : l’IA fournit simplement une réponse correcte. Pourtant, cet effort discret est souvent ce qui permet au projet de tenir.

Une politique de gouvernance doit se traduire dans les opérations

La quasi-totalité des entreprises interrogées (99%) disposent d’une politique de gouvernance de l’IA ou sont en train d’en élaborer une. Cependant, ce document ne suffit pas toujours à répondre aux questions essentielles lorsque l’IA intervient sur des informations produits utilisées en production : qui a modifié la fiche produit ? Quel modèle a formulé la recommandation ? Sur quelles données s’est-il appuyé ? Qui a validé le résultat ? Sur quels canaux la modification a-t-elle été publiée ?

Cette traçabilité des décisions devient essentielle lorsqu’une modification concerne un prix, une garantie, une allégation de conformité, une promotion ou une description produit. Pour être utile, la gouvernance doit être intégrée aux workflows à travers les droits d’accès, la validation humaine, le suivi des actions et les pistes d’audit. Elle doit pouvoir s’appliquer au quotidien, au-delà des principes présentés en comité de direction.

L’automatisation facilite le passage à l’échelle et crée de nouveaux besoins de coordination

Notre enquête montre que l’automatisation et les opérations IT devancent les usages destinés aux clients, comme l’IA conversationnelle et la recherche personnalisée, dans les priorités d’investissement. Cette tendance s’explique facilement : gérer des millions d’attributs et de produits, sur de multiples canaux et marchés, dépasse déjà les capacités de traitement manuel de nombreuses équipes.

La difficulté apparaît lorsque chaque agent spécialisé, ajouté pour résoudre un blocage précis, devient un composant supplémentaire à coordonner. Sans socle commun, plusieurs agents peuvent enrichir, traduire, valider et diffuser les mêmes fiches produits sans tenir compte des modifications effectuées par les autres.

C’est là qu’un AI harness prend tout son sens. Il désigne l’ensemble des mécanismes qui entourent le modèle (droits d’accès, mémoire, garde-fous, validations et orchestration) et lui permettent d’agir de manière fiable au sein des systèmes de l’entreprise.

La visibilité des produits dépend de plus en plus de la qualité des données

À mesure que la découverte des produits se déplace vers l’IA, 79% des entreprises investissent dans l’Answer Engine Optimization (AEO), également appelé Generative Engine Optimization (GEO), ou en expérimentent les usages.

Apparaître dans une recommandation générée par l’IA exige davantage qu’un bon positionnement sur un mot-clé. Un assistant doit comprendre le produit, le comparer à d’autres options, vérifier ses attributs et les allégations associées, puis pouvoir se fier à l’actualité des informations.

Des titres incomplets, des identifiants manquants, des caractéristiques incohérentes, des allégations non étayées ou une disponibilité obsolète peuvent suffire à exclure un produit des options envisagées.

Le principal frein reste le socle sur lequel repose l’IA

L’enthousiasme pour l’IA reste intact : les budgets augmentent, les responsabilités se précisent et les entreprises investissent activement. Ce qui ralentit les projets, c’est l’écart entre les promesses d’un modèle et les conditions opérationnelles nécessaires pour lui faire confiance. Des financements supplémentaires ne supprimeront pas le travail récurrent de préparation des données si chaque nouveau projet démarre avec les mêmes attributs incomplets, taxonomies incohérentes, variations régionales et intégrations fragiles.

La prochaine avancée majeure de l’IA prendra peut-être une forme très concrète : un agent met à jour la bonne fiche produit, applique les règles appropriées, soumet la modification à une personne pour validation et publie des informations exactes sur le bon canal. C’est à ce moment que l’IA dépasse le stade de l’expérimentation pour devenir une composante de l’infrastructure de l’entreprise.

Téléchargez le rapport « Commerce agentique : 10 réalités qui freinent encore le déploiement de l’IA » pour découvrir les dix constats des responsables IT et évaluer si votre socle d’informations produits est prêt pour le commerce agentique.