{"id":63264,"date":"2025-08-01T07:47:00","date_gmt":"2025-08-01T07:47:00","guid":{"rendered":"https:\/\/www.akeneo.com\/blog\/how-ai-impacts-search-and-discovery\/"},"modified":"2025-08-05T08:21:54","modified_gmt":"2025-08-05T08:21:54","slug":"how-ai-impacts-search-and-discovery","status":"publish","type":"post","link":"https:\/\/www.akeneo.com\/fr\/blog\/how-ai-impacts-search-and-discovery\/","title":{"rendered":"L\u2019IA r\u00e9volutionne la recherche et la d\u00e9couverte produit"},"content":{"rendered":"\n \n
\n
\n
\n
\n
\n
\n
\n
\n
\n Intelligence Artificielle<\/span>\n <\/div>\n

L\u2019IA r\u00e9volutionne la recherche et la d\u00e9couverte produit<\/h1>\n
\n\n

D\u00e9couvrez comment l\u2019intelligence artificielle transforme en profondeur la mani\u00e8re dont les consommateurs recherchent, d\u00e9couvrent et interagissent avec les produits en ligne. De la recherche s\u00e9mantique aux assistants conversationnels, les marques repensent l\u2019exp\u00e9rience d\u2019achat gr\u00e2ce \u00e0 des donn\u00e9es mieux structur\u00e9es et des moteurs de recherche intelligents.<\/p>\n <\/div>\n <\/div>\n <\/div>\n

\n
\n \"\" <\/div>\n <\/div>\n <\/div>\n <\/div>\n <\/div>\n <\/div>\n <\/div>\n <\/section>\n \n\n\n\n
\n
\n
\n
\n
\n
\n

Pendant longtemps, rechercher un produit en ligne consistait \u00e0 taper un mot-cl\u00e9 dans un moteur de recherche, en esp\u00e9rant obtenir un r\u00e9sultat pertinent. Une requ\u00eate comme \u201cchaussures noires\u201d pouvait suffire, \u00e0 condition que le catalogue soit bien structur\u00e9 et \u00e0 jour.<\/span><\/p>\n

La d\u00e9couverte de nouveaux produits, elle, \u00e9tait souvent involontaire. Elle d\u00e9pendait d\u2019un parcours parfois confus \u00e0 travers les filtres, les cat\u00e9gories ou les pages de r\u00e9sultats. Tomber sur un produit int\u00e9ressant relevait plus du hasard que d\u2019un parcours guid\u00e9.<\/span><\/p>\n

Aujourd\u2019hui, cette approche n\u2019est plus adapt\u00e9e. <\/span>L\u2019intelligence artificielle<\/span><\/a> am\u00e9liore la fa\u00e7on dont les utilisateurs acc\u00e8dent aux produits : recommandations, compr\u00e9hension des requ\u00eates formul\u00e9es en langage naturel, recherche visuelle ou vocale. Elle permet d\u2019affiner les r\u00e9sultats en fonction de l\u2019intention r\u00e9elle de l\u2019utilisateur, et non plus seulement des mots-cl\u00e9s saisis.<\/span><\/p>\n

Les limites de la recherche par mots-cl\u00e9s<\/h2>\n

La recherche d\u00e9signe l\u2019action de chercher un produit sp\u00e9cifique, tandis que la d\u00e9couverte correspond aux r\u00e9sultats qui en d\u00e9coulent. Historiquement, la plupart des moteurs de recherche e-commerce ont repos\u00e9 sur un fonctionnement simple : faire correspondre les mots-cl\u00e9s saisis par l\u2019utilisateur avec ceux pr\u00e9sents dans les fiches produits ou les bases de donn\u00e9es.<\/span><\/p>\n

Ce syst\u00e8me fonctionnait de mani\u00e8re acceptable \u00e0 une \u00e9poque o\u00f9 les catalogues \u00e9taient r\u00e9duits et les attentes des clients limit\u00e9es. Mais avec l\u2019explosion des r\u00e9f\u00e9rences en ligne et l\u2019\u00e9volution des comportements d\u2019achat, ses limites sont devenues \u00e9videntes. Une faute de frappe, un synonyme ou une description impr\u00e9cise peuvent suffire \u00e0 emp\u00eacher le moteur de retourner des r\u00e9sultats pertinents. Dire \u201ccanap\u00e9\u201d au lieu de \u201csofa\u201d, ou mal orthographier \u201ccasque audio\u201d, suffit souvent \u00e0 obtenir une page vide ou hors sujet.<\/span><\/p>\n

Autrement dit, la recherche traditionnelle permet de trouver un produit quand on sait exactement ce qu\u2019on cherche, mais elle n\u2019aide pas \u00e0 explorer.<\/span><\/p>\n

Qu\u2019est-ce que la recherche via l\u2019IA et pourquoi est-ce important ?<\/strong><\/p>\n

\u00c0 mesure que les attentes des consommateurs deviennent plus exigeantes, les technologies de recherche \u00e9voluent elles aussi. La recherche pilot\u00e9e par l\u2019intelligence artificielle repr\u00e9sente une avanc\u00e9e majeure par rapport aux moteurs traditionnels : elle est plus performante pour comprendre ce que les utilisateurs veulent vraiment.<\/span><\/p>\n

Contrairement aux syst\u00e8mes classiques qui traitent chaque requ\u00eate comme une simple liste de mots \u00e0 cocher, la recherche par IA s\u2019appuie sur des technologies comme le <\/span>machine learning<\/span><\/a> et le <\/span>traitement automatique du langage naturel<\/span><\/a> (NLP) pour interpr\u00e9ter l\u2019intention, le contexte et le comportement des utilisateurs.<\/span><\/p>\n

Elle ne se limite plus \u00e0 suivre des r\u00e8gles pr\u00e9d\u00e9finies ou \u00e0 analyser des balises produits. Elle apprend en continu \u00e0 partir des actions des utilisateurs (clics, abandons, affinement des recherches), s\u2019adapte aux \u00e9volutions de la demande et propose des r\u00e9sultats align\u00e9s avec l\u2019intention r\u00e9elle, m\u00eame si les mots utilis\u00e9s ne correspondent pas exactement aux libell\u00e9s du catalogue.<\/span><\/p>\n

Prenons un exemple : un client cherche \u201cmeilleures chaussures de trail pour terrain humide\u201d. Un moteur de recherche classique renverra tous les produits associ\u00e9s aux termes \u201cchaussures de trail\u201d, \u201ctrail running\u201d ou \u201chumide\u201d, ce qui peut inclure des sacs \u00e0 dos, des chaussures en mesh ou m\u00eame des bottes de pluie.<\/span><\/p>\n

Un moteur de recherche bas\u00e9 sur l\u2019IA, lui, analysera des milliers d\u2019avis clients pour identifier les mod\u00e8les les plus souvent d\u00e9crits comme imperm\u00e9ables, croisera ces donn\u00e9es avec les paires les plus achet\u00e9es dans les r\u00e9gions pluvieuses et tiendra compte des taux de retour apr\u00e8s une saison humide. Plut\u00f4t que de proposer des produits contenant les bons mots-cl\u00e9s, il remontera ceux qui r\u00e9pondent r\u00e9ellement \u00e0 l\u2019intention d\u2019achat.<\/span><\/p>\n

L\u2019IA en action : trois cas d\u2019usages concrets dans le retail<\/h2>\n

Pour mieux comprendre comment l\u2019intelligence artificielle transforme la recherche et la d\u00e9couverte produit, voici quelques exemples concrets. De l\u2019interpr\u00e9tation de requ\u00eates impr\u00e9cises \u00e0 la personnalisation pouss\u00e9e, l\u2019IA permet d\u2019offrir des parcours d\u2019achat plus fluides et pertinents.<\/span><\/p>\n

1. Recherche conversationnelle : Amazon Rufus<\/b><\/h3>\n

D\u00e9but 2024, Amazon a lanc\u00e9 <\/span>Rufus<\/span><\/a>, un assistant d\u2019achat intelligent form\u00e9 sur l\u2019ensemble du catalogue <\/span>Amazon<\/span><\/a> (et enrichi de sources externes). Les utilisateurs peuvent lui poser des questions en langage naturel telles que : \u201cQuels crit\u00e8res prendre en compte pour des chaussures de course adapt\u00e9es aux pieds plats ?\u201d ou \u201cDes id\u00e9es de cadeaux pour un enfant de 5 ans ?\u201d<\/span><\/p>\n

Rufus fournit des r\u00e9ponses contextualis\u00e9es, comparaisons de produits et recommandations personnalis\u00e9es, en s\u2019appuyant sur les avis clients, l\u2019historique de navigation et les tendances d\u2019achat. Il ne se contente plus de renvoyer des r\u00e9sultats : il accompagne l\u2019utilisateur dans sa d\u00e9cision, en particulier pour les recherches complexes ou sans id\u00e9e pr\u00e9cise au d\u00e9part.<\/span><\/p>\n

2. D\u00e9couverte produit personnalis\u00e9e : Sephora
\n<\/b><\/h3>\n

Chez <\/span>Sephora<\/span><\/a>, l\u2019IA analyse les comportements d\u2019achat sur plusieurs sessions pour anticiper les besoins de chaque client (parfois m\u00eame avant qu\u2019il ne les exprime). L\u2019application \u201c<\/span>Virtual Artist<\/span><\/a>\u201d permet d\u2019essayer virtuellement des produits de maquillage, mais va plus loin : l\u2019algorithme prend en compte la carnation, les achats pass\u00e9s et la navigation pour sugg\u00e9rer des fonds de teint ou soins adapt\u00e9s, m\u00eame si l\u2019utilisateur n\u2019a pas formul\u00e9 de requ\u00eate explicite.<\/span><\/p>\n\n <\/div>\n <\/div>\n <\/div>\n <\/div>\n <\/div>\n <\/section>\n\n\n\n

\n
\n
\n
\n
\n

The Next Chapter of Commerce<\/h4>\n
\n
\n Learn More<\/span>Learn More<\/span>Learn More<\/span><\/a> <\/div>\n <\/div>\n <\/div>\n <\/div>\n <\/div>\n <\/div>\n<\/section>\n\n\n
\n
\n
\n
\n
\n
\n

3. Recherche visuelle et vocale : IKEA et Walmart
\n<\/b><\/h3>\n

La recherche visuelle, propos\u00e9e par <\/span>IKEA<\/span><\/a>, permet \u00e0 un client de prendre en photo un meuble qui lui pla\u00eet et de retrouver des produits similaires ou assortis dans l\u2019application. Plus besoin de d\u00e9crire un objet avec des mots impr\u00e9cis : une simple image suffit.<\/span><\/p>\n

La recherche vocale<\/span><\/a>, int\u00e9gr\u00e9e chez <\/span>Walmart<\/span><\/a> via les assistants connect\u00e9s, autorise les utilisateurs \u00e0 ajouter des produits au panier \u00e0 la voix (\u201cajoute du lait et du caf\u00e9\u201d), sans avoir \u00e0 manipuler d\u2019\u00e9cran. Le syst\u00e8me comprend l\u2019intention et le contexte, ce qui rend l\u2019exp\u00e9rience plus fluide (notamment pour les achats du quotidien).<\/span><\/p>\n

Les d\u00e9fis de la recherche pilot\u00e9e par l\u2019IA<\/h2>\n

Si<\/span> l\u2019IA am\u00e9liore consid\u00e9rablement la recherche et la d\u00e9couverte produit, sa mise en \u0153uvre soul\u00e8ve plusieurs d\u00e9fis importants :<\/span><\/p>\n