Publié le · Abeille IA

Agents d’achat IA : préparer son catalogue à la comparaison

Un acheteur cherche un capteur compatible avec son installation, livrable sous deux semaines. Il peut ouvrir plusieurs fiches techniques et appeler un distributeur. Il peut aussi demander à un assistant IA de lui proposer une sélection. Dans les deux cas, les critères sont les mêmes. Mais si la compatibilité figure dans un PDF difficile à retrouver et que le délai indiqué sur le site contredit celui du catalogue revendeur, l’assistant dispose d’informations partielles pour comparer les offres. La référence la mieux adaptée peut alors passer à la trappe.

Amazon veut étendre sa base de données produits

Le 13 novembre 2026, Reuters a révélé qu’Amazon étudiait un projet baptisé *World Product Graph*. D’après un document interne consulté par l’agence, l’initiative vise à rassembler des informations sur un très large éventail de produits, y compris des références qu’Amazon ne vend pas. Reuters n’a pu confirmer ni sa mise en œuvre ni son calendrier. L’enquête indique aussi que le propre assistant d’achat d’Amazon fournissait parfois des informations inexactes.

Pour un fabricant ou un distributeur, l’enjeu est déjà concret. Un client peut demander à un assistant de comparer des références selon des critères très précis. Encore faut-il que celui-ci puisse retrouver le bon modèle, distinguer ses variantes et s’appuyer sur une information à jour. Une fiche peut être convaincante à la lecture tout en laissant dans le flou le détail qui fait basculer une décision d’achat.

Tester dix références avec les questions de vos clients

Sélectionnez dix produits. Prenez quelques meilleures ventes, des références proches que les acheteurs confondent et un produit qui génère régulièrement des demandes de précision. Pour chacun, reprenez trois questions réellement posées aux équipes commerciales ou au support. Dans un catalogue technique, elles peuvent porter sur la compatibilité, le délai de livraison et les accessoires inclus.

Demandez à un assistant IA doté d’une recherche web d’y répondre comme le ferait un acheteur, avec ses contraintes et le nom de la référence s’il le connaît. Demandez-lui de citer ses sources. Vérifiez ensuite chaque réponse contre la donnée officielle. Une information manquante, une caractéristique attribuée au modèle voisin et un délai repris d’une page obsolète appellent des corrections différentes. Relevez aussi les réponses qui expriment clairement leur incertitude. Pour l’acheteur, un délai à confirmer est plus utile qu’une date donnée avec assurance sur la base d’un ancien catalogue.

Corriger d’abord les données qui pèsent sur l’achat

Supposons que, sur dix références, quatre réponses confondent la compatibilité de deux variantes. En remontant aux sources, l’équipe constate que les deux fiches reprennent le même descriptif commercial et que seule une note en bas de la documentation technique précise les systèmes compatibles. La première correction consiste à afficher cette information sur chaque fiche, au niveau de la référence concernée, puis à la répercuter dans les flux transmis aux revendeurs. Si les délais posent aussi problème, il faut identifier quelle source fait foi et à quelle fréquence elle est mise à jour.

Relancez les mêmes questions après la mise à jour, dans les mêmes conditions, puis comparez le nombre de réponses exactes et les erreurs qui subsistent. Si le support suit déjà les demandes de clarification, regardez aussi si les clients posent moins souvent les questions auxquelles vous avez apporté une réponse sur les fiches.

Chez *ABEILLE IA*, c’est ainsi que nous abordons un audit IA appliqué au commerce. On part d’un choix que le client doit faire, on repère où l’information se perd entre les systèmes et les canaux, puis on mesure l’effet d’une correction ciblée. Dix références et trente questions suffisent pour lancer le diagnostic et décider quelles données produit fiabiliser en priorité.

Source — Reuters, enquête sur le projet World Product Graph d’Amazon, 13 novembre 2026