Depuis le début de cette année 2026, une question revient dans presque tous mes échanges avec des retailers : "est-ce qu'on ne pourrait pas le faire nous-mêmes, cet assistant shopping IA ?". Cette question vient souvent d'une équipe DSI qui a vu une démo de Google, ou tout simplement d'un collaborateur qui a connecté un modèle d'IA généraliste sur son catalogue en un week-end via Claude Code ou Codex.
C'est une question légitime, et je ne suis pas neutre pour y répondre : je dirige l'équipe marketing d'iAdvize, qui développe depuis plusieurs années maintenant son propre Assistant Shopping IA. Mais j'ai vu ce scénario se jouer plusieurs fois dans le secteur du logiciel au cours des 2 dernières décennies, et plus spécifiquement dans l'e-commerce. Et je pense utile de vous raconter comment l'histoire se termine en général.
Les mêmes raisons reviennent dans presque chaque discussion :
Aucune de ces raisons n'est mauvaise. Et la troisième est, depuis quelques mois, vraiment nouvelle.
Oui. Fin 2025, nous estimions qu'une petite équipe obtenait un prototype en 30 jours. Aujourd'hui, un seul développeur équipé d'un outil de code IA y arrive en quelques jours, parfois en quelques heures.
Les grands comptes, eux, partent souvent d'un kit fourni par leur partenaire cloud ou IA : Gemini Enterprise for Customer Experience chez Google (utilisé par Macy's et Michaels), l'Agentic Shopping Assistant chez AWS (utilisé par Kate Spade), ou Claude for Commerce, une architecture de référence gratuite publiée par Anthropic. Shopify donne aussi aux développeurs de ses marchands de quoi construire un agent sur leur boutique depuis mai 2025.
Et un build peut marcher. Amazon revendique plus de 300 millions d'utilisateurs pour Rufus (devenu Alexa for Shopping en mai 2026). Chez Walmart, les utilisateurs de l'assistant Sparky dépensent 35 % de plus par commande. Construire une première version est devenu facile, et je ne vais pas prétendre le contraire.
Mais que se passe-t-il après le déploiement de la première version ?
Presque chaque nouvelle brique clé d'un site e-commerce a suivi le même processus : les marchands construisent leur propre solution en interne quand la technologie est nouvelle, puis reviennent vers un éditeur quand le coût de la maintenance devient insoutenable.
Le moteur de recherche, dans les années 2010, en est l'exemple le plus parlant. Beaucoup de marchands ont construit leur propre moteur sur des technologies open source, et cela fonctionnait. Puis le catalogue a doublé, il a fallu le déployer dans de nouvelles langues, les personnes qui l'avaient construit sont parties. Et surtout, les solutions externes ont évolué beaucoup plus vite que la solution interne, difficile déjà à maintenir. La plupart sont alors passés chez un spécialiste (Algolia, Coveo, Doofinder). Qui développe encore son propre moteur de recherche aujourd'hui ?
La recommandation produit a suivi la même trajectoire entre 2015 et 2020 : la première version marchait bien, mais la garder pertinente au fil du catalogue et du trafic a épuisé les équipes. Même chose pour les chatbots de première génération, que beaucoup de marques ont maintenus à la main pendant 2 ans avant de passer chez un éditeur. Et avant tout cela, le CRM : les entreprises ont d'abord construit leurs propres bases clients, avant d'adopter un produit qu'elles pouvaient configurer à leur image.
À chaque fois, la première version n'a jamais posé de problème. La difficulté arrivait à la version 3 ou 4, quand le périmètre avait grandi et que l'équipe d'origine était partie.
L'assistant shopping IA a toutes les chances de suivre le même chemin, et plus vite encore. Car cette fois, le modèle d'IA (le LLM) n'est plus la partie difficile. Il y a 2 ans, c'était une pièce rare et chère. Aujourd'hui, n'importe quel développeur utilise un excellent modèle pour quelques centimes, et les prix continuent de baisser.
La qualité d'un assistant dépend donc de tout ce qui entoure le modèle : un catalogue propre et bien structuré, les règles métier (promotions, stock, marges), la façon d'engager le visiteur sur le site et la mesure de la performance. Shopify a mesuré qu'une recherche IA sur un catalogue bien structuré convertit 2 fois mieux que sur des données récupérées directement sur le site. L'effort s'est déplacé vers la donnée et l'exploitation au quotidien.
Concrètement, une fois la première version en ligne, il reste à :
Ces chantiers prennent plusieurs trimestres, sans même parler de suivre le rythme effréné d'innovation. Une première version reste un projet, alors qu'un déploiement complet est un produit que quelqu'un doit faire tourner pendant des années.
Un dernier point explique pourquoi le build paraît gratuit : il consomme un budget déjà validé. Le salaire du développeur est payé, le contrat cloud est signé. Pour un CTO, construire ne coûte rien de plus sur le papier, même quand le coût réel sur 2 ans dépasse celui d'une solution externe.
Fnac Darty avait construit son propre assistant sur OpenAI. Au bout de quelque temps, l'équipe avait 6 à 8 mois de retard sur le marché, aucune analyse des conversations, et personne de disponible pour rattraper ce retard. L'enseigne a alors choisi iAdvize, et l'a raconté elle-même lors d'un webinar le 29 avril 2026.
Ce cas n'a rien d'isolé. Une étude du MIT montre que les projets d'IA menés avec un éditeur spécialisé arrivent en production 2 fois plus souvent que ceux construits en interne. Elle porte sur les projets d'IA en général, pas uniquement sur les assistants shopping, mais la tendance est nette.
Amazon, Zalando ou Booking construisent encore leur propre recherche et leur propre recommandation. Pour eux, c'est le cœur du métier, et ils ont les équipes pour le faire tourner pendant des années. Si c'est votre cas, construire a du sens.
Pour tous les autres, la compétence de l'équipe IT n'est pas en cause. Votre équipe peut sans doute construire cet assistant. C'est LA question à se poser : est-ce là que vous voulez la voir travailler pendant les 3 prochaines années, plutôt que sur votre propre roadmap ?
Avant de trancher, je conseille de répondre honnêtement à 4 questions :
Chiffrez ensuite les heures que ces réponses représentent. Si le total est faible, construisez. Sinon, vous avez votre réponse.
Certains retailers décident de tester leur assistant contre celui d'un éditeur, sur une partie du trafic. C'est une très bonne idée, à une condition : fixer l'indicateur avant de démarrer le test, et choisir un indicateur qui est celui du business : l'impact sur les ventes.
Sur le seul taux d'automatisation, un assistant interne simple peut sembler aussi bon qu'une solution spécialisée, parce que répondre à une question est la partie facile. Sur la conversion ou le chiffre d'affaires, l'écart apparaît (ou pas, et c'est aussi une information utile).
Si vous souhaitez aller plus loin, deux ressources :
Yves Le Grouyer, CMO d'iAdvize