L’IA s’impose dans le commerce en ligne, mais un sujet beaucoup moins visible continue de poser problème. Sur le terrain, la qualité de la donnée produit reste fragile, avec des effets très concrets sur la mise en ligne et la vente des produits.
L’IA s’invite dans tous les échanges autour du commerce, avec ses promesses d’automatisation et de recommandation. Pourtant, tout repose encore sur une base bien plus simple, et souvent défaillante, celle de la donnée produit. Pascal Laik, CEO d’Equadis, travaille depuis des années sur ces problématiques auprès d’acteurs de la grande distribution et de l’industrie. Ce qu’il décrit renvoie à une mécanique beaucoup plus lourde qu’elle n’y paraît. Chaque produit s’appuie sur plusieurs centaines de champs, qui couvrent aussi bien des informations logistiques que marketing ou réglementaires. Comme il le résume, « c’est grosso modo 800 champs pour un produit classique. »
Ces informations ne sont pas réunies au même endroit. Elles arrivent de différents systèmes, « en moyenne une dizaine », puis doivent être consolidées, complétées et traduites. Il manque souvent des visuels, des descriptions, des versions dans certaines langues. Le travail ne consiste pas seulement à collecter la donnée, mais à la rendre exploitable partout où elle doit apparaître.
Les blocages sont fréquents et rarement anodins. Pascal Laik évoque ainsi « des clients avec des taux de rejet de 20 à 40 %. » Dans les faits, un produit peut être refusé par un distributeur et ne jamais être mis en ligne. Même une fois publié, les écarts restent visibles. Certaines fiches sont incomplètes, d’autres contiennent des erreurs. Une partie des informations attendues n’est pas exploitable, ce qui pèse directement sur la visibilité et les ventes.
Un travail permanent d’adaptation
La difficulté ne se limite pas à produire la donnée. Elle apparaît surtout dans les échanges entre les acteurs. Les marques doivent s’adapter à des exigences différentes selon les distributeurs. Formats, champs obligatoires, règles de validation, rien n’est vraiment homogène. Une même fiche produit peut être retravaillée plusieurs fois avant d’être diffusée correctement sur l’ensemble des canaux.
Les distributeurs, eux, reçoivent des flux très hétérogènes. Ils doivent les harmoniser pour afficher quelque chose de cohérent, tout en assumant la responsabilité réglementaire. Une erreur sur une information sensible peut avoir des conséquences immédiates.
Le rythme accentue encore la pression. Dans certains secteurs, les catalogues évoluent rapidement avec une part importante de nouvelles références chaque année. Lorsque la mise en ligne prend du retard, l’impact se fait sentir sans délai.
Des équipes qui tiennent tout ça à bout de bras
Derrière ces flux, des équipes gèrent au quotidien cette complexité. Elles doivent suivre des volumes de données en hausse, multiplier les points de diffusion et intégrer des contraintes réglementaires toujours plus nombreuses. Une partie importante du travail reste manuelle. Les marques passent encore du temps à vérifier la présence de leurs produits sur les sites des distributeurs, à contrôler les visuels, les prix ou la disponibilité. Ce travail de vérification mobilise des ressources importantes.
Le sujet reste parfois sous-estimé en interne. Comme le souligne Pascal Laik, « beaucoup pensent que c’est simple, qu’il suffit de nettoyer un Excel ». Pour lui, le blocage ne vient pas des outils puisque les technologies existent déjà. Ce qui manque, c’est une organisation capable de traiter ce sujet dans sa globalité, avec une vraie coordination entre les équipes.
L’automatisation devient indispensable
À ce niveau de complexité, continuer uniquement à la main n’est plus tenable. « Sans automatisation, ça ne tient pas. » insiste-t-il. Elle permet de structurer les échanges, de centraliser les données et de limiter les erreurs. L’IA commence à s’intégrer dans ces processus. Elle peut extraire des informations depuis des packagings, proposer des traductions ou détecter des incohérences. Son utilisation reste progressive. L’humain garde la main au départ, puis intervient de moins en moins à mesure que les systèmes gagnent en fiabilité.
Les usages liés à l’IA se développent, mais ils restent encore concentrés sur la recommandation. Pour les marques, la logique est somme toute assez simple ; si la donnée produit n’est pas exploitable, le produit ne remonte pas dans ces systèmes et devient invisible. L’IA ne modifie pas ce mécanisme, elle en renforce les conséquences. Là où une donnée imparfaite dégradait la visibilité, elle peut désormais exclure complètement un produit des résultats proposés.
