Agentic Commerce

Les recommandations de l'IA reviennent pour la description. Blue Yonder a compté des acheteurs, pas des colis.

Les Américains qui ont renvoyé un achat recommandé par l'IA invoquent le plus souvent un produit « différent de la description », alors que la mauvaise taille ou la mauvaise coupe domine l'ensemble des retours, selon l'enquête 2026 de Blue Yonder sur les retours. Son chiffre phare de 46 % compte les acheteurs ayant effectué au moins un tel retour ; avec un taux de retour ordinaire dans le commerce en ligne, trois achats recommandés par l'IA par an produiraient à peu près le même chiffre.

A nautilus at a returns counter ticks off a queue of shoppers on a clipboard while a pile of parcels behind it goes uncounted, one labelled 'Different than described' and another 'Wrong size'.

Neritus Vale

L’enquête 2026 de Blue Yonder sur les retours montre que les achats recommandés par l’IA reviennent pour une autre raison que les autres retours. Parmi les Américains qui ont renvoyé la recommandation d’un assistant IA, le grief principal était « différent de la description » ; sur l’ensemble des retours américains, c’est la mauvaise taille ou la mauvaise coupe qui arrive en tête. Reste à savoir si les recommandations de l’IA reviennent plus souvent que les autres : l’enquête ne le dit pas. Son chiffre phare, 46 %, compte les acheteurs ayant renvoyé au moins une recommandation de l’IA sur un an ; la part des recommandations de l’IA effectivement renvoyées n’apparaît nulle part.

Ce chiffre ne décrit qu’une minorité de l’échantillon américain. Un prestataire tiers a interrogé 2 000 Américains en septembre, ainsi que des consommateurs en Australie, en France, en Allemagne et au Royaume-Uni, précise le communiqué. Le titre sur l’IA en laisse la plupart de côté : seuls 24 % avaient acheté un produit sur la recommandation d’un assistant IA.

Les motifs reposent sur un sous-groupe de cette minorité. Ce sont des parts des Américains qui avaient renvoyé une recommandation de l’IA : environ 220 personnes, d’après les pourcentages du communiqué. À cette taille, chaque part comporte une marge d’erreur d’environ six points, et l’enquête n’en publie aucune. La réponse la plus fréquente, « différent de la description », recueille 36 %, indique Blue Yonder.

La comparaison qui fait de la description le point faible de l’IA repose sur une autre base. La taille ou la coupe arrive en deuxième position chez ceux qui ont renvoyé une recommandation de l’IA, à 23 %. Le diagnostic du communiqué suppose que le classement s’inverse pour les retours en général. Sur l’ensemble des retours américains, la coupe domine avec 42 %, mais la note de bas de page de l’infographie définit ce chiffre comme le motif de retour le plus courant pour n’importe quel achat, parmi l’ensemble des répondants américains. Les deux parts répondent à des questions différentes, posées à des groupes de taille très inégale.

Aucun des deux chiffres ne dit ce qui a été acheté. La taille et la coupe comptent sans doute surtout pour les vêtements et les chaussures, et le communiqué ne précise pas combien de recommandations de l’IA relevaient de ces catégories. Un panier chargé en gadgets ferait reculer la coupe dans le classement, même avec des recommandations de qualité. Pour un distributeur de mode, la vraie question est de savoir pourquoi les vêtements choisis par l’IA reviennent, et l’enquête n’y répond pas.

La lecture la plus claire des chiffres australiens se trouve dans un article d’iTWire signé par Blue Yonder lui-même. Il rapporte que 45 % des acheteurs australiens passés par l’IA avaient renvoyé une de ses recommandations. Il qualifie ce résultat d’indicatif, puisqu’il repose sur un petit sous-groupe des 250 Australiens interrogés. Ce chiffre n’établit pas de causalité, ajoute l’article, et il « mesure les acheteurs ayant effectué un retour, et non la proportion d’achats recommandés par l’IA qui sont renvoyés ».

Plusieurs comptes rendus ont transformé des acheteurs en colis. Le titre de DC Velocity parle d’acheteurs de l’IA qui « ont renvoyé ce qu’ils avaient acheté », et son article affirme que les distributeurs « pourraient bientôt voir les volumes de retours augmenter ». Le titre de Retail Dive va plus loin, jusqu’à la causalité : « Les recommandations de l’IA entraînent des retours ». Même le blog de Blue Yonder écrit que les 46 % ont « renvoyé le produit ». Les résultats sur l’IA sont nouveaux cette année, précise la FAQ du communiqué : Blue Yonder n’a donc aucun chiffre antérieur par rapport auquel un volume pourrait augmenter.

Une affirmation sur les volumes demande une autre fraction, calculée à partir des lignes de commande : articles recommandés par l’IA et renvoyés, rapportés aux articles recommandés par l’IA et achetés, à comparer à la même fraction pour tout le reste. La NRF et Happy Returns, une société d’UPS, estimaient que 19,3 % des ventes en ligne seraient renvoyées en 2025.

Avec un taux de retour ordinaire dans le commerce en ligne, le chiffre phare n’exige aucun effet de l’IA. En probabilités simples, trois achats recommandés par l’IA par an, chacun aussi susceptible d’être renvoyé que la vente en ligne moyenne, laisseraient à un acheteur au moins un retour dans 47 % des cas. Le calcul est grossier : il attribue à chaque acheteur la même probabilité à chaque achat, et le chiffre de la NRF est une part des ventes, pas une probabilité par commande. Les vrais acheteurs diffèrent entre eux, ce qui ferait baisser les chances. La base de l’enquête inclut aussi toute personne ayant déjà acheté sur recommandation de l’IA, alors que la fenêtre de retour est d’un an, ce qui tire probablement le chiffre réel vers le bas. Le communiqué ne publie aucun décompte du nombre de recommandations de l’IA achetées par qui que ce soit.

Un acheteur très actif et une mauvaise recommandation peuvent produire le même 46 %.

La meilleure objection est que Blue Yonder a bien fait une comparaison. Sa FAQ répond à la question « Les consommateurs renvoient-ils plus souvent les produits recommandés par l’IA ? » en plaçant le chiffre phare à côté de 41 % pour les acheteurs ayant acheté sur recommandation des réseaux sociaux. Cet écart ne signifie que les recommandations de l’IA échouent plus souvent que si les deux groupes ont acheté à peu près le même nombre d’articles recommandés.

Rien dans le communiqué ne montre que les deux groupes ont acheté de la même façon. Selon le même calcul, des acheteurs de l’IA qui feraient moins d’un demi-achat recommandé supplémentaire par an suffiraient à produire tout l’écart. Les seules habitudes d’achat pourraient l’expliquer. L’autre chiffre de la FAQ est une auto-évaluation : 49 % de ceux qui ont renvoyé une recommandation de l’IA disent être plus susceptibles de renvoyer ces achats que ceux faits directement, et seulement 9 % moins susceptibles. Sa base est constituée de personnes qui en avaient déjà renvoyé un.

Blue Yonder lit le résultat sur la description comme un problème de données. « Ce n’est pas vraiment un problème d’IA. C’est un problème de données », déclare Duncan Angove, son directeur général, dans le communiqué. La plupart des données produit, selon lui, « ont été écrites pour une barre de recherche, pas pour une machine qui suggère des produits à quelqu’un ».

Blue Yonder vend des logiciels de gestion des retours, et son chemin vers de meilleures données produit passe par un partenaire ; ce rapprochement est une inférence, puisque le communiqué sur les retours ne mentionne jamais Syndigo. Le communiqué renvoie vers Blue Yonder Returns Management, enrichi en 2025 par le rachat de la société de technologies de retours Optoro. Un partenariat annoncé en mai intègre le contenu produit de Syndigo à la plateforme de Blue Yonder pour les détenteurs d’une licence Syndigo. Cette annonce porte surtout sur la planification, l’intégration des données et les planogrammes, avec une seule ligne sur les agents : un agent IA « favorisera les articles dont les données produit sont les plus exactes, complètes et enrichies ».

Le constat sur la description compte plus que le chiffre phare, car un retour pour description apprend à un agent quelque chose qu’un retour pour la coupe ne lui apprend pas. Un article publié le 3 novembre sur arXiv par des chercheurs de l’université Tsinghua et de Tencent modélise des agents qui collectent des recommandations auprès de plateformes concurrentes pour le compte d’un utilisateur. Les plateformes peuvent embellir la description d’un article sans modifier l’article. Chaque agent juge la crédibilité d’une plateforme uniquement d’après ce que son utilisateur a consommé.

Sans un tel contrôle de crédibilité, les auteurs trouvent un équilibre dans lequel chaque plateforme revendique la pertinence maximale possible, si bien que les descriptions ne distinguent plus les articles. Dans un marché simulé construit à partir d’avis Amazon sur les instruments de musique, où un score de similarité tient lieu de valeur pour l’utilisateur, le contrôle a corrigé une partie de la surenchère, mais l’intervalle autour de son gain net incluait zéro. Les utilisateurs ne faisaient pas mieux en moyenne qu’en restant sur place. Dans le marché synthétique de l’article, le même contrôle améliorait bien l’utilité, et les auteurs jugent la réponse conditionnelle.

Un retour produit est la version commerce de ce retour d’information, même si l’article n’en parle jamais. Dans cette lecture, un retour pour la coupe renseigne surtout sur le corps de l’acheteur, tandis qu’un retour pour la description renseigne sur le texte du distributeur. Si les agents se mettent à tenir les comptes de cette façon, des données produit rédigées pour remporter la recommandation seront notées à l’ouverture du colis. Ce sont les distributeurs qui écrivent le texte : la note est donc entre leurs mains.