L’assistant shopping d’Amazon est désormais livré à ses concurrents avec les questions déjà rédigées. AWS a lancé l’Agentic Shopping Assistant le 27 mai, remettant aux enseignes l’architecture, le code de démarrage et les heures de conseil qui font tourner le système utilisé dans le magasin d’Amazon lui-même. Ce qu’un assistant conversationnel fait et qu’une barre de recherche ne fait pas, c’est demander — et celui qui rédige la question décide de ce qu’une enseigne pourra jamais apprendre sur ses clients.

AWS présente l’offre davantage comme une prestation de services que comme un logiciel — la fiche sur Marketplace cite trois modèles d’engagement, fait transiter la livraison par l’AWS Generative AI Innovation Center, et invite les acheteurs potentiels à contacter leur interlocuteur AWS plutôt que d’afficher un prix. Les livrables dépassent la fenêtre de chat : le système se souvient des préférences d’un client d’une session à l’autre, l’une des rares précisions qu’AWS confirme. Une enseigne qui achète cela achète, à un concurrent, l’instrument par lequel elle lira ses propres clients.

Les chiffres qui vendent l’offre ont été produits dans un magasin qu’aucun adoptant ne ressemble. Amazon crédite l’assistant de près de 12 milliards de dollars de ventes incrémentales l’an dernier, l’argument qu’AWS répète désormais aux acheteurs. Ce chiffre provient d’un catalogue qui écrase tout ce qu’un licencié pourra jamais exploiter, où un assistant gagne sa place en trouvant une seule bonne réponse dans une abondance qu’aucun client ne peut parcourir seul. AWS y ajoute l’affirmation que les sessions conversationnelles convertissent 3,5 fois plus que la recherche par mots-clés. Sur un site de mode de niche, le problème s’inverse, car l’assistant doit convaincre le client qu’un assortiment restreint contient malgré tout sa réponse. Même interface, problème opposé.

La recherche enregistrait comment les clients nommaient les choses ; la conversation enregistre ce dont ils se contenteraient.

Les requêtes que collecte un assistant de mode sont précisément celles que l’enseigne a toujours dû deviner. Un client qui tape « robe noire » n’a presque rien dit, tandis qu’un client qui explique qu’il lui faut quelque chose pour un mariage en août, qu’il ne peut pas porter de bustier et qu’il ne dépassera pas 200 dollars, a décrit un produit qu’une équipe achats pourrait briefer. Ces contraintes arrivent avant l’achat, ce qui les distingue de tout signal qu’une enseigne détient déjà. Les retours enregistrent ce qui a échoué après coup, et les ventes enregistrent ce qui a abouti. La conversation est le seul canal qui capture la vente jamais conclue, et la raison de cet échec.

Le concierge de Kate Spade illustre à quel point cette collecte peut être étroite. La marque a lancé son service le 13 avril, un assistant cadeaux qui interroge sur l’occasion, le style et le destinataire avant de montrer un sac. La directrice données et analytique de Tapestry, Fabio Luzzi, a déclaré à Digital Commerce 360 que l’outil « découlait directement de l’écoute de nos consommatrices et de la compréhension de ce dont elles avaient réellement besoin ». Le même article précise que l’outil s’est nourri des questions posées à Alexa for Shopping et des réponses ayant conduit à un achat. L’occasion et le destinataire, voilà ce que le concierge apprendra. Les plaintes sur la coupe, les plafonds de prix, la substitution qu’un client a faite quand la première suggestion a manqué sa cible — tout cela est absent de la transcription, parce que personne n’a inscrit ces questions dans le script.

Savoir quelles questions poser, et à quel moment, reste un problème de recherche ouvert, pas un problème résolu. Un article déposé sur arXiv le 7 juillet, “When and How to Ask”, montre que la meilleure stratégie d’élicitation change selon le stade de la conversation : les questions sur les attributs fonctionnent en début d’échange, tandis que les suggestions fondées sur des articles précis marchent mieux une fois que les préférences du client se sont précisées. Les auteurs ont étudié les systèmes de recommandation conversationnels en général, pas la mode spécifiquement, et ont construit un jeu de données annoté pour déterminer si poser une question est même pertinent à un moment donné. Le fait que le bon timing reste débattu est précisément le point. Une enseigne qui déploie via AWS hérite d’une politique d’élicitation calibrée sur les clients d’Amazon et ajustée par les consultants d’Amazon, et ses propres clients n’ont eu aucun mot à dire dans cette élaboration.

L’objection la plus solide est que le contrat a déjà tranché cette question en faveur de l’enseigne. Les conditions d’Amazon Bedrock sont précises et vérifiables : les entrées et sorties ne sont jamais partagées avec les fournisseurs de modèles ni utilisées pour entraîner les modèles de base, la connectivité passe par un VPC privé avec une copie de modèle privée pour l’ajustement, et AWS affirme que les adoptants conservent les avantages de leurs données clients propriétaires. Selon cette lecture, une enseigne reçoit des priors affinés sur des milliards d’interactions qu’elle n’aurait jamais pu générer elle-même, garde chaque transcription produite par ses propres clients, et paie une marge cloud pour cet échange. Pour que l’argument développé ici tienne en échec, une seule condition doit être remplie : l’enseigne doit déjà disposer d’un endroit où stocker le journal, et de quelqu’un dont le métier est de le lire.

Cette condition est précisément celle qu’AWS a discrètement tarifée. Le suivi des préférences d’une session à l’autre figure sur la liste des livrables, et une enseigne déjà capable de lire la demande conversationnelle n’aurait pas besoin d’acheter l’appareillage pour le faire. L’avantage d’Amazon n’a jamais résidé dans la possession des requêtes, qu’elle détenait en masse depuis dix ans avant même de construire un assistant. L’avantage tenait à une boucle qui transformait les questions en ajustements de classement, et les ajustements de classement de nouveau en preuves, exécutée en continu sur son propre trafic. AWS vend le produit de cette boucle, pas la boucle elle-même. L’enseigne finit par posséder la transcription et louer la lecture qu’on en fait.

La majeure partie de la couverture médiatique a classé le risque sous les rubriques dépendance à la plateforme et fuite de données. eMarketer formule la version standard sans détour, avertissant que l’adoption donne à Amazon « une visibilité sur le comportement d’achat et les préférences des consommateurs de tiers, ce qui renforcera sa position dans le secteur du commerce de détail ». C’est l’inquiétude à laquelle un contrat peut répondre, et celui d’Amazon y répond. La question la plus difficile n’a jamais été de savoir si Amazon lit les requêtes de l’enseigne. C’est de savoir si l’enseigne, elle, les lit.

Le point qui mérite négociation n’est pas le prix. Une enseigne qui signe ce contrat devrait se battre sur qui rédige la liste des questions, si elle peut être réécrite sans les consultants du fournisseur, et si les transcriptions sortent sous une forme que ses propres analystes peuvent interroger. Si les interfaces conversationnelles continuent de capter une part croissante de la découverte à forte intention, alors les enseignes qui auront traité l’assistant comme un simple canal auront acheté de la conversion, et celles qui l’auront traité comme un instrument auront acheté une lecture de la demande que leurs concurrents ne peuvent pas voir. Amazon a tranché cette question pour son propre magasin il y a des années. Elle vend aujourd’hui le résultat, et garde la méthode pour elle.