Research & Trends

Une sélection de trois produits peut diviser par deux le catalogue qui vaut la peine d'être proposé

Des chercheurs de Cornell Tech ont ajusté des modèles de classement sur trois modèles d'IA et, avec des acheteurs synthétiques, constaté qu'une sélection de trois produits divise à peu près par deux le catalogue qui vaut la peine d'être proposé lorsqu'un distributeur a de la place pour dix références. Ignorer l'assistant coûtait de 2,52 % à 11,37 % du chiffre d'affaires à cette capacité, selon la longueur de la sélection. Planifier en fonction de l'ordre dans lequel un assistant classe la gamme a permis de récupérer presque toute cette perte.

A nautilus in a naval coat lifts half of a row of chargers, dog leashes, a robot vacuum and folded shirts off a shop counter, leaving four items before a brass machine that shows a shopper only three.

Neritus Vale

Quand un assistant IA ne montre que trois produits, la gamme d’un distributeur devient une compétition pour trois places, et chaque produit ajouté est un concurrent de plus. Dans AI-Mediation in Retail Markets, publié sur arXiv le 9 octobre, Omar El Housni et Marouane Ibn Brahim, de Cornell Tech, constatent que la prise en compte de ces compétitions réduit en moyenne la taille du catalogue qui maximise le chiffre d’affaires. La longueur de la sélection est un paramètre de scénario : l’étude la fixe à trois, cinq ou sept et n’observe pas ce que les vrais assistants affichent. Un produit que l’assistant ne montre jamais ne rapporte rien, et un produit qu’il montre à la place d’un meilleur vendeur fait perdre de l’argent. Au-delà de ses propres estimations de la demande, un distributeur n’a guère besoin que de l’ordre dans lequel chaque assistant classe sa gamme.

Deux pages d’éditeurs voient dans l’exclusion le vrai danger, et les deux sociétés vendent le remède. Un guide de Yotpo affirme qu’un catalogue caché aux robots d’exploration de l’IA « disparaît définitivement des réponses des chatbots ». Le résumé au programme d’une session d’eCommerce Expo, salon organisé par Semantico, qui vend un système d’information produit natif IA, assure qu’un produit aux données incomplètes est « totalement exclu ». L’article chiffre le risque inverse : être montré peut coûter de l’argent lorsque cela prend la place d’un autre produit dans la sélection.

Dans le modèle, le distributeur choisit ce que l’assistant lit, un catalogue que les auteurs qualifient de « tourné vers les machines », sans savoir quel acheteur ni quel assistant il dessert. L’assistant montre ses quelques premiers produits, la longueur de sélection K. Selon un modèle logit multinomial, le client achète alors un produit ou renonce, la probabilité de vente de chaque produit augmentant avec son attrait. Chaque vente rapporte au distributeur le prix catalogue : les pertes indiquées plus bas portent donc sur le chiffre d’affaires, non sur la marge.

Les auteurs ont demandé à trois modèles de classer des produits pour un acheteur donné : gpt-5.4-mini d’OpenAI, Claude Haiku 4.5 d’Anthropic et Gemini 3.6 Flash de Google. Il s’agit des gammes mini, Haiku et Flash, interrogées par API avec un prompt de persona fixe, et non au sein d’un produit de shopping. Chacun a classé ses cinq premiers parmi dix annonces réelles, tirées des données Amazon Reviews 2023 sur les chargeurs Lightning, les aspirateurs robots et les laisses pour animaux. Les prompts décrivaient l’acheteur comme sensible au budget, en quête de bon rapport qualité-prix ou en quête de premium, et donnaient pour chaque produit un titre, un prix, une marque et quelques attributs.

Un modèle de Plackett-Luce, ajusté pour chaque assistant, persona et catégorie, traite un classement comme une série de tirages pondérés. La probabilité qu’un produit arrive en première place est proportionnelle à son poids ; la deuxième place est tirée de la même façon parmi les produits restants. Les produits très pondérés l’emportent généralement, mais pas toujours, ce qui convient à des assistants dont les réponses varient d’une exécution à l’autre. Sur des ensembles d’offres que l’ajustement n’avait jamais vus, le produit au poids le plus élevé était le premier choix de l’assistant dans 78,8 % des cas.

Avec de la place pour dix produits et une sélection de trois, le catalogue qui vaut la peine d’être proposé fait environ la moitié de celui que choisirait la méthode classique. Celle-ci planifie comme si les clients voyaient tout ce que le distributeur propose, et offre en moyenne 8,35 produits. Planifier en fonction de l’assistant ramène l’offre à 4,20.

La réduction s’atténue à mesure que la sélection s’allonge. Le tableau 3 de l’article situe l’offre qui tient compte de l’assistant à 5,88 produits pour une sélection de cinq et à 6,84 pour sept, soit des réductions de 30 % et de 18 % par rapport aux 8,35 de la méthode classique.

Ignorer l’assistant coûte le plus cher quand la sélection est courte. Avec de la place pour dix et une sélection de trois, le plan classique perdait en moyenne 11,37 % du chiffre d’affaires du meilleur plan, comme le montre le tableau des capacités de l’article. Une sélection courte donne à l’assistant davantage d’occasions d’écarter un bon produit. Avec une sélection de sept, la perte était de 2,52 %. Quelle que soit la longueur de la sélection, plus de place en rayon faisait perdre davantage au plan classique.

Souvent, le meilleur plan ne laisse à l’assistant aucun choix. Dans 44 % à 52 % des cas, selon la longueur de la sélection, le catalogue qui tient compte de l’assistant tenait dans la sélection, alors que le catalogue classique n’y tenait pas. Les auteurs décrivent un distributeur « prêt à renoncer à une capacité d’assortiment supplémentaire afin de retirer à l’IA son pouvoir discrétionnaire sur les produits qui parviennent au client ».

Le caractère aléatoire des réponses des assistants a compté bien moins que leur ordre.

Les auteurs ont classé les produits selon leur poids ajusté, figé cet ordre et optimisé en fonction de lui. Évalué selon le modèle aléatoire complet, ce plan perdait au plus 0,53 % en moyenne dans toutes les configurations. Les moyennes masquent les cas isolés : le pire, avec une sélection de trois, perdait 9,02 %.

Ce que coûte le fait d’ignorer l’assistant dépend de son degré d’accord avec les clients du distributeur. Les acheteurs synthétiques des auteurs mélangent les préférences moyennes des assistants pour leur persona et un goût aléatoire, dans une proportion réglée par un paramètre d’alignement. Avec ce paramètre à zéro, ignorer l’assistant coûtait en moyenne de 5,75 % à 24,06 % du chiffre d’affaires.

L’objection la plus sérieuse est que les assistants existent pour trouver ce que veulent les acheteurs, et que de meilleurs assistants ramèneraient donc le large catalogue. Pour cela, il faudrait que les assistants classent comme les clients choisissent. L’article ne teste pas de meilleurs assistants ; son paramètre rapproche les goûts des clients synthétiques du classement moyen des modèles. Près de l’alignement total, le distributeur laissait l’assistant filtrer dans 44,4 % à 66,7 % des cas : l’accord ne rendait donc pas l’assistant gratuit. À l’alignement total, l’ignorer coûtait encore de 0,59 % à 5,74 % du chiffre d’affaires, un chiffre construit à partir d’une seule instance par catégorie, soit trois au total. L’article n’explique pas ce résidu ; une lecture possible est qu’un assistant classe pour l’acheteur, non pour la caisse. Dans tous les cas, l’assistant contraint la largeur du catalogue.

L’étude est de petite taille, et ses limites se font le plus sentir dans l’habillement. Chaque catégorie compte de 22 à 25 produits, 72 au total, de sorte que le catalogue qui vaut la peine d’être proposé revient à en choisir jusqu’à dix parmi environ 25. Chaque moyenne mise en avant agrège 633 instances : trois catégories, sept niveaux d’alignement de 0 à 0,99 avec 30 exécutions chacun, et le cas d’alignement total une fois par catégorie. Les acheteurs sont synthétiques, et l’on n’a jamais demandé aux modèles plus de cinq produits sur dix. Or l’habillement se vend sur les photos, la coupe et les avis, rien de tout cela ne figurant dans les prompts. Avec un seul distributeur et aucun concurrent, le modèle ne peut dire si un produit supplémentaire en évince un de la même famille ou un produit concurrent.

Un distributeur d’habillement pourrait rejouer l’étude sur sa propre gamme, à la place de ce que les auteurs ont dû inventer. Il soumettrait aux assistants qu’utilisent ses clients des échantillons de ses modèles, et associerait les poids ajustés à une demande estimée à partir de ses propres ventes. L’article a ajusté ses modèles de classement sur 27 000 classements d’entraînement : l’étape coûteuse est donc celle des prompts. La spécification de flux produits d’OpenAI demande « une ligne par article ou variante achetable » et relie les lignes de variantes par group_id et listing_has_variations ; le distributeur devrait donc vérifier si un assistant classe chaque coloris comme un concurrent distinct. La spécification ne dit pas comment le classement traite les variantes.

La même spécification contient un équivalent du levier de l’article, réglé par défaut sur l’ensemble de la gamme. Dans le format d’OpenAI, chaque ligne est éligible à la recherche ChatGPT, sauf si le marchand désactive le drapeau is_eligible_search, et l’éligibilité « ne garantit pas l’affichage ». Ce drapeau n’est pas le plafond de capacité de l’article et ne dit rien de la longueur de la sélection. Un marchand qui n’y touche jamais a malgré tout tracé son catalogue tourné vers les machines. Il peut planifier comme si les clients voyaient tout, hypothèse du plan classique, ou payer des prompts qui révèlent le classement d’un assistant et tracer lui-même le catalogue.