Dix-huit boutiques sur 330 ont dit à l'agent ce qu'il paierait
Un benchmark côté commerçants montre que 18 boutiques nord-américaines sur 330 seulement publiaient assez d'informations pour qu'un scanner à base de règles confirme le prix livré d'un article ; la plupart des autres omettaient la taxe de vente ou les frais de livraison. L'entreprise des auteurs vend la couche de compensation pour agents sur laquelle repose l'article, et ils reconnaissent que le pilote ne valide pas encore ses mesures.

Neritus Vale
Sur 330 boutiques nord-américaines, 18 publiaient sur leurs propres pages de quoi permettre à un scanner à base de règles de confirmer ce que coûterait un article livré. Ce chiffre provient d’un pilote déposé sur arXiv le 12 octobre par cinq chercheurs d’Evolutionairy AI, à Toronto. Le débat sur le commerce agentique se demande si les agents savent faire leurs achats ; ce pilote met en évidence une seconde limite, dans ce que les boutiques mettent par écrit.
Le benchmark note le commerçant plutôt que l’agent. Il fixe la consigne de l’acheteur et pose trois questions à chaque boutique : un agent peut-il y accéder, les conditions publiées permettent-elles de décider de l’achat, et quelqu’un pourrait-il prouver après coup ce qui a été convenu. Sa mesure centrale, la « suffisance décisionnelle », classe chaque condition d’un mandat (coût total, conditions de retour, date de service ou de livraison, variante exacte) comme déterminée, indéterminée ou inconnue, à partir des pages du commerçant lui-même.
Les outils de préparation proposés aux commerçants évaluent surtout la première question. Les vérificateurs de Cloudflare et de Shopify mesurent l’accès des bots, le balisage et la prise en charge des protocoles. L’accès fait bel et bien défaut. Parmi 555 sites que deux processeurs de paiement citent comme clients, aucun des deux profils d’agent déclarés ne parvenait à lire la page d’accueil pour 29,2 % des sites de retail, une part supérieure à celle de tout autre secteur comptant au moins 20 sites, à l’exception du voyage. L’article ne peut pas dire pourquoi : son décompte inclut les restrictions géographiques et des blocages que rencontrerait n’importe quel client automatisé.
Accès et décision sont deux propriétés distinctes, et réussir la première ne garantit pas la seconde. Trois des quatre grands commerçants soumis à l’évaluation complète ont refusé les profils déclarés sur leurs pages d’offre, et pourtant un navigateur piloté par un assistant IA, avec une personne validant chaque étape, les a lus tous les trois. Il n’a toutefois pu confirmer aucun mandat comme rempli : chaque commerçant laissait un total ou une condition de remboursement indéterminé.
L’analyse des 330 boutiques a confié le jugement à des règles fixes ; aucun agent n’a fait d’achat. Ses commerçants, presque tous des détaillants vendant aux États-Unis et au Canada, faisaient face à un seul mandat : un article, livré au code postal 10001 sous dix jours, pour au plus le prix affiché majoré d’un quart, retournable sous 14 jours. Seuls 115 disposaient de assez de preuves tranchées pour être classés. La couverture, plus que le score, a déterminé qui était jugé. Parmi les boutiques classées, quatre piliers sur cinq approchaient la note maximale, tandis que celui qui couvre le coût, la livraison et les retours atteignait en moyenne 62 à 64.
Le défaut venait surtout d’un seul contrôle, le total tout compris, qui n’a pu être établi chez 178 commerçants avec le client HTTP simple, le profil derrière chaque chiffre cité ici. La taxe a fait l’essentiel des dégâts : dans 137 boutiques, elle n’était pas indiquée sur les pages d’offre ou de politique, était indiquée sans taux, ou était reportée à la caisse. Un navigateur sans interface a donné des résultats presque identiques.
Dans ces boutiques, un agent peut acheter sur une hypothèse ou rendre la décision à l’humain, et ce n’est pas pour cela qu’on délègue.
Au moment de la décision, rien d’autre que le propre enregistrement de l’agent ne montrerait non plus ce qui lui a été présenté. Les évaluations s’arrêtaient avant le paiement : aucune session signée ni trace du processeur n’est donc entrée dans les preuves. Les auteurs notent les preuves avec RAILS (Real-Time Agent Integrity & Ledger Settlement), un protocole de compensation que deux d’entre eux ont publié en juin. Il classe les preuves depuis l’enregistrement de l’agent lui-même, appelé SELF, jusqu’à la preuve cryptographique, et interdit tout règlement avec mouvement d’argent sur une preuve inférieure au seuil de l’obligation. Dans les quatre évaluations complètes, chaque condition déterminée reposait sur SELF.
Ce constat mène vers la couche que vendent les auteurs. Tous les cinq travaillent chez Evolutionairy AI, qui présente RAILS comme « la chambre de compensation indépendante du commerce agentique » et qui, comme l’indique l’article, « a un intérêt commercial dans l’évaluation des commerçants ». Un partenaire qui exploite un agent d’achat grand public a fourni 240 des boutiques, dont 227 issues d’un seul catalogue sur une seule plateforme de commerce hébergée, et n’a ni financé, ni relu, ni orienté le travail. Les réglages par défaut de la plateforme peuvent expliquer une partie du schéma observé pour la taxe.
La principale objection est que le total manquant est américain et simplement tardif : les détaillants américains calculent couramment la taxe de vente d’après l’adresse de livraison à la caisse, y compris pour les acheteurs humains. La grille n’utilisait aucun taux de taxe publié, une question que les auteurs laissent ouverte. Dans l’UE, les acheteurs doivent déjà être informés « du prix total, taxes et frais supplémentaires compris ». Si les tables de taxes et la caisse peuvent fournir ce que la page d’offre omet, la thèse tombe.
L’objection réduit le chiffre sans l’inverser. La livraison est un échec distinct, et 41 boutiques ne l’indiquaient pas. Lire un total visible seulement à la caisse reviendrait à lancer un achat dans chaque boutique comparée, et un commerçant évalué gardait son total derrière un parcours de commande que son robots.txt interdit. L’Europe fait de la communication du total une règle, et les auteurs disent des lacunes de leurs évaluations complètes qu’« aucune n’exige un nouveau protocole pour être réparée ».
Les détaillants de mode devraient lire le pilote pour son mécanisme ; il n’a presque rien mesuré dans la mode. Les évaluations complètes portaient sur une compagnie aérienne, un complexe hôtelier, un hôtel et un abonnement lié à du matériel, et le recensement n’a jamais isolé le retail. Les plus grandes catégories des 330 boutiques étaient la maison et l’ameublement, le sport et l’outdoor, les jouets, l’électronique, et la beauté et la santé. L’habillement, s’il figure du tout, se trouve parmi les 59 commerçants des catégories plus petites, et le mandat ne précisait ni taille ni couleur.
Ce qui se transpose, c’est le test des retours, qui note la clarté d’une politique et ignore sa générosité. Un simple « pas de remboursement » passe, car un non net tranche tout de même ; « Retours sous 30 jours, sous réserve d’exceptions », exemple cité par l’article, non. Lorsque les règles signalaient des conditions contradictoires, un auditeur IA n’était d’accord que dans 28 % des cas, le plus souvent parce qu’une clause à paliers avait été lue comme une seconde politique. Un délai plus court pour les articles soldés en serait un exemple.
Les auteurs disent sans détour que le pilote « ne valide pas » ses mesures ni ne classe les commerçants, et que ses pondérations ne sont pas ajustées. Chaque évaluation complète repose sur une seule observation jugée par un seul évaluateur, un assistant IA qui a aussi contribué à rédiger la grille. Le recensement n’a lu que des pages d’accueil, un seul jour, depuis un seul lieu en Ontario ; l’analyse des boutiques est partie elle aussi d’Ontario, et 30 de ses commerçants affichaient des prix en dollars canadiens ou en livres. Des règles fixes déterminent chaque statut, mais un audit IA n’était d’accord avec elles que pour 57 % des échecs, surtout parce que les règles sous-notaient des conditions que la page énonce, et l’article n’a pas appliqué ces corrections ; 18 pourrait donc être un sous-compte. Rien ne montre encore qu’une condition indéterminée provoque des litiges ou des pertes ; il faudrait pour cela des données de transaction que seuls les processeurs et les commerçants détiennent.
Si ce schéma vaut pour l’habillement, c’est la page du commerçant qui décidera des achats qu’un agent peut effectuer sans deviner. Une boutique qui affiche le prix livré et nomme ses exceptions de retour pourrait être choisie sur preuves. Toutes les autres forceraient l’agent à acheter sur une hypothèse ou à rendre la décision, et les agents simulés abandonnent rarement. Les détaillants peuvent attendre qu’un protocole véhicule leurs conditions, ou les écrire sur la page que l’agent lit déjà.