Jordan Broggi, vice-président exécutif de l’expérience client et président de l’activité en ligne chez Home Depot, a déclaré lors du Shoptalk Spring 2026 que ses magasins n’avaient « jamais été aussi pertinents », comme le rapporte Retail Dive. Cette affirmation inverse une hypothèse du commerce numérique vieille de vingt ans. Ce qu’elle ne fait pas, c’est nommer la métrique qui permettrait de la confirmer.

L’argument structurel qui sous-tend cette affirmation est sérieux. Home Depot a constitué une suite de produits technologiques — Magic Apron, enrichi au NRF 2026 de capacités agentiques construites sur Google Cloud, ainsi qu’un outil Blueprint Takeoffs alimenté par l’IA qui traite des fichiers de plans architecturaux pour des projets de maisons individuelles et restitue un devis complet en matériaux. Chacun de ces outils dépend de l’infrastructure des magasins physiques pour ses données d’entrée, et renvoie des données de performance vers celle-ci. Le réseau de magasins génère des signaux d’inventaire local qui affinent les recommandations de l’IA ; ces recommandations stimulent la conversion et enrichissent les données de session pour le cycle d’itération suivant du modèle. Chaque cycle s’appuie sur le réseau physique. Supprimez les magasins, et l’IA se dégrade.

La mesure manquante est ce qu’on pourrait appeler un taux d’amplification par l’IA : la proportion des sessions assistées par IA qui débouchent sur une visite en magasin, par rapport aux sessions sans IA. Le gain de conversion en ligne issu de la navigation assistée par IA en est le proxy le plus proche disponible — et ce n’est pas la même chose. Les données de conversion indiquent qu’une session IA s’est terminée par un achat ; elles ne disent rien sur le fait que cet achat a conduit le client en magasin ou a au contraire remplacé une visite physique. L’affirmation selon laquelle les magasins sont « plus pertinents que jamais » exige que la première hypothèse soit vraie, et rien dans les données publiées ne le confirme.

Les données de fréquentation de Placer.ai compliquent l’argument. Les visites en magasin ont chuté de 3,9 % en glissement annuel au T1 2025 et de 2,2 % au T2 ; les résultats du T3 de Home Depot font état d’une nouvelle baisse des transactions clients de 0,4 % — trois trimestres consécutifs de recul, précisément pendant la période où Magic Apron se déployait sur l’ensemble du réseau. La direction a attribué cette faiblesse aux conditions du marché immobilier et à une activité tempêtes plus faible, une lecture que les données de fréquentation ne contredisent pas. Mais si les outils d’IA amplifiaient réellement la pertinence des magasins en termes de trafic, la tendance devrait commencer à le montrer. Si l’argument est que les magasins sont « plus pertinents » dans un sens qualitatif — des paniers plus élevés, un meilleur engagement par visite — ces données n’ont pas non plus été publiées.

Home Depot est mieux placé que n’importe quel distributeur pour construire une métrique d’amplification par l’IA. La navigation au niveau du rayon dans Magic Apron crée une chaîne d’attribution session-à-magasin que la plupart des concurrents ne peuvent pas reproduire : un client qui interroge l’outil en ligne puis se dirige vers l’allée 14 en magasin génère un lien traçable entre l’interaction avec l’IA et l’engagement physique. Plus de la moitié des commandes en ligne sont honorées via les magasins physiques, selon les résultats du T4 2025. Le Material List Builder AI relie les descriptions de projets en texte libre aux stocks en magasin, associant chaque requête à des stocks locaux spécifiques. Vingt millions d’utilisateurs actifs de l’application circulent entre les canaux numériques et physiques, générant des données comportementales cross-canal à une échelle qu’aucun acteur du e-commerce pur ne peut égaler. L’infrastructure nécessaire à une analyse d’attribution existe. L’analyse publiée, non.

Le reste de l’industrie ne peut de toute façon pas reproduire cela. L’enquête 2026 de Mirakl sur la préparation au commerce par IA, qui agrège des évaluations de Deloitte Digital, Accenture, Adobe et quatre autres cabinets partenaires, évalue la préparation globale des distributeurs à 4,4 sur 10. Les lacunes les plus criantes — la structuration des catalogues produits, la visibilité en temps réel sur la façon dont l’IA met en avant leurs produits, et la fiabilité opérationnelle pour les transactions autonomes d’agents — sont précisément celles qui empêchent tout outil d’IA de générer les données d’attribution nécessaires pour boucler la boucle session-à-magasin. Un distributeur sans données d’inventaire lisibles par machine ne peut pas tracer si une session IA a conduit à une visite en magasin, quel que soit le modèle qui tourne en arrière-plan.

Si la thèse de Home Depot sur les magasins est juste — et la logique structurelle suggère qu’elle pourrait l’être — l’industrie a besoin d’un standard de mesure avant que tout concurrent puisse évaluer rationnellement si la construction d’une infrastructure intégrée IA-et-magasins comparable vaut la mise de fonds. Douze nouveaux magasins en 2026 et une activité e-commerce de 25 milliards de dollars par an sont des paris structurels, pas des arguments marketing. Publier un taux d’amplification par l’IA — même une version approximative et définie en interne — donnerait aux concurrents et aux investisseurs un outil pour évaluer si l’IA et les magasins physiques se renforcent mutuellement ou s’excluent. Home Depot a les données. Le secteur attend l’analyse.