Toutes les capacités du commerce IA que cette publication a couvertes — recherche conversationnelle, checkout agentique, recommandation personnalisée — reposent fondamentalement sur des données produit structurées pour l’interprétation machine. Les systèmes de taxonomie de la mode n’ont pas été conçus pour cela. Ils ont été conçus pour la navigation humaine, et l’écart entre ces deux objectifs de conception est précisément là où les feuilles de route IA continuent de s’enliser.

Un article de 2021 dans FashionUnited, signé par le fournisseur de taguage automatique Pixyle.ai, formule le problème de taxonomie avec justesse avant d’en proposer une solution : la taxonomie produit est « une structure de données bien définie regroupant les catégories et attributs de la mode, qui soutient la méthode de catégorisation, d’organisation et de classification systématique des articles ». Cette définition est juste. Ce que l’industrie a sous-estimé, c’est que catégoriser pour les acheteurs et catégoriser pour les machines exige des schémas d’attributs différents, des niveaux de granularité différents et des standards de cohérence différents.

La taxonomie mode a été pensée autour de ce que les acheteurs humains pouvaient interpréter en filtrant un site web. Un client lit « inspiration vintage », « parfait pour les mariages » et « taille petit » et mobilise une inférence culturelle pour combler les lacunes du texte. Un moteur de recommandation n’a pas ces ressources — il a besoin de champs structurés : code d’occasion, classification de silhouette, variance de coupe exprimée en données de mesure, composition textile en pourcentage. Lorsque ces champs sont absents, incohérents ou encodés dans une prose libre, la machine devine ou agrège des signaux contradictoires. Le résultat est techniquement plausible et commercialement faux. Comme nous l’avons rapporté le 27 mars, en citant ChannelEngine, dans notre analyse de la visibilité dans la recherche IA, des attributs incomplets rendent les produits plus difficiles à remonter dans les environnements pilotés par l’IA, car les agents IA s’appuient sur des données produit structurées plutôt que sur la navigation à la manière d’un humain. Toutes les capacités IA en aval de la découverte partagent cette même dépendance.

La réponse du taguage automatique et ses limites

La réponse principale de l’industrie a été le taguage automatique des attributs. Des fournisseurs comme Pixyle.ai et YesPlz ont développé des pipelines de vision par ordinateur qui extraient les attributs produit à partir des images — encolure, longueur de manche, motif, couleur — sans saisie manuelle. Une étude de cas YesPlz pose l’argument opérationnel concrètement : tagger manuellement 2 000 produits mode demande au moins 10 jours de travail humain et environ 1 600 $ à 20 $/heure — un tarif que YesPlz applique au marché californien, supérieur au salaire minimum général de Californie au moment de la publication originale ; le taguage automatisé accomplit le même travail en quelques heures pour 200 à 600 $ (selon une étude de cas YesPlz portant sur deux petits détaillants Shopify). C’est une amélioration opérationnelle réelle, qui répond à un vrai goulot d’étranglement de production.

Mais cela ne résout pas le problème de schéma.

Si la taxonomie d’un détaillant ne comporte aucun champ pour la catégorie d’occasion, l’intention de coupe ou la compatibilité d’entretien, les pipelines de traitement d’image ne peuvent pas les compléter — parce qu’il n’y a rien à compléter. Le schéma enrichi a été conçu autour de ce que les merchandiseurs humains avaient en tête lorsqu’ils ont mis en place des filtres pour « casual » ou « tenue de mariage » il y a plus d’une décennie. Ce sont des heuristiques de navigation. Une IA conversationnelle chargée de remonter un chemisier en soie nécessitant un nettoyage à sec pour un cocktail estival a besoin de champs discrets pour l’occasion, le type de tissu et les instructions d’entretien. Beaucoup de catalogues omettent ces champs ou les traitent de façon incohérente selon les types de produits et les saisons d’achat. Cette absence est invisible jusqu’à ce qu’un système IA tente de raisonner sur l’ensemble du catalogue à grande échelle.

Ce que l’inférence visuelle réussit — et où elle s’arrête

L’argument classique en réponse est que les modèles de vision modernes peuvent inférer des attributs à partir des images sans champs structurés. C’est partiellement vrai, mais avec des limites importantes. L’inférence visuelle fonctionne bien pour les attributs dont les caractéristiques de surface sont visibles : couleur, motif, silhouette, longueur de manche. Elle se dégrade sur les attributs non visuels qui orientent les décisions d’achat — pertinence de l’occasion, indice de chaleur, cohérence des tailles entre les coloris. Elle produit aussi des résultats incohérents lorsque le même produit est photographié sous des angles différents ou catalogué dans différentes saisons selon les coloris.

L’enquête 2024 de FashionUnited sur l’IA dans toute la chaîne de valeur mode note que des systèmes comme Heuritech distinguent « plus de 2 000 détails de mode différents » à partir d’images issues des réseaux sociaux — une véritable prouesse technique. Mais la détection de tendances et le raisonnement de recommandation au détail sont deux tâches distinctes. La détection de tendances agrège des signaux sur des millions d’images pour faire émerger des patterns naissants. Le raisonnement de recommandation exige des attributs structurés cohérents, par produit, que l’inférence probabiliste ne peut pas fournir à qualité uniforme sur un catalogue complet.

L’exposition spécifique de la mode

La mode est plus exposée à ce problème que la plupart des catégories. Un ordinateur portable peut être décrit avec précision par son processeur, sa capacité de stockage, son poids et la taille de son écran — tout cela est mesurable et largement objectif. Un blazer féminin noir en ponte nécessite silhouette, fabrication, type de coupe, plage d’occasions, variance des tailles et positionnement saisonnier pour être véritablement recommandable dans les contextes où l’intention d’achat se manifeste. L’ambiguïté ne se réduit pas quand l’IA entre dans le pipeline ; elle s’amplifie. La recherche conversationnelle remonte des résultats plausibles qui ratent l’intention. Le checkout agentique achète un produit qui correspond à la requête mais pas à la garde-robe ; les moteurs de recommandation poussent la bonne catégorie pour la mauvaise occasion.

Les détaillants qui ont un avantage structurel dans le prochain cycle du commerce IA ne sont pas ceux qui font tourner l’algorithme le plus sophistiqué sur une couche de données mince. Ce sont ceux dont les données produit sont déjà structurées pour soutenir l’inférence plutôt que la navigation — ceux qui ont demandé ce dont une machine a besoin pour raisonner sur un produit avant de demander ce que la feuille de route des fonctionnalités IA exige. Corriger le schéma de taxonomie — étendre les champs, imposer des standards de cohérence, auditer ce que les machines ont besoin plutôt que ce dont les merchandiseurs humains se souviennent de compléter — est un travail d’infrastructure peu glamour. Les capacités qu’il déverrouille, elles, ne le sont pas.