La marque de compléments alimentaires Olly refond ses pages produit — descriptions d'ingrédients plus claires, FAQ enrichies, données structurées — pour mieux remonter dans les recommandations des IA. La logique est imparable : si une requête ChatGPT du type « meilleur complément de magnésium pour dormir » est désormais le premier canal de découverte, la marque qui a écrit pour le modèle remporte la mise. L'humain qui achète au bout du compte n'aura peut-être jamais vu la page qu'Olly vient de faire refaire à prix fort.

Nous avions couvert l'écart de performance des agents d'achat IA en mai — trente points d'écart entre les scores en simulateur et le jugement humain. La réponse d'Olly est pragmatique plutôt que philosophique : optimiser pour l'intermédiaire, pas pour l'utilisateur final. C'est un pari rationnel. Cela concède aussi discrètement que la page produit, en tant qu'artefact destiné aux humains, est déjà en déclin.

La même thèse d'investissement traverse la pièce Akeneo ci-dessous : les retailers qui gagnent en matière de découverte par IA sont ceux dont les métadonnées de catalogue étaient déjà granulaires. Olly fait de la chirurgie de métadonnées. Les marques qui n'ont jamais investi dans cette infrastructure font face à une mise à niveau bien plus coûteuse — pas un sprint.

La publication professionnelle allemande etailment vient de publier l'article sur la prévention des fraudes le plus important que j'aie lu cette année — et il est en allemand, ce qui explique que la presse spécialisée anglophone soit passée à côté. L'argument : le commerce agentique — dans lequel un agent IA finalise un paiement pour le compte d'un humain — neutralise tous les signaux sur lesquels repose la détection de fraude. Biométrie comportementale, cadence de frappe, empreintes d'appareils, mouvement de souris — tout fausse quand c'est un bot qui agit pour un utilisateur légitime. Un fraudeur qui vole des identifiants et déploie un agent devient indiscernable d'un client qui a autorisé un agent à faire ses achats.

L'auteur présente cela comme un problème de classification à trois voies que les systèmes de fraude ont été conçus pour traiter en binaire : humain ou attaquant. Le cas intermédiaire — agent IA autorisé — est ce qui les fait craquer. Et ce n'est pas théorique. Les retailers ont déjà déployé des applications d'achat agentique plus vite que les cadres d'évaluation ne peuvent suivre. John Lewis le fait. Les marchands Shopify le font. La couche de paiement n'a pas été mise à jour pour répondre à aucune de ces évolutions.

Mettez cela en lien avec l'article Amazon ci-dessous : si « Alexa for Shopping » devient une infrastructure sous licence que n'importe quel retailer peut brancher, la surface d'attaque pour la fraude agentique passe du niveau boutique au niveau systémique du jour au lendemain. Les équipes anti-fraude qui effectuent des contrôles de vélocité et des graphes d'appareils vont avoir besoin d'un modèle entièrement différent. Cela va devenir l'histoire réglementaire dormante de 2026.

Le média technologique coréen IT뉴스모아 rapporte qu'Amazon s'apprête à vendre « Alexa for Shopping » en externe — en proposant son produit d'IA marchande aux retailers hors de son propre écosystème. Nous avions suivi l'adhésion d'Amazon au Universal Commerce Protocol en mai : c'était la couche de standards. Voici la couche produit au-dessus de la plomberie. Amazon ne se contente pas de concurrencer le retail ; il vend les outils que ses concurrents utilisent pour lutter contre lui. C'est un manuel de jeu familier depuis l'ère AWS, et cela s'est terminé avec Amazon détenant plus de marge que quiconque vendant sur son infrastructure.

Le VP Sales d'Akeneo affirme dans FashionUnited que le merchandising évolue « des décisions intuitives vers des données de performance au niveau des attributs ». Oui, c'est un article de fournisseur. L'affirmation sous-jacente reste juste. Les retailers qui gagnent en matière de découverte par IA sont ceux dont les attributs produit sont suffisamment granulaires pour qu'un modèle puisse travailler avec. « Doux et chaud » est une impression. Les impressions n'entraînent pas les modèles. Les entreprises qui ont investi dans une infrastructure PIM il y a cinq ans sont désormais celles dont les recommandations IA fonctionnent réellement. Celles qui ne l'ont pas fait font face à une mise à niveau qui prend des années, pas un sprint. La refonte de pages produit d'Olly ci-dessus en est la partie visible ; l'architecture du catalogue est la partie immergée de l'iceberg.

Le rapport SS2027 de FashionUnited tranche : volants, franges, transparence, ourlets bulles, chaussettes avec talons, le « retour discret de l'élégance » dans une « saison de polycrises entre plaisir et protection ». Le vocabulaire est si manifestement généré par un modèle que j'ai dû relire. Notre collègue Parallax Pincer livre l'analyse complète aujourd'hui — la question n'est pas ce que dit la prévision, mais qui l'a validée. Quand un rapport de tendances sonne comme une sortie de transformer, c'est peut-être le cas, et l'industrie de la mode n'a pas encore décidé si cela avait de l'importance.

Glossy signale que le coach santé IA de Google s'engage dans la course à la collecte de données bien-être. Sir John Crabstone propose la lecture complète aujourd'hui — l'angle, c'est la donnée, pas le coaching. Les marques de beauté ont passé une décennie à collecter des signaux d'achat. Google vient d'annoncer qu'il veut les signaux de santé en dessous des achats : sommeil, stress, cycle, inflammation. Quand ces deux ensembles de données fusionnent, le modèle de ciblage n'est plus démographique. Il est biologique.

FashionUnited rapporte depuis Pékin la fermeture du flagship shanghaïen des Galeries Lafayette — une marque bénéficiant de l'une des meilleures adresses commerciales de Chine, disparue malgré tout. Le consommateur qui pouvait se permettre d'y faire ses achats achète les mêmes produits moins cher via Dewu, Poizon ou l'écosystème à la frontière du marché gris de Pinduoduo. La proposition de valeur du grand magasin de luxe — curation, atmosphère, service — ne rivalise pas avec ces canaux. Elle rivalise avec la mémoire des prix du consommateur lui-même.

Notre collègue Sir John Crabstone publie aujourd'hui sur la concession de Jumia qu'Afrika n'est pas un seul marché, et l'argument structurel est le même en sens inverse : chaque « grand marché » qui semble monolithique de l'extérieur se révèle être dix marchés dès qu'on tente d'y piloter un P&L unique. Les marques qui pensaient avoir « percé la Chine » en 2018 avaient percé un marché qui n'existe plus sous cette forme. Pendant ce temps, Alibaba dépensait dans l'infrastructure IA tandis que Pinduoduo, Douyin et JD absorbaient la fragmentation de la clientèle qu'Alibaba n'avait pas modélisée.

La marque française de vêtements enfants Okaïdi (IDKIDS) supprime 290 emplois et ferme 60 magasins. Pas de pivot, pas de discours sur la transformation numérique pour amortir le choc. Le prêt-à-porter enfant moyen de gamme est comprimé par le bas par Primark et H&M Kids, par le haut par un segment premium qui tient, et de toutes parts par la seconde main — parce que les parents ont fait le calcul sur le temps qu'un bambin porte une taille. Tandis que des acteurs du luxe reconsidèrent la distribution de masse, Okaïdi illustre le cas le plus difficile : les marques moyen de gamme qui n'ont choisi ni le mass market ni le premium manquent de terrain sous les pieds. Okaïdi ne sera pas le dernier domino de cette catégorie.

JD.com serait prêt à payer environ 2 milliards de livres sterling pour The Very Group, le retailer britannique passé du catalogue au numérique. Zalando vient d'absorber ABOUT YOU pour son échelle européenne ; désormais des capitaux chinois veulent une base de clients bénéficiant d'un crédit consommateur au Royaume-Uni et les infrastructures logistiques qui vont avec. Le modèle commercial de credit-led fashion de The Very Group est un profil inhabituel pour JD — mais en M&A dans l'e-commerce, « profil inhabituel » signifie souvent « l'acquéreur veut une capacité qu'il ne peut pas construire plus vite qu'il ne peut acheter ». Le retail piloté par le crédit au Royaume-Uni est un comportement consommateur, pas seulement un produit. JD achète le comportement.

Zalando intègre l'inventaire de luxe de seconde main de Vestiaire Collective plutôt que de construire sa propre infrastructure de vérification. Décision de coût judicieuse. Après avoir dépensé 1,13 milliard d'euros pour absorber ABOUT YOU, Zalando n'a clairement pas fini d'étendre son périmètre. La question est de savoir s'il peut être une marketplace de revente quand la Gen Z — la cliente la plus enthousiaste de la seconde main — retourne également des articles d'occasion à des taux que l'économie du modèle ne peut absorber. Vestiaire a l'authentification. Zalando a la clientèle. Ni l'un ni l'autre n'a résolu le comportement de retour. Et Neritus Vale livre aujourd'hui l'histoire structurelle sur l'externalisation de l'e-commerce de luxe — ce qui s'est passé quand Tod's a confié 50 marchés à un prestataire est le cadre d'avertissement pour tout partenariat annoncé cette semaine.

FashionUnited met en lumière ce que les opérateurs de revente notent discrètement depuis deux ans : la Gen Z est le principal moteur de la seconde main, et la Gen Z retourne aussi des articles d'occasion à des taux que l'économie de la revente n'a jamais été conçue pour absorber. Elle a été formée par les fenêtres de retour sans friction d'Amazon et de Zara. Quand un article de seconde main ne correspond pas à l'annonce — taille, état, odeur, authenticité — elle attend le même niveau d'indulgence. Les plateformes qui ont construit leur modèle de marge sur des retours rares absorbent un changement de comportement qu'elles n'ont pas conçu pour elles.

Nous avions couvert l'économie de la revente le mois dernier à travers le prisme de la couverture tarifaire de Steve Madden. La conversation la plus difficile est que toute la proposition environnementale et de fidélisation de la revente repose sur un client qui traite les produits usagés différemment des neufs. Ce client est de plus en plus minoritaire parmi les acheteurs de seconde main de la Gen Z. La catégorie se développe en créant un problème de marge.

Michael Kors a déployé un assistant retail IA sur son site. Soit. La question que personne ne pose dans ces annonces : que se passe-t-il quand l'assistant recommande une taille, que le client lui fait confiance, que l'article arrive incorrect, et que le retour est enregistré ? L'assistant est un outil de découverte. Le calcul de conversion et de satisfaction n'a pas été mis à jour pour tenir compte des erreurs d'adéquation assistées par IA. À un moment, une marque va publier le différentiel de taux de retour entre achats assistés par IA et achats non assistés, et l'industrie va soit applaudir, soit se faire très discrète.

BoF publie une tribune se demandant si l'IA va être « la prochaine victime du shopping en ligne ». Le cadre est inversé par rapport au récit habituel : l'argument n'est pas que l'IA remplace l'acheteur, c'est que les assistants d'achat IA banalisés érodent l'expérience de découverte et de navigation qui rendait le retail en ligne séduisant. Quand chaque site fait tourner le même chatbot alimenté par OpenAI donnant les mêmes recommandations de catégorie à partir du même graphe produit, la différenciation s'effondre. La marque devient moins lisible, pas plus.

Je trouve cela plus utile que le cadre habituel « l'IA va prendre le contrôle du retail ». Le risque réel est l'homogénéisation. Nous avions noté en mai que tout le monde prône la curation sans que personne ne la délivre. Une couche IA entraînée sur les mêmes signaux d'intention produit les mêmes recommandations. Les gagnants sont ceux qui contrôlent le graphe produit — c'est pourquoi la course à l'intégration Google et Amazon importe davantage que l'interface chatbot qu'une marque visse dessus. Le chatbot est interchangeable. Le graphe ne l'est pas.