Deux réponses sur 100 nommant un produit mènent à la page du produit cité. Les rapports de référents passent à côté de la plupart des visites qui suivent une réponse
Une étude de panel de Scrunch AI montre que 89 % des visites qui suivent une réponse d'IA recommandant une boutique ne portent aucune trace du lien de l'assistant : les rapports de référents en manquent donc l'essentiel. Chez les acheteurs sans visite depuis une semaine, les visites sur le produit cité augmentent d'environ deux pour 100 réponses nommant un produit précis ; l'article ne nomme aucun distributeur, ne divulgue pas la taille de son panel et ne voit aucune vente.

Neritus Vale
Quand un assistant IA nomme un produit, certains acheteurs vont le voir, et la plupart de leurs visites font suite à une recherche sur le web. C’est ce que conclut un article de Michael Iannelli et Alan Ai, de Scrunch AI, qui relie les conversations avec des assistants d’un panel à la navigation des mêmes personnes. Il explique pourquoi le rapport de référents d’une boutique passe à côté d’autant de ces visites. Il chiffre aussi l’effet à environ deux visites supplémentaires pour 100 réponses, et il ne voit jamais une vente.
La meilleure preuve de l’article est un échange. Prenons des acheteurs qui n’avaient pas visité une boutique depuis une semaine et qui reçoivent ensuite une réponse nommant un produit précis de cette boutique. Les jours où ils ouvraient une page produit dans cette boutique, 44 % consultaient un produit issu de leur propre réponse, contre 1,5 % pour la réponse appariée d’un inconnu. La correspondance suit la réponse, pas les meilleures ventes de la boutique.
Cette part ne couvre que ce que l’article appelle « l’ensemble plus étroit des jours avec une visite de page produit dans la boutique ». Pour ces mêmes acheteurs, les visites du produit nommé dans la journée atteignent 2,07 pour 100 réponses, contre presque rien lors des semaines précédentes. Les auteurs ont choisi ce groupe après avoir vu les premiers résultats. Sa hausse de visites en boutique, 5,1 points, est inférieure aux 10,5 points observés sur l’ensemble des réponses nommant la boutique.
L’argument contre les rapports de référents repose sur le chemin parcouru. Selon le décompte de l’article, 89 % des visites suivant une réponse recommandant une boutique ne portent aucune trace du lien de l’assistant ; la boutique les enregistre comme du trafic de recherche ou du trafic direct ordinaire. Une recherche web précède 54 % de toutes les visites suivant une telle réponse, soit la même part que pour les visites habituelles des acheteurs. Le lien s’en sort mieux avec les acheteurs qui avaient cessé de venir : il porte 42,5 % de leurs visites supplémentaires après des réponses nommant un produit précis, contre 16,8 % pour les visiteurs récents.
Jusqu’ici, les données de référents ont fait paraître les assistants marginaux. Tarek Müller, d’About You, a déclaré aux partenaires de Zalando que les chatbots envoient moins de 0,5 % du trafic aux boutiques de mode en ligne, comme l’a rapporté WWD et comme nous l’avons relevé. Les rapports de référents, écrivent les auteurs de l’article de Scrunch, « voient le mieux l’assistant lorsqu’il ramène quelqu’un, et le moins bien pour les visiteurs récents ». Sur l’ensemble des visites suivant une réponse recommandante, ils estiment qu’un suivi limité aux liens ne capte que « environ une visite supplémentaire sur cinq ».
La recherche est aussi l’endroit où une boutique citée peut perdre l’acheteur. Iannelli et Ai comparent une recherche du nom du produit à une barre d’adresse, mais une page de résultats offre de nombreuses destinations. D’après notre calcul à partir des chiffres de l’article, 9,3 % des réponses sont suivies de telles recherches, contre 2,07 % pour les visites de la page du produit nommé : plus de quatre fois plus. L’article ne dit pas si les deux taux partagent la même base, ni où le reste de ces recherches a abouti. Si le schéma se confirme pour une basket largement distribuée, la page de résultats devient une compétition.
Scrunch vend des outils conçus pour l’angle mort que décrivent ses chercheurs. L’entreprise, rachetée par Sitecore en juin, suit la manière dont les marques apparaissent dans les réponses de l’IA. Son produit shopping promet de montrer « vers quels distributeurs l’IA oriente les acheteurs », sous le titre « Know who gets the sale ». La métrique proposée par l’article, le product follow-through, exige « le texte de la réponse et les pages vues ultérieurement par la même personne ».
« Nous voyons des visites, pas des achats », écrivent les chercheurs de Scrunch dans l’article.
Un tiers ne peut pas non plus vérifier la base. L’article cache la taille du panel, le nombre d’utilisateurs par analyse et la taille des cellules au motif qu’ils sont « commercialement sensibles », et ne nomme pas ses vingt distributeurs. Son exemple détaillé, une montre de course, est inventé à titre d’illustration, et il n’a pas d’annexe. L’article ne dit pas si l’un de ces distributeurs vend des vêtements.
Les études antérieures des auteurs montrent qui compose le panel. Leur article de juin qualifie la chaîne de traitement de Scrunch de « couche de mesure » qui « tourne en production chez Scrunch AI depuis début 2026 ». Une révision de leur article de juillet décrit le panel comme « AI-forward », en ajoutant que l’usage des assistants dans les applications mobiles natives n’est « pas observé ». Le blog de Scrunch le qualifie de « plus engagé avec l’IA et plus tolérant envers la vie privée que l’acheteur moyen » : 2,07 pour 100 n’est donc pas un taux pour l’acheteur moyen. L’article de novembre ne dit pas s’il s’appuie sur ce panel.
Leur résultat sur l’habillement sportif, issu de ce panel, est contrasté. L’étude de juin, « From Prompt to Purchase », présentée lors d’un atelier KDD le 9 août, a refait son analyse de marques sur des marques d’habillement sportif. Les recherches sur ces marques ont progressé de 2,54 points et les visites de leurs propres sites de 1,67 point (intervalle de −0,1 à 3,3), tandis que les visites de leurs pages chez les distributeurs ont bougé de 0,06 point sur une semaine. « En aval, l’habillement est faible », ont écrit les auteurs, mais ils notent aussi que les URL des distributeurs ne contiennent souvent aucune chaîne de marque, ce qui rend les visites en magasin difficiles à compter. Le billet de blog de Scrunch affirmait que « la hausse se reproduit, même si les destinations diffèrent », en nommant des destinations pour la beauté et l’électronique, mais pas pour l’habillement.
Un modèle de langage non nommé décide de ce qui compte. Il classe chaque réponse comme nommant un produit précis dans la boutique, suggérant la boutique ou la mentionnant seulement, et juge les correspondances de produits d’après les seuls titres de pages et adresses web. Un lecteur humain en aveugle a confirmé 93 % de 90 correspondances de produits après une réponse et 54 % de 39 dans la référence. Le lecteur était d’accord avec les étiquettes de type de réponse dans 75 % de 102 réponses et a rétrogradé 29 % des recommandations du modèle en simples mentions. Si le lecteur avait raison, disent les auteurs, les effets des recommandations sont sous-estimés.
Le follow-through est présenté comme un score par assistant, mais l’article ne l’imprime que pour ChatGPT et Gemini. Il augmente de 2,2 points après les réponses de ChatGPT contre 1,0 après celles de Gemini. Dans l’étude de juin, une avance plus large de ChatGPT avait été jugée « en grande partie compositionnelle, une différence dans qui utilise chaque assistant ». Faute de comparaison au sein des mêmes utilisateurs, le follow-through peut classer des publics autant que des assistants.
L’effet est difficile à écarter sur le plan du protocole. Les réponses échangées, une réplication dont le plan d’analyse a été validé avant toute extraction de données, et les comparaisons avec des moments tout aussi chargés vont toutes dans le même sens. Si les réponses nommant une boutique se comptent en millions et que ces visites achètent comme les autres arrivées sur une page produit, le sous-comptage mérite d’être corrigé, même à ses frais.
Cet argument demande des chiffres que l’article ne donne pas : combien de réponses nomment une boutique, et combien de visites aboutissent à une commande. L’étude de référents de Kaiser et Schulze, que la Frankfurt School a présentée comme montrant « le rôle limité de ChatGPT dans les achats en ligne », suivait au moins les visites jusqu’à la caisse. Elle ne compte que les sessions de référents, ses données s’arrêtent en juillet 2025, et les visites issues de liens de référents convertissent moins bien que tous les canaux établis, à l’exception des réseaux sociaux payants. Sans ces deux chiffres, deux visites pour 100 réponses est un taux sans base.
Un distributeur peut commencer par le conseil de l’article lui-même : présenter les référents d’assistants « à côté des arrivées sur pages produits issues de la recherche et du trafic direct » et suivre les requêtes de noms de produits dans les données de la Search Console. Suivre les achats, dit l’article, « exige les données de commandes des boutiques nommées ». Sauter cette étape revient à payer pour être visible dans des réponses dont personne n’a compté les ventes.