Recommandations d’achat par l’IA et économie de l’achat impulsif

Une bonne recommandation d’achat répond à un problème. Elle permet de trouver la bonne pièce de rechange, de faire le tri dans un choix déroutant ou de repérer un produit dont le client a réellement besoin. Mais cette même technologie peut rendre une dépense inutile particulièrement séduisante. À mesure que l’intelligence artificielle s’intègre à la découverte de produits, il convient d’examiner de plus près la différence entre aider quelqu’un à faire ses achats et l’inciter à continuer à acheter.

Une nouvelle étude publiée dans Sustainable Futures examine cette tension à partir d’une enquête menée auprès de 642 acheteurs vietnamiens en ligne.¹ Les chercheurs ont constaté que l’utilité perçue, la confiance accordée aux recommandations et l’excitation émotionnelle étaient associées à des pulsions d’achat impulsif plus fortes. Ces pulsions étaient associées à une consommation que les répondants jugeaient inutile ou difficile à maintenir.

Pour les investisseurs, la question ne se limite pas à savoir si l’IA peut accroître les ventes : les plateformes de commerce peuvent-elles transformer de meilleures recommandations en valeur durable pour leurs clients ? Le potentiel est considérable, mais pour mesurer la réussite, il faut regarder au-delà de la prochaine transaction.

Ce que l’étude sur les achats assistés par l’IA a réellement mesuré

Les chercheurs ont recueilli des questionnaires entre le 15 et le 20 mai 2026, distribués en ligne et lors d’enquêtes en personne dans la ville de Can Tho. Après avoir écarté 59 réponses en raison d’un mode de réponse uniforme, ils ont analysé 642 questionnaires. L’échantillon déclaré comprenait des acheteurs âgés de 18 à 33 ans, ce qui le rend particulièrement pertinent pour les jeunes consommateurs, plutôt que pour l’ensemble de la population acheteuse.

L’étude s’appuyait sur le cadre stimulus-organisme-réponse. En termes simples, elle examinait les liens entre les expériences d’achat et les pensées et émotions des consommateurs, ainsi qu’entre ces réactions internes, les pulsions d’achat et les modes de consommation.

Les signaux liés à l’expérience d’achat comprenaient les interactions avec les présentateurs de ventes en direct, les interactions avec les autres spectateurs, le réalisme perçu et la présentation vivante des produits. Ce contexte est important. Bien que l’étude porte sur le commerce ciblé par l’IA, elle associe les achats pilotés par des algorithmes aux dimensions sociales et émotionnelles des ventes en direct. Elle n’isole pas un modèle d’IA particulier et ne compare pas expérimentalement des recommandations personnalisées à une expérience d’achat par ailleurs identique.

Les résultats ci-dessous proviennent entièrement de l’article. Les coefficients décrivent des associations au sein du modèle statistique de l’étude, et non des hausses en pourcentage des achats.

La consommation non soutenable désigne ici des comportements déclarés par les répondants, comme acheter sans besoin préalable clairement défini ou faire des achats à un rythme difficile à maintenir. L’étude n’a pas calculé les émissions, examiné les dossiers d’endettement des ménages ni suivi les achats réels. Son plan transversal ne permet pas d’établir que l’IA est à l’origine des comportements déclarés.

Pourquoi des recommandations utiles peuvent favoriser les achats impulsifs

Le résultat le plus intéressant est que l’utilité et la confiance vont de pair avec les pulsions d’achat impulsif. La persuasion ne suppose pas nécessairement que l’acheteur se sente trompé. Une recommandation peut sembler pertinente, crédible et pratique, tout en encourageant un achat qui n’avait jamais été prévu.

Prenons le cas d’une personne qui cherche une veste d’hiver. Un système pourrait lui suggérer à juste titre des bottes assorties. Cette suggestion peut être utile, mais son utilité ne permet pas, à elle seule, de savoir si le client a besoin de nouvelles bottes ou s’il peut se les offrir sans difficulté. La pertinence d’un produit et la nécessité de l’acheter sont deux questions distinctes.

Cette distinction devient importante lorsque les entreprises entraînent leurs systèmes à partir de comportements observables. Les clics, les ajouts au panier et les achats fournissent des retours clairs. Il est plus difficile de savoir si un article sera encore utile six mois plus tard. Un modèle principalement récompensé pour les transactions immédiates pourrait devenir très performant pour repérer des suggestions convaincantes, sans apprendre lesquelles procurent une satisfaction durable.

L’absence de lien direct significatif entre la manipulation perçue et les pulsions d’achat appelle également à la prudence. Elle ne signifie pas que la manipulation n’a jamais d’importance. Dans cet échantillon et ce modèle, le fait de reconnaître une intention persuasive n’était pas associé de manière fiable à la pulsion d’achat. Il ne faut donc pas supposer que la divulgation suffit à résoudre toutes les préoccupations liées aux comportements.

Les taux de conversion plus élevés grâce à l’IA doivent être interprétés avec prudence

Les entreprises du commerce en ligne font déjà état de résultats mesurables. Dans son analyse de l’activité du premier trimestre 2026, Shopify (SHOP ) a indiqué que les acheteurs orientés par l’IA affichaient des taux de conversion près de 50 % supérieurs à ceux des visiteurs issus de la recherche naturelle, en comparant les sessions ayant commencé sur des pages de produits. Les commandes attribuées à la recherche par l’IA présentaient également une valeur moyenne supérieure de 14 %.

Ces chiffres témoignent d’un potentiel commercial, mais ne prouvent pas que l’IA ait provoqué des dépenses inutiles. Les personnes qui utilisent un assistant pour comparer des produits peuvent avoir une intention d’achat plus affirmée. Un taux de conversion supérieur peut s’expliquer par une meilleure adéquation, des décisions plus éclairées ou un profil différent des acheteurs.

L’enquête et l’analyse des sources de recommandation de Shopify répondent à des questions différentes. La première examine les liens entre les perceptions déclarées et les envies, tandis que la seconde décrit les résultats d’achat selon les canaux d’acquisition. Ensemble, elles justifient d’approfondir l’étude du commerce par l’IA, sans toutefois permettre de déterminer la qualité ni la nécessité des achats.

La confiance des clients pourrait devenir un avantage commercial

Pour les détaillants, une piste utile consiste à mesurer ce qui se passe après la conversion. Une commande supplémentaire a peu de valeur si elle entraîne un retour coûteux ou dissuade le client de revenir. Ce sont des conséquences commerciales à étudier, et non des résultats démontrés par l’enquête vietnamienne.

Les détaillants qui évaluent des systèmes de recommandation pourraient compléter les indicateurs de ventes par les mesures suivantes :

• Taux de retour et d’annulation des produits recommandés.
• Achats répétés et fidélisation de la clientèle au fil du temps.
• Satisfaction des clients après la livraison et l’utilisation.
• Marge contributive après prise en compte des coûts de traitement des commandes et des retours.

Cette approche plus large rejoint l’analyse récente de Securities.io sur l’influence de la confiance sur les rendements de l’automatisation. Les contextes commerciaux diffèrent, mais ces deux sujets montrent pourquoi il faut aussi s’intéresser aux réactions humaines, et pas seulement aux capacités techniques.

Une conception responsable peut également préserver une personnalisation utile. Des filtres budgétaires, des explications claires sur les recommandations et la possibilité d’enregistrer des suggestions pour plus tard pourraient aider les acheteurs à prendre des décisions réfléchies. L’article préconise une personnalisation transparente et des mesures qui incitent à réfléchir avant l’achat, sans toutefois en tester l’efficacité.

Shopify, une porte d’entrée vers les infrastructures du commerce par l’IA

Pour les investisseurs qui s’intéressent à cette évolution, Shopify est une société cotée pertinente à examiner. Son activité ne se limite pas à l’ajout d’un agent conversationnel à une boutique en ligne : l’entreprise développe des technologies de recommandation et des infrastructures qui relient les commerçants aux nouveaux canaux d’achat fondés sur l’IA.

En février 2026, Shopify a présenté son système de recommandation générative, qui apprend à partir de séquences de recherches, de consultations, d’ajouts au panier, d’ajouts aux favoris et d’achats. La prise en compte du moment permet au système de tenir compte de l’évolution des préférences et du contexte saisonnier, plutôt que de traiter chaque interaction isolément.

Shopify a indiqué que des tests A/B en ligne d’une version du modèle datant d’août avaient augmenté de 0,94 % le nombre de commandes sur Shop et de 0,71 % les taux de conversion, deux améliorations relatives. Ces résultats en conditions réelles permettent d’évaluer plus directement une modification du système de recommandation que l’enquête vietnamienne, mais ne démontrent ni une satisfaction à long terme ni des bénéfices environnementaux.

En mars, Shopify a annoncé un accès élargi aux vitrines autonomes pilotées par l’IA, qui relient les commerçants à des canaux d’IA comme ChatGPT, Microsoft Copilot et les expériences d’achat par IA de Google. Cela ouvre une piste d’investissement dans les infrastructures qui soutiennent la découverte de produits et les transactions, même si les interfaces destinées aux consommateurs évoluent.

L’entreprise n’a pas été évaluée dans l’étude universitaire. Son intérêt tient à sa technologie et à sa position sur le marché. Les investisseurs doivent néanmoins évaluer sa valorisation, la concurrence, les coûts d’exploitation et déterminer si son activité liée à l’IA génère une nouvelle activité rentable ou ne fait que déplacer les achats d’un canal à un autre.

Dernières actualités concernant Shopify (SHOP)

Le prochain test du commerce par l’IA : créer une valeur durable

Les recommandations par l’IA peuvent réduire le temps consacré aux recherches, faire découvrir aux acheteurs des produits qu’ils auraient pu négliger et aider les commerçants à atteindre les clients qui leur correspondent. L’étude montre pourquoi ces avantages peuvent coexister avec des envies impulsives plus fortes, en particulier lorsque la confiance et l’engagement émotionnel se renforcent mutuellement.

La réponse constructive consiste à améliorer les objectifs des systèmes et les indicateurs suivis par les entreprises. Une recommandation qui donne satisfaction à un client et l’incite à revenir peut avoir plus de valeur qu’une recommandation qui entraîne simplement une vente immédiate. Pour la prochaine génération de plateformes commerciales, démontrer cette différence pourrait devenir un avantage concurrentiel important.

Références :

¹ Cao, L. T., Tran, T. T. B., Bui, K. T., Luu, T. T., & Nguyen, L. T. (2026). Le côté obscur de l’IA dans les achats en ligne : le ciblage algorithmique accroît-il la consommation non durable ? Sustainable Futures, 12, article 102123. https://doi.org/10.1016/j.sftr.2026.102123