Quand le client
est un robot.

Imaginez le prochain client qui vous cherche. Il lit chaque mot de votre page en une seconde, vous compare à neuf concurrents et ne se fatigue ni ne s’ennuie jamais. Il est aussi, selon la recherche, étrangement facile à influencer.

Les agents IA, ces logiciels qui cherchent, comparent, puis réservent ou achètent pour le compte de quelqu’un, passent des démonstrations à la vie quotidienne. Adobe a mesuré une hausse de 693,4 % du trafic provenant d’outils d’IA vers les sites de commerce de détail américains pendant la période des fêtes, par rapport à l’année précédente, et s’attend à ce que ce trafic fasse plus que doubler à nouveau lors des prochaines fêtes. La base reste modeste. La tendance, elle, ne l’est pas.

Alors, comment ces nouveaux clients décident-ils ? Une vague de nouvelles études a commencé à soumettre les acheteurs IA à des expériences contrôlées, et les résultats concernent quiconque vend quoi que ce soit.

Un acheteur aux instincts exacerbés

Des chercheurs du MIT et de Dartmouth ont créé une boutique en ligne réaliste et y ont envoyé 17 modèles d’IA faire leurs achats, en modifiant un seul élément à la fois : le prix, la note en étoiles, l’ordre des produits, une ligne de texte marketing.

Quand l’un de deux produits comparables avait la meilleure note, 14 des 17 modèles le choisissaient de 30 à 80 points de pourcentage plus souvent. Les humains placés devant les mêmes choix bougeaient d’environ 5 points. Une seule phrase comme « Ce produit est un best-seller ! » ou « 1 acheté, 1 offert » modifiait les choix des agents de 10 à 60 points, même à notes et prix égaux.

Les chercheurs qualifient les agents de « décideurs fortement biaisés ». Ils réagissent aux mêmes signaux que nous, mais beaucoup plus fort. Pour une entreprise, c’est à double tranchant. Vos notes et les faits concrets sur votre page comptent davantage auprès d’un robot qu’auprès d’une personne, et ceux de vos concurrents aussi.

La première réponse l’emporte

Microsoft Research est allé plus loin en construisant tout un marché simulé, où des clients IA cherchaient des restaurants mexicains et des entrepreneurs du bâtiment, et où des entreprises IA se disputaient leur clientèle. Tous les modèles testés ont montré la même habitude : ils prenaient la première offre. Les premières propositions étaient retenues dans 60 % à 100 % des cas, et l’entreprise qui répondait en premier était choisie 10 à 30 fois plus souvent que celle qui répondait en troisième. C’est la rapidité, et non la qualité, qui désignait le gagnant.

Plus de choix n’a rien arrangé. Pour certains modèles, présenter beaucoup plus d’options à l’agent du client a nettement dégradé ses choix au lieu de les améliorer. Le côté encourageant : les modèles les plus performants ont en grande partie ignoré les manipulations glissées par les chercheurs, des fausses références à la pression psychologique, alors que les modèles plus anciens et plus petits s’y sont laissé prendre.

Une seule fausse page suffit

Les assistants d’achat IA s’appuient sur le web, et le web peut être pollué. Des chercheurs de l’Université chinoise de Hong Kong et de l’EPFL ont réécrit quelques-unes des pages que consulte un système de recommandation IA, transformant un vrai produit en faux, puis compté combien de fois l’IA recommandait le faux.

Les 12 modèles testés se sont tous révélés vulnérables. Une seule page polluée a suffi à faire recommander le faux produit jusqu’à 27 % du temps. Polluer les trois premières pages a porté ce taux à 73,8 %. La restauration était la catégorie la plus facile à manipuler pour deux tiers des modèles, et dans 74 % des recherches, une page que n’importe qui pouvait rédiger, comme un message de forum ou un blog, figurait parmi les trois premières sources. Réfléchir davantage n’a pas aidé. Les modèles qui raisonnaient étape par étape inventaient souvent une preuve sociale pour justifier le faux.

Quand l’assistant a un sponsor

Reste la question de savoir de quel côté se trouve l’agent. Des chercheurs de Princeton et de l’Université de Washington ont testé 23 modèles d’IA dans des situations où le produit d’un sponsor coûtait plus cher, mais était par ailleurs identique. Tous sauf cinq ont recommandé l’option sponsorisée la plus chère plus d’une fois sur deux. L’un d’eux a recommandé un produit sponsorisé presque deux fois plus cher dans 83 % des cas. Un autre a glissé des options sponsorisées dans un achat déjà en cours dans 94 % des cas. La fréquence dépendait du niveau d’aisance que semblait avoir l’utilisateur.

À mesure que les assistants IA intègrent de la publicité, être recommandé pourrait devenir en partie une affaire de paiement, comme ce fut le cas pour les résultats de recherche.

Les vendeurs écrivent déjà pour les machines

Certains vendeurs s’en sont aperçus, consciemment ou non. Des économistes de Chicago Booth ont analysé plus de six millions d’annonces Etsy et constaté qu’après la sortie de ChatGPT, les annonces contenaient nettement plus d’informations utilisées par les agents IA pour décider quoi afficher : 0,143 bit sur un maximum possible de 0,355. Une étude menée auprès de personnes n’a constaté que peu ou pas de changement dans ce que les humains retiraient de ces mêmes annonces. Les vendeurs réécrivent pour les machines, sans rien dégrader pour les humains.

Comment être celui que le robot choisit

• Répondez en premier. Dans le marché de Microsoft, la première offre l’emportait dans 60 % à 100 % des cas. La réservation en ligne, les devis instantanés et les disponibilités en temps réel permettent à un agent d’obtenir votre accord en quelques secondes.
• Traitez les avis comme un signal de classement. Les agents accordent bien plus de poids aux notes en étoiles que les humains. Continuez à recueillir de vrais avis, et affichez vos notes, vos prix et vos conditions clés sous forme de texte sur vos pages.
• Dites-le clairement, et dites tout. Ce que vous vendez, combien ça coûte, où vous intervenez, quand vous êtes ouvert, ce qui est en stock. Les agents présélectionnent en fonction des faits qu’ils peuvent lire. Rendez explicites les affirmations vraies comme vos distinctions, et ne les inventez jamais.
• Surveillez ce que les autres disent de vous. Une seule page polluée peut induire une IA en erreur. Interrogez régulièrement les principaux assistants au sujet de votre entreprise, et signalez les fausses pages et les faux avis.
• Attendez-vous à des réponses sponsorisées. À mesure que les assistants intègrent des publicités, décidez en connaissance de cause s’il faut y investir, et surveillez la façon dont on vous décrit si vous ne le faites pas.
• Commencez petit, bougez tôt. Le trafic issu des IA reste un petit canal, mais en forte croissance. Suivez-le séparément, et prenez les devants si vos clients se renseignent sur ce que vous vendez avant d’acheter.

Les agents ne remplaceront pas vos clients, mais ils se placeront de plus en plus entre vous et eux. Les entreprises qu’une machine peut facilement lire, juger dignes de confiance et joindre seront celles qu’elle recommandera. C’est ce que construisent nos équipes de conception de sites web et d’optimisation pour la recherche IA. Si vous voulez un plan clair, réservez un appel stratégique.

Les études

Chaque chiffre de cet article provient de l’une de ces sources. Les documents de travail, rapports et données sectorielles sont signalés, car ils n’ont pas été évalués par d’autres chercheurs.

1. Les acheteurs IA pendant les fêtes Par Adobe Digital Insights Adobe · Salle de presse Adobe · Données sectorielles Lire l’étude (s’ouvre dans un nouvel onglet)
2. Les prévisions pour les prochaines fêtes Par Adobe Digital Insights Adobe · Salle de presse Adobe · Données sectorielles Lire l’étude (s’ouvre dans un nouvel onglet)
3. Comment les acheteurs IA réagissent aux notes, aux prix et aux incitations Par Manuel Cherep, Chengtian Ma et leurs collègues MIT, Université Tsinghua et Dartmouth · ICLR Lire l’étude (s’ouvre dans un nouvel onglet)
4. Un marché simulé d’acheteurs et de vendeurs IA Par Gagan Bansal, Wenyue Hua et leurs collègues Microsoft Research et Université d’État de l’Arizona · arXiv · Rapport technique Lire l’étude (s’ouvre dans un nouvel onglet)
5. Chatbots, sponsors et conflits d’intérêts Par Addison J. Wu, Ryan Liu et leurs collègues Université de Princeton et Université de Washington · COLM Lire l’étude (s’ouvre dans un nouvel onglet)
6. Comment une seule fausse page trompe les systèmes de recommandation IA Par Minghao Luo et Liang Chen Université chinoise de Hong Kong et EPFL · Findings of EMNLP Lire l’étude (s’ouvre dans un nouvel onglet)
7. Les vendeurs écrivent déjà pour les machines Par Giulio Frey et Kawin Ethayarajh University of Chicago Booth School of Business · arXiv · Document de travail Lire l’étude (s’ouvre dans un nouvel onglet)