En septembre 2024, Matthew Gallagher lance Medvi, une plateforme de vente de médicaments minceur, avec 20 000 dollars et un ordinateur portable. En 2025, l’entreprise génère 401 millions de dollars de revenus, avec son frère comme seul employé : le code, la publicité, le service client et l’analyse de performance sont délégués à des agents…
IA et retail Les centres commerciaux Nouvelle mobilité
Nathan Stern
L’affaire n’est pas sans ambiguïté : la FDA a émis des avertissements sur certaines pratiques publicitaires de Medvi, et l’exploitation de zones grises réglementaires a sans doute contribué à cette croissance. Mais c’est précisément ce qui en fait un cas révélateur plutôt qu’un modèle : même dans un environnement contraint et surveillé, la vitesse agentique s’avère redoutable. Ce que Medvi a fait avec des médicaments minceur, d’autres le feront ailleurs, mieux encadrés ou pas.
Deux mouvements rendent cela possible. Le coût de collecte et de traitement de la donnée s’est effondré, mettant la personnalisation à la portée du plus petit commerçant. Et les modèles de langage permettent désormais à un agent de retenir l’historique complet d’un client – achats, préférences, contraintes – et d’en tenir compte à chaque recommandation, là où un vendeur humain ne retient que des fragments d’une conversation. Pris séparément, ces deux mouvements seraient anecdotiques. Ensemble, ils posent une question simple : qu’est-ce qui, dans notre relation au client, reposait sur le fait qu’il ne pouvait pas tout savoir, tout comparer, tout retenir ?
Le commerce moderne s’est construit sur trois asymétries : le commerçant connaît les produits mieux que le client, connaît le marché mieux que lui, et façonne un environnement qui oriente sa décision. Deux mécanismes l’alimentent, documentés par Daniel Kahneman : l’impulsion – le bon stimulus au bon moment – et le moindre effort – s’arrêter à la première option raisonnable plutôt que comparer, parce que comparer a un coût cognitif réel.
Un agent qui arbitre sur des critères objectifs n’a pas de moment de faiblesse en caisse et ne cède pas à une promotion. La question n’est pas de savoir si ces asymétries sont illégitimes – elles font partie du commerce depuis toujours, et l’excellence d’une enseigne tient aussi à sa marque, sa logistique, sa capacité d’innovation. La question est plus précise : quelle part de notre chiffre d’affaires ne survivrait pas à un client parfaitement informé ? Et cette part, est-ce un problème à résoudre ou une réalité à assumer en redéployant l’effort ailleurs ?
Le zero-click commerce s’installe : le consommateur formule une intention, son agent compare, vérifie et achète sans visiter le moindre site. Lors du seul Cyber Week 2025, les agents d’IA ont influencé 67 milliards de dollars de ventes dans le monde, soit 20 % des commandes globales.
Dans ce monde, le merchandising digital, les visuels, les promotions ne touchent plus l’acheteur final – ils touchent un intermédiaire qui ne se laisse convaincre que par des données précises et complètes. C’est une perte réelle de levier. Mais c’est aussi, pour qui a toujours voulu concurrencer sur la qualité réelle plutôt que sur la mise en scène, une opportunité : un agent qui arbitre objectivement est tout à fait indifférent à la forme, aux images, aux couleurs. Seuls les faits sont pris en compte. La question devient alors : si un agent devait juger notre offre demain sur ces seuls critères, serait-elle prête, ou faudrait-il d’abord la mettre à niveau ?
Shein, avec 16 000 salariés, est présent dans plus de 150 pays. Temu, avec 23 000 collaborateurs dans 80 pays, génère 47 milliards de dollars de volume de transactions. Ces deux acteurs ont montré qu’une échelle mondiale est atteignable avec des effectifs dérisoires, en s’appuyant sur des agents capables d’exploiter les comportements d’achat à une vitesse qu’aucune organisation humaine traditionnelle ne peut égaler.
Ce qu’ils ont fait dans le textile, un acteur natif-agentique peut le faire ailleurs. La barrière à l’entrée n’est plus le capital, c’est la vitesse d’adoption. Reste une question pour chaque enseigne : si un tel concurrent apparaissait demain dans notre catégorie, sur quoi exactement aurait-il l’avantage – et est-ce un avantage qu’on pourrait, ou voudrait, lui disputer ?
Nous entrons dans un monde où l’agent du consommateur et l’agent du commerçant négocient directement, sans interaction humaine – ou seulement en fin de parcours, à l’étape de la validation formelle. Dans un tel contexte, la question n’est plus seulement « comment attirer le client ? » mais « comment être choisi par son agent » ? – et « quel agent déployer pour défendre nos intérêts dans cette négociation automatisée ? ».
Cela suppose de savoir, avant qu’un algorithme ne le décide à notre place, ce que nous défendons vraiment : nos engagements de service ? nos critères de prix ? et aussi ce que nous refusons de promettre parce que nous ne pourrions pas le tenir. Le GEO (Generative Engine Optimization) change la donne. Son objectif : être bien représenté dans les réponses que génèrent les modèles de langage, qu’ils s’adressent à un lecteur humain ou à son agent. Nos engagements, nos critères, ne sont plus de simples sujets de réflexion stratégique. Ils deviennent les données que l’algorithme va évaluer. Avons-nous déjà la réponse — ou allons-nous l’improviser sous contrainte ?
Quand un consommateur délègue ses achats-corvée à un agent – courses alimentaires, produits d’entretien, réassort – il ne perd pas son envie de commerce. Il libère du temps pour le commerce qu’il choisit de vivre. C’est le basculement du commerce subi au commerce désiré.
Depuis 2020, plus de 3 000 magasins ont fermé en France dans la mode, et le parc de boutiques a reculé de 16 % en cinq ans. Dans le même temps, selon l’OMS, une personne sur six dans le monde souffre de solitude persistante. Ces deux faits ne se compensent pas automatiquement – mais ils dessinent une question : qu’est-ce que les gens viendraient chercher dans un lieu, une fois qu’ils n’y sont plus obligés ? Et nos magasins, aujourd’hui, répondent-ils déjà à cette question, ou seulement à l’ancienne ?
Selon Morgan Stanley, les agents d’achat pourraient représenter entre 190 et 385 milliards de dollars de dépenses en ligne aux États-Unis d’ici 2030, avec l’alimentation et le quotidien comme principal moteur – précisément les catégories où l’achat impulsif domine aujourd’hui.
Un agent qui connaît le contexte réel d’un client – budget, contraintes, préférences – peut aussi bien pousser un produit que déconseiller un achat. Il orientera mécaniquement vers les enseignes qui démontrent, données à l’appui, leur pertinence réelle pour ce client. Pas par idéologie : par calcul. La question qui en découle ne porte pas sur nos intentions, mais sur nos preuves : si un agent devait évaluer, demain, à quel point nous servons réellement l’intérêt de nos clients, sur quelles données s’appuierait-il – et que dirait-il ?
Ces questions n’appellent pas de réponse théorique, mais un travail concret : nettoyer et structurer les données produit, les données client, la base de connaissance de l’entreprise ; comprendre ce que préparent déjà les plateformes et les concurrents ; identifier les premiers terrains d’expérimentation… Plusieurs distributeurs ont commencé à s’y engager – sans attendre d’avoir toutes les réponses, parce qu’attendre revient à laisser d’autres les trouver à leur place. Ce chantier ne se fait pas en un jour. Mais il commence, très concrètement, par une conversation.
