Nous ne faisons pas de l'agentic search. Nous faisons de l'agentic discovery.

Pourquoi la thèse du « on expose une API à un agent » s'effondre dans le voyage, l'immobilier et l'automobile, et ce qui la remplace.

En bref : La recherche conversationnelle par IA fonctionne bien quand l'acheteur sait déjà ce qu'il veut, où elle se contente surtout de traduire une phrase en filtres. Elle fonctionne mal au stade de la découverte, parce que la plupart des acheteurs des catégories à forte implication arrivent avec une intention faible, et qu'un modèle de langage ne peut pas récupérer une réponse que l'acheteur n'a pas encore formée. Des décennies de recherche sur le consommateur montrent que les préférences se construisent pendant la décision, elles ne se récupèrent pas en mémoire. Le travail n'est donc pas d'exécuter l'intention plus vite, mais d'aider à la construire. Nous appelons cela agentic discovery plutôt qu'agentic search.

Une thèse propre et séduisante circule en ce moment dans l'agentic commerce. On expose son catalogue produit via un MCP ou un ensemble d'outils, on laisse l'utilisateur formuler ce qu'il veut en langage naturel, et on laisse un agent faire le reste. L'interface se réduit à une conversation. L'ingénierie se réduit à de l'intégration. C'est une belle histoire, et pour une classe restreinte de problèmes, elle peut fonctionner.

Pour les ventes complexes sur lesquelles nous travaillons chez Kleio, dans le voyage, l'immobilier ou l'automobile, elle ne tient pas la route.

La raison ne tient ni à la qualité des modèles ni à la conception des outils. Elle tient à une hypothèse enfouie dans la thèse, sur la manière dont les acheteurs arrivent : l'idée qu'ils se présentent avec une intention forte et déjà formée, qu'il suffirait ensuite d'exécuter. Dans les achats à forte implication, cette hypothèse tient rarement.

L'hypothèse de l'intention forte

La thèse fonctionne à merveille quand l'acheteur connaît déjà la réponse et que le seul coût restant est la récupération et l'exécution. « Réserve le 8h40 pour Lyon. » « Recommande le même jeu de pièces. » Voilà une intention réellement forte, et pour ce cas un agent doté d'une API bat toutes les autres interfaces. Une bonne partie du service client ressemble à cela. Le réachat aussi.

Les catégories à forte implication sont différentes par nature. L'acheteur ne récupère pas une décision. Il essaie d'en atteindre une, souvent pour la première fois, avec de l'argent réel et des conséquences réelles en jeu.

La plupart de nos acheteurs arrivent indécis

Les données sur ce point ne sont pas subtiles.

Dans l'automobile, environ 60 % des acheteurs entament le processus sans marque ni modèle précis en tête [1]. Le secteur a un nom pour cette étape initiale : la phase de découverte [2]. Et le parcours ne se resserre pas simplement vers une réponse présélectionnée. Les travaux sur le parcours de décision du consommateur montrent que l'ensemble de considération s'élargit souvent pendant l'évaluation active, à mesure que l'acheteur rencontre des options qu'il n'avait pas envisagées au départ [3]. L'intention se construit en chemin.

Dans l'immobilier, le déclencheur est généralement émotionnel avant d'être une spécification. Un primo-accédant ressent l'attrait de la stabilité ou de l'appartenance bien avant de pouvoir énoncer un budget, un quartier ou un nombre de pièces [4]. Ces paramètres concrets émergent pendant la recherche, et ils se déplacent à mesure que l'acheteur voit ce qui est réellement disponible.

Dans le voyage, même la plateforme dominante du secteur l'a en pratique concédé. Ses propres équipes ont expliqué que ce qu'elles avaient toujours bien su faire, c'était le dernier kilomètre, à savoir amener un client de la recherche à la réservation, et que le vrai problème difficile était d'aller à la rencontre des clients plus tôt, quand ils cherchaient encore à savoir ce qu'ils voulaient [5]. C'est un aveu : en haut du parcours, l'intention est faible.

Dans les trois verticales, l'acheteur arrive sans la chose que la thèse d'automatisation suppose qu'il possède déjà.

Le paradoxe du filtre

Voici le piège structurel pour la recherche conversationnelle.

Quand l'intention est forte, le langage naturel est une interface moins bonne qu'un filtre. Décrire une préférence dans une phrase et attendre qu'un agent l'analyse et raisonne dessus est plus lent que trois clics sur le prix, les dates et la localisation. La recherche structurée l'emporte sur la vitesse et sur le contrôle, et l'acheteur qui sait déjà ce qu'il veut s'en saisira.

Quand l'intention est faible, un meilleur analyseur syntaxique ne sauve pas non plus l'acheteur. Il ne peut pas répondre à une question qu'il n'a pas encore formée. Une manière plus fluide de demander « qu'est-ce que je veux, au juste ? » ne renvoie rien d'utile, parce que la réponse n'existe pas encore et ne peut donc pas être récupérée.

Une couche de recherche purement conversationnelle se retrouve ainsi dans un entre-deux inconfortable. Trop lente pour les décidés, trop superficielle pour les indécis. C'est la raison structurelle pour laquelle la promesse de la recherche sémantique a déçu pendant des années dans ces catégories, et cela reste vrai indépendamment de la qualité du modèle sous-jacent.

Traduction de l'intention contre création de l'intention

Regardons de près ce que font réellement la plupart des fonctionnalités dites sémantiques. Le schéma dominant, y compris chez les plus grands acteurs, consiste à prendre une phrase et à la faire correspondre à des filtres qui existaient déjà. Tapez « une villa familiale avec piscine près de la plage » et le système applique automatiquement les filtres pertinents [6]. C'est réellement utile, et c'est aussi, précisément, de la traduction d'intention. Cela sert une préférence que l'acheteur détient déjà. Cela ne fait rien pour créer la préférence qui lui manque.

Les analyses indépendantes de ces outils rendent le plafond concret. Une recherche par IA greffée sur un catalogue figé tend à renvoyer une liste triée plutôt qu'une décision, et elle convient au voyageur qui connaît déjà la forme générale de son séjour et veut simplement en régler la logistique [7]. C'est, encore une fois, le cas de l'intention forte, là où les filtres suffisaient déjà.

Il vaut la peine de présenter ici la thèse adverse sous son meilleur jour, car le contre-argument le plus fort est réel. La plateforme dominante affirme que ses fonctionnalités conversationnelles fonctionnent, en rapportant que les utilisateurs sont passés de requêtes à un seul mot-clé vers des formulations plus riches, orientées découverte, et que l'engagement a augmenté en conséquence [5]. Deux choses méritent d'être distinguées. Premièrement, l'engagement n'est pas la même chose qu'une décision aboutie, confiante et à forte valeur, et les études de cas d'éditeurs ne publient presque jamais l'écart de conversion face à une bonne base de comparaison à filtres. Deuxièmement, et c'est plus important, faire remonter davantage d'un catalogue existant en réponse à une requête plus riche reste de la récupération. Cela élargit l'entonnoir. Cela n'aide pas, en soi, un acheteur à construire une préférence avec laquelle il n'est pas arrivé. La question ouverte est de savoir si les requêtes plus riches reflètent une intention que l'acheteur avait déjà et qu'il a simplement exprimée avec plus d'aisance, ou une intention que l'outil a réellement contribué à créer. Nous pensons qu'il s'agit surtout de la première hypothèse, et c'est précisément la brèche dans laquelle il faut bâtir.

Les préférences se construisent, elles ne se récupèrent pas

La thèse d'automatisation hérite d'un modèle de l'acheteur très ancien et très faux : un agent rationnel porteur de préférences stables et stockées, qu'il suffirait de révéler. Des décennies de recherche sur le consommateur disent à peu près l'inverse.

Bettman, Luce et Payne ont établi que les consommateurs n'ont fréquemment pas de préférences bien définies en mémoire, et qu'ils les construisent au contraire pendant la décision elle-même, à l'aide de stratégies qui dépendent de la tâche et de la manière dont les options sont présentées [8]. La préférence est un produit du processus de décision, pas une donnée d'entrée. Si c'est vrai, alors un système dont l'unique fonction est d'exécuter une préférence énoncée a mal compris le moment dans lequel il opère.

C'est aussi pourquoi davantage d'options peut détériorer les résultats plutôt que les améliorer. Dans la célèbre étude de terrain d'Iyengar et Lepper, les acheteurs auxquels on présentait un large assortiment de confitures étaient nettement moins susceptibles d'acheter que ceux à qui on en présentait un petit [9]. L'effet a été débattu, et des méta-analyses ultérieures constatent qu'il dépend du contexte plutôt qu'il n'est universel [10]. La lecture prudente n'est pas « moins de choix est toujours préférable ». C'est que, lorsque les acheteurs ne peuvent pas évaluer un grand ensemble, ils reportent ou abandonnent. Un catalogue brut posé derrière une zone de chat est exactement cela : un grand ensemble, présenté à travers une interface de navigation pire que celle qu'il remplace.

Si les préférences se construisent, alors le vrai travail du système est d'aider à les construire. C'est précisément ce pour quoi les systèmes de recommandation par critique (critiquing-based, ou example-critiquing) ont été conçus. L'acheteur part d'un exemple concret, y réagit (« moins cher », « dans le même genre mais plus près du centre »), et le modèle affine son estimation de ses préférences au fil de plusieurs cycles [11]. La littérature est explicite : cette approche compte le plus dans les domaines à fort enjeu et de premier achat, où les utilisateurs n'ont au départ aucune préférence fixe et n'atteignent une décision confiante qu'au terme d'une critique itérative [12]. Le voyage, l'immobilier et l'automobile en sont les cas d'école, pas les cas marginaux.

De l'agentic search à l'agentic discovery

Tout cela recadre le produit.

L'agentic discovery, c'est l'usage d'agents IA pour aider un acheteur à construire une préférence en explorant des produits réels et en y réagissant, par opposition à l'agentic search, qui exécute une préférence que l'acheteur détient déjà. Le but n'est pas d'acheminer plus vite un signal fort vers une API. C'est de prendre un acheteur qui ne peut pas encore préciser ce qu'il veut et de le faire passer, par l'interaction avec des produits réels, d'une attirance vague à un choix auquel il fait confiance.

Concrètement, cela signifie laisser les gens voir et manipuler le catalogue au lieu de seulement l'interroger. Cela signifie présenter un ensemble restreint, diversifié et lisible plutôt qu'une longue liste classée. Cela signifie traiter les réactions de l'acheteur à des produits concrets comme la matière première d'un modèle de préférence évolutif, et utiliser la conversation pour structurer l'exploration et exposer les arbitrages, plutôt que pour remplacer l'acte de regarder. La conversation est un échafaudage pour la découverte. Elle n'en est pas la destination.

La distinction n'est pas cosmétique. La recherche suppose que la réponse existe et qu'il faut la trouver. La découverte suppose que la réponse doit être construite.

Ce qu'il advient des MCP et des agents

Rien de tout cela n'est un argument contre les agents ou contre les MCP. Les deux sont réels, et les deux sont utiles. Mais ce ne sont que des tuyaux. Un MCP expose un catalogue. Il ne sait pas comment aider une personne à en venir à désirer un produit qu'elle n'avait pas imaginé. Sans une véritable maîtrise de la conversation et du catalogue qui la sous-tend, un agent ne fait qu'automatiser, plus vite, une recherche que l'acheteur n'était de toute façon pas équipé pour mener.

L'avantage défendable n'a jamais été le protocole, que tout le monde finira par avoir. C'est l'expérience de découverte bâtie par-dessus, et le modèle de l'acheteur que cette expérience encode.

Les équipes qui traitent l'agentic commerce à forte implication comme un pur problème d'automatisation résolvent les 20 % faciles, la queue à intention forte, et la prennent pour le marché entier. La partie difficile et à forte valeur, c'est la majorité à intention faible, et ce n'est pas un problème d'automatisation. C'est un problème de construction de préférence.

La question à poser à tout produit d'agentic commerce est donc simple. Aide-t-il quelqu'un qui sait déjà ce qu'il veut à aller plus vite, ou aide-t-il quelqu'un qui ne le sait pas encore à parvenir quelque part de bon ? Le premier est une fonctionnalité. Le second est un métier.

Références

1. Porch Group Media, « 25 Statistics on How Consumers Shop for Cars » (d'après Autotrader), 2025. https://porchgroupmedia.com/blog/25-amazing-statistics-on-how-consumers-shop-for-cars/
2. 67 Degrees, « How Consumers Research Cars Before Buying ». https://www.67degrees.co.uk/blog/how-consumers-research-cars-before-buying/
3. McKinsey & Company, « The Consumer Decision Journey », 2009. https://www.mckinsey.com/capabilities/growth-marketing-and-sales/our-insights/the-consumer-decision-journey
4. Product Marketing Alliance, « The Five Steps of the Consumer Buying Process », 2026. https://www.productmarketingalliance.com/what-are-the-5-steps-in-the-consumer-buying-process/
5. OpenAI, « Booking.com and OpenAI Personalize Travel at Scale » (étude de cas). https://openai.com/index/booking-com/
6. Booking.com, « Booking.com Enhances Travel Planning with New AI-Powered Features », 30 octobre 2024. https://news.booking.com/bookingcom-enhances-travel-planning-with-new-ai-powered-features--for-easier-smarter-decisions/
7. Stardrift, « Best AI Tools to Consolidate Flight and Hotel Search », 2026. https://stardrift.ai/resources/ai-tools-consolidate-flight-hotel-search
8. Bettman, James R., Mary Frances Luce et John W. Payne. « Constructive Consumer Choice Processes. » Journal of Consumer Research 25, no 3 (1998) : 187–217. https://doi.org/10.1086/209535
9. Iyengar, Sheena S., et Mark R. Lepper. « When Choice Is Demotivating: Can One Desire Too Much of a Good Thing? » Journal of Personality and Social Psychology 79, no 6 (2000) : 995–1006. https://business.columbia.edu/faculty/research/when-choice-demotivating-can-one-desire-too-much-good-thing
10. Discussion sur la réplication de la surcharge de choix et ses effets modérateurs (renvoyant à la méta-analyse de Chernev, Böckenholt et Goodman, 2015). https://atticusli.com/replication-crisis/choice-overload-jam-study/
11. Chen, Li, et Pearl Pu. « Critiquing-Based Recommenders: Survey and Emerging Trends. » User Modeling and User-Adapted Interaction 22, no 1–2 (2012) : 125–150. https://link.springer.com/article/10.1007/s11257-011-9108-6
12. Sur la construction de préférence et la critique itérative dans les domaines de premier achat. https://www.sciencedirect.com/science/article/abs/pii/S1071581917301313