Nous ne construisons pas de la recherche agentique. Nous construisons de la découverte agentique.

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

En résumé : La recherche conversationnelle par IA fonctionne bien quand l'acheteur sait déjà ce qu'il veut : elle se contente alors de traduire une phrase en filtres. Elle fonctionne mal au stade de la découverte, parce que la plupart des acheteurs, dans les catégories à forte implication, arrivent avec une intention faible, et qu'un modèle de langage ne peut pas retrouver 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 ne consiste donc pas à exécuter une intention plus vite, mais à aider l'acheteur à la construire. Nous appelons cela la découverte agentique, plutôt que la recherche agentique.

Une thèse limpide et séduisante circule en ce moment dans le commerce IA : exposez votre catalogue via un MCP ou un jeu d'outils, laissez l'utilisateur dire ce qu'il veut en langage naturel, et laissez 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 étroite de problèmes, elle est juste.

Pour les catégories sur lesquelles nous travaillons chez Kleio — voyage, hôtellerie, immobilier, négoce et automobile — elle est largement fausse. La raison ne tient ni à la qualité des modèles ni à la conception des outils. Elle tient à un présupposé enfoui dans la thèse sur la façon dont l'acheteur arrive : qu'il se présente avec une intention forte et déjà formée, qu'il suffirait d'exécuter. Dans les achats à forte implication, ce présupposé tient rarement.

Le présupposé de l'intention forte

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

Les catégories à forte implication sont d'une autre nature. L'acheteur ne retrouve pas une décision : il cherche à y parvenir, souvent pour la première fois, avec de l'argent réel et des conséquences réelles.

La plupart de nos acheteurs démarrent indécis

Les données ne laissent guère de place au doute.

Dans l'automobile, environ 60 % des acheteurs démarrent sans marque ni modèle précis en tête [1]. Le secteur a même un nom pour cette première étape : 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 considéré s'élargit souvent pendant l'évaluation active, à mesure que l'acheteur découvre des options auxquelles il n'avait pas pensé [3]. L'intention se construit chemin faisant.

Dans l'immobilier, le déclencheur est généralement émotionnel avant d'être un cahier des charges. Un primo-accédant ressent une aspiration à la stabilité ou à 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 évoluent à mesure qu'il découvre ce qui est réellement disponible.

Dans le voyage, la plateforme dominante du secteur a elle-même concédé le point. Ses équipes ont reconnu que ce qu'elles avaient toujours bien fait, c'était le dernier kilomètre — faire passer un client de la recherche à la réservation — et que le problème réellement difficile était d'aller chercher le client plus tôt, pendant qu'il cherchait encore ce qu'il voulait [5]. C'est reconnaître que l'intention, en haut du parcours, est faible.

Dans les trois secteurs, l'acheteur arrive sans ce que la thèse de l'automatisation suppose qu'il possède déjà.

Le paradoxe du filtre

Voici le piège structurel de la recherche conversationnelle.

Quand l'intention est forte, le langage naturel est une moins bonne interface qu'un filtre. Décrire une préférence en 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 gagne 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 de langage ne sauve pas davantage l'acheteur. Il ne peut pas répondre à une question qu'il n'a pas encore formée. Une façon 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.

Une couche de recherche purement conversationnelle atterrit donc dans un entre-deux inconfortable : trop lente pour celui qui a décidé, trop superficielle pour celui qui hésite. C'est la raison structurelle pour laquelle la promesse de la recherche sémantique déçoit depuis des années dans ces catégories, et cela reste vrai quelle que soit la qualité du modèle sous-jacent.

Traduire une intention n'est pas la créer

Regardez de près ce que font réellement la plupart des fonctions dites sémantiques. Le schéma dominant, y compris chez les plus grands acteurs, consiste à prendre une phrase et à la projeter sur des filtres qui existaient déjà. Tapez « une villa familiale avec piscine près de la plage » et le système applique automatiquement les filtres correspondants [6]. C'est réellement utile, et c'est très exactement de la traductiond'intention. Cela sert une préférence que l'acheteur possède déjà. Cela ne fait rien pour créer celle qui lui manque.

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

Il vaut la peine de présenter l'argument adverse sous son meilleur jour, car il est réel. La plateforme dominante affirme que ses fonctions conversationnelles fonctionnent : les utilisateurs seraient passés de requêtes à un seul mot-clé à des formulations plus riches, de type découverte, avec un engagement en hausse [5]. Deux choses méritent d'être distinguées. D'abord, l'engagement n'est pas une décision assurée, aboutie et à forte valeur, et les études de cas d'éditeurs ne publient presque jamais l'écart de conversion face à une référence de filtres solide. Ensuite, 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 le tunnel. Cela n'aide pas en soi l'acheteur à construire une préférence qu'il n'avait pas en arrivant. La vraie question est de savoir si ces requêtes plus riches expriment une intention qu'il avait déjà, simplement formulée plus fluidement, ou une intention que l'outil a réellement contribué à créer. Nous pensons que c'est surtout la première, et c'est précisément l'écart dans lequel il vaut la peine de construire.

Les préférences se construisent, elles ne se retrouvent pas

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

Bettman, Luce et Payne ont établi que le consommateur n'a souvent pas de préférences bien définies en mémoire, et qu'il les construit pendant la décision elle-même, avec des stratégies qui dépendent de la tâche et de la façon dont les options lui sont présentées [8]. La préférence est un résultat du processus de décision, pas une donnée d'entrée. Si c'est vrai, alors un système dont le seul rôle est d'exécuter une préférence énoncée s'est trompé sur le moment où il intervient.

C'est aussi pourquoi davantage d'options peut dégrader le résultat plutôt que l'améliorer. Dans l'étude de terrain bien connue d'Iyengar et Lepper, les clients à qui l'on présentait un large assortiment de confitures achetaient nettement moins que ceux à qui l'on en montrait peu [9]. L'effet a été débattu, et des travaux méta-analytiques ultérieurs montrent qu'il dépend de modérateurs plutôt qu'il ne soit universel [10]. La lecture rigoureuse n'est pas « moins de choix vaut toujours mieux ». C'est que lorsque l'acheteur ne peut pas évaluer un ensemble large, il diffère ou abandonne. Un catalogue brut posé derrière une fenêtre de conversation, c'est exactement cela : un ensemble large, présenté à travers une interface de navigation pire que celle qu'elle remplace.

Si les préférences se construisent, alors le vrai rôle du système est d'aider à les construire. C'est précisément ce pour quoi les systèmes de recommandation par critique, ou par exemple-critique, ont été conçus. L'acheteur part d'un exemple concret, réagit (« moins cher », « comme celui-ci 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 surtout dans les domaines à fort risque et de premier achat, où l'utilisateur n'a au départ aucune préférence arrêtée et ne parvient à une décision assurée que par critiques successives [12]. Le voyage, l'immobilier et l'automobile en sont les cas d'école, pas les cas limites.

De la recherche agentique à la découverte agentique

Tout cela recadre le produit.

La découverte agentique, 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 la recherche agentique, qui exécute une préférence qu'il possède déjà. L'objectif n'est pas de router plus vite un signal fort vers une API. C'est de prendre un acheteur incapable d'énoncer ce qu'il veut et de le conduire, par l'interaction avec des produits réels, d'une vague aspiration à un choix dans lequel il a confiance.

Concrètement, cela suppose de laisser les gens voir et manipuler le catalogue, plutôt que seulement l'interroger. De présenter un ensemble restreint, varié et lisible, plutôt qu'une longue liste classée. De traiter les réactions de l'acheteur à des produits concrets comme la matière première d'un modèle de préférence qui évolue. Et d'utiliser la conversation pour structurer l'exploration et exposer les arbitrages, plutôt que pour remplacer l'acte de regarder. La conversation est l'échafaudage de 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 qu'il faut la construire.

Ce que cela laisse au MCP et aux agents

Rien de tout cela n'est un argument contre les agents ou contre le MCP. Les deux sont réels et utiles. Mais ce sont des tuyaux. Un MCP expose un catalogue. Il ne sait pas comment aider quelqu'un à désirer un produit qu'il 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 le commerce à forte implication comme un pur problème d'automatisation résolvent les 20 % faciles — la frange à intention forte — et la confondent avec le marché tout entier. La part difficile et rentable, 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 de commerce IA 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 arriver quelque part de bien ? Le premier est une fonctionnalité. Le second est une activité.

Questions fréquentes

La recherche conversationnelle par IA fonctionne-t-elle pour réserver un voyage, acheter une voiture ou un logement ?Elle fonctionne bien quand l'acheteur sait déjà ce qu'il veut : elle traduit alors surtout une phrase en filtres. Elle fonctionne mal au stade de la découverte, parce que la plupart des acheteurs de ces catégories démarrent sans préférence formée, et qu'un modèle de langage ne peut pas retrouver une réponse que l'acheteur n'a pas encore construite.

Quelle différence entre recherche agentique et découverte agentique ?La recherche agentique exécute une préférence que l'acheteur possède déjà, en routant un signal fort vers une API. La découverte agentique aide un acheteur incapable d'énoncer ce qu'il veut à construire une préférence en explorant des produits réels et en y réagissant. La recherche suppose que la réponse existe et qu'il faut la trouver ; la découverte suppose qu'il faut la construire.

Pourquoi la recherche sémantique déçoit-elle sur les achats à forte implication ?Parce qu'elle occupe un entre-deux inconfortable. Quand l'intention est forte, les filtres sont plus rapides que le langage naturel ; quand elle est faible, un meilleur analyseur ne peut pas répondre à une question que l'acheteur n'a pas encore formée. La plupart des fonctions sémantiques ne font que traduire une phrase en filtres existants, ce qui sert l'intention au lieu de la créer.

Exposer un catalogue via un MCP suffit-il à construire un agent d'achat IA ?Non. Un MCP est une tuyauterie qui relie un catalogue à un agent. Il ne fait rien pour aider l'acheteur à construire une préférence ; seul, il ne fait donc qu'automatiser une recherche que l'acheteur n'était pas équipé pour mener. L'avantage défendable, c'est l'expérience de découverte bâtie par-dessus, pas le protocole.

Que dit la recherche sur la façon dont les acheteurs forment leurs préférences ?Les travaux sur le choix constructif (Bettman, Luce et Payne, 1998) montrent que le consommateur manque fréquemment de préférences bien définies et les construit pendant la décision elle-même. Les systèmes de recommandation par critique ont été conçus précisément pour ces domaines de premier achat à fort risque, et aident l'acheteur à parvenir à une décision assurée par retours successifs.

Références

1. Porch Group Media, « 25 Statistics on How Consumers Shop for Cars » (citant 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, n° 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, n° 6 (2000) : 995–1006. https://business.columbia.edu/faculty/research/when-choice-demotivating-can-one-desire-too-much-good-thing
10. Discussion du bilan de réplication de la surcharge de choix et des effets modérateurs (en référence 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, n° 1–2 (2012) : 125–150. https://link.springer.com/article/10.1007/s11257-011-9108-6
12. Sur la construction des préférences et la critique itérative dans les domaines de premier achat. https://www.sciencedirect.com/science/article/abs/pii/S1071581917301313

‍