On peut bien sûr lancer sa réflexion IA en mettant en œuvre un chatbot conversationnel pour aider les clients lors de leurs achats. Jusqu'ici, je n'ai rien vu de vraiment convaincant à citer en référence — et c'est assez normal. Le chatbot conversationnel est là pour conseiller : si les données auxquelles il accède sont mal structurées ou incomplètes, il ne sera pas meilleur qu'un humain.

‍

On peut aussi réfléchir à une stratégie de vente sur les assistants IA, qui semble être le prochain champ de bataille des e-commerçants depuis les annonces du protocole UCP par Google, Shopify et plusieurs grands retailers. Mais là encore, ce qui fera la différence n'est pas l'intégration aux assistants IA. C'est la qualité de la donnée que l'e-commerçant pourra leur exposer.

‍

La réussite d'un projet e-commerce se joue toujours derrière la vitrine. Les équipes métiers ont-elles les bons outils pour réussir ? Les données produits sont-elles disponibles pour les agents IA ? Le back-office PIM/DAM et e-commerce sont-ils gérés correctement ? C'est là que se trouvent les leviers les plus importants. Tant que ces sujets ne sont pas adressés, l'IA en front ne fera qu'amplifier la visibilité des problèmes.

‍

Préparer la donnée et comprendre les équipes métier

Commençons par la base : votre PIM/DAM n'a pas été pensé pour être mis dans les mains d'une IA. Sa structure et son modèle ont été conçus avec deux objectifs initiaux : faciliter le travail d'enrichissement par les équipes produits, et assurer la diffusion de la donnée vers les canaux qui en ont besoin.

Prenons un exemple concret avec un PIM qui gère des produits cosmétiques. La réglementation change et impose de retirer certains ingrédients. Une fois les produits modifiés, l'IA doit les identifier, isoler la donnée, la modifier… sans consommer des tokens à chaque interrogation. Sans compter les informations qui ne sont pas dans la structure du PIM lui-même mais dans les PDF rattachés aux fiches produits.

Automatiser ces tâches par un agent demande donc de structurer la donnée avec des moyens permettant à l'agent IA d'y accéder rapidement et de manière fiable. Cela passe par exemple par un MCP (Model Context Protocol), par des RAG (Retrieval Augmented Generation), ou par des modifications du modèle même du PIM. Rendre un PIM "AI-ready" n'est pas une option esthétique : c'est un prérequis technique sans lequel rien ne tient.

Parlons maintenant des équipes. On leur demande toujours plus sans toujours leur donner les moyens de grandir. Elles finissent alors par prioriser : faire le plus urgent et laisser de côté les travaux de fond. La nouvelle collection doit sortir à la date prévue, mais les adaptations de modèle de données qui auraient pourtant un impact direct sur le taux de conversion sont reportées à plus tard. Et "plus tard" n'arrive jamais.

Au final, les équipes PIM/DAM et les équipes e-commerce sont submergées par les tâches opérationnelles et délaissent les sujets vraiment stratégiques. Les éditeurs de CMS e-commerce comme de PIM/DAM mettent pourtant de nombreux outils à leur disposition : analyse, A/B testing, enrichissement de contenus, réponses aux clients, gestion du stock, des prix et promos, des médias. Mais ces fonctionnalités restent largement sous-utilisées parce que personne n'a le temps de les activer. Le drame est là : la valeur reste dormante.

‍

Des agents IA orchestrés et intégrés au service des équipes métier

La partie cachée de l'iceberg est bien là : avant de proposer de l'IA aux clients, il faut penser aux leviers les plus importants, qui sont du côté des équipes. Tout ce qui peut améliorer leur travail, les soulager des tâches répétitives et leur permettre de gérer les sujets stratégiques nous semble être le meilleur positionnement.

‍

Cela se fait à trois conditions.

• D'abord, un agent doit être orchestré. Un agent seul ne sert à rien. Il n'apporte de valeur que s'il travaille en équipe et partage ses données — autrement dit, s'il est orchestré. Cette orchestration se matérialise autour d'un agent "manager d'équipe" capable d'activer et de contrôler le travail des autres agents. Elle se matérialise aussi dans la capacité qu'a chaque agent à partager ses informations avec les autres. Un agent "monitoring" pourra par exemple transmettre des données de trafic à un agent SEO, qui ajustera ses recommandations à un agent éditorial, qui régénérera ensuite des fiches produits dans le PIM. C'est cette chaîne, et non l'agent isolé, qui crée la valeur.

• Ensuite, un agent doit être intégré. Intégré ne veut pas forcément dire interne au logiciel PIM/DAM. Beaucoup d'éditeurs proposent des fonctionnalités IA natives dans leur produit. Même utiles, ces fonctionnalités ne sont pas capables de sortir de leur contexte : elles ne connaissent de l'entreprise que ce qui se trouve dans le PIM. Un peu comme si on enfermait un collaborateur dans son bureau toute la journée — il ne saurait rien du contexte réel de son travail. Pour nous, "intégré" signifie que l'agent IA est capable d'échanger des données avec le système sur lequel il agit (PIM, DAM, e-commerce…) mais aussi avec d'autres sources qui lui donnent une vision plus fiable de son contexte (ERP, CRM, données de trafic, données concurrentielles).
• ‍Enfin, un agent doit être sécurisé. La confiance doit être totale sur le fait que les données de l'entreprise restent dans l'entreprise, qu'elles ne sont pas utilisées à des fins d'entraînement, et qu'elles ne fuitent pas vers des tiers. Il faut également s'assurer que les droits d'un agent ne surpassent pas ceux du collaborateur qui l'utilise. Avec l'AI Act qui s'applique progressivement en 2026, ce point n'est plus une simple bonne pratique : c'est une obligation.

Que font concrètement des agents IA orchestrés en e-commerce et PIM/DAM ?

Une fois ces conditions remplies — orchestration, intégration, sécurité — que peuvent réellement faire les agents IA pour les équipes métier ? Voici cinq cas d'usage que nous voyons émerger dans les projets B2B industriels que nous accompagnons.

1. L'agent d'enrichissement catalogue. Il ingère une fiche fournisseur (PDF, Excel, EDI), mappe automatiquement les attributs sur le modèle PIM, traduit dans les langues cibles et propose une fiche prête à valider. Là où une équipe produit met plusieurs jours par référence complexe, l'agent fait le pré-travail en quelques minutes et laisse à l'humain le rôle de contrôleur. Sur des catalogues de plusieurs dizaines de milliers de SKU, le gain est massif — et il est mesurable au mois près.

2. L'agent de qualification de compte client. Une demande entrante arrive (formulaire site, e-mail, EDI). L'agent croise les données avec le CRM, identifie le segment du client, calcule la grille tarifaire applicable, vérifie les conditions logistiques et prépare un devis prêt à envoyer. Le commercial reprend la main pour valider et négocier. C'est typiquement le cas d'usage où le ROI est le plus visible : on transforme un cycle de qualification de 48 heures en cycle de quelques heures, sans perdre la maîtrise commerciale.

3. L'agent de support technique post-vente. Branché sur le DAM (notices, schémas techniques, vidéos d'installation) et sur le SI commercial (commandes, garanties, contrats de maintenance), il répond à un installateur sur le terrain ou à un service client interne. Il escalade vers un humain dès que la complexité dépasse son périmètre. Pour un industriel qui vend des produits techniques avec une longue durée de vie, c'est un levier de fidélisation B2B redoutable et un argument différenciant en avant-vente.

4. L'agent de cohérence multi-canal. Il surveille en continu les écarts entre le PIM, le site e-commerce, les marketplaces, l'ERP et les flux exposés aux assistants IA externes. Une référence en rupture sur l'ERP mais affichée disponible sur le site ? Un prix mis à jour dans le PIM mais non propagé à une marketplace ? L'agent alerte ou corrige selon la politique définie. C'est un travail invisible mais critique : la cohérence multi-canal est aujourd'hui faite en grande partie à la main, donc faite tard et faite mal.

5. L'agent d'AI-readiness. Sa mission : préparer en continu les données produits pour qu'elles soient lisibles par les agents IA externes (ChatGPT Shopping, UCP Google, Perplexity Shopping…). Complétude des attributs, données structurées Schema.org, paires Q/A par produit, normalisation des unités, alignement sur les nouveaux attributs Google Merchant Center. Cet agent ne fait pas vendre directement : il rend possible la vente quand les agents externes interrogeront votre catalogue. Sans lui, votre marque devient invisible dans les décisions d'achat agentiques — et aucune campagne SEO ou SEA ne rattrapera ce retard.

Ces cinq agents sont des briques que nous concevons aujourd'hui pour des e-commerçants industriels avec des stacks Adobe Commerce, Sylius ou OroCommerce, des PIM Akeneo ou Pimcore, et des DAM intégrés.

‍

Pourquoi la plupart des projets d'agents IA vont décevoir

Soyons honnêtes : tous les projets agentiques ne réussiront pas. Trois écueils reviennent systématiquement.

L'effet vitrine. Un POC chatbot impressionnant en démo, qui ne change strictement rien à l'entreprise. Le projet est célébré, puis enterré. C'est l'écueil le plus fréquent parce que le chatbot est l'IA la plus démontrable — et la moins transformante.

L'angle mort de la donnée. On lance des agents sur un PIM mal nourri ou sur un DAM mal taggé. Les agents hallucinent ou produisent des résultats inutilisables. Les utilisateurs métier perdent confiance en quelques semaines et reviennent à leurs habitudes. Le projet IA devient un repoussoir interne pour les deux ans qui suivent.

L'absence de gouvernance. Qui valide une action d'agent ? Quel niveau d'autonomie accorde-t-on ? Comment trace-t-on les décisions ? Sans réponse claire à ces questions, un projet agentique B2B finit toujours par buter sur un incident — un prix erroné poussé en production, un client mal qualifié, une donnée sensible exposée. La gouvernance est l'angle mort que les démos ne montrent jamais.

Notre conviction : commencer par la donnée et l'usage métier, jamais par la techno.

‍

Notre conviction chez Zento

Nous abordons les projets d'agents IA orchestrés en quatre étapes, dans cet ordre, sans raccourci possible.

1. Diagnostic Data Product. On mesure objectivement la qualité de la donnée produit avec un Quality Score chiffré sur cinq piliers : complétude, médias, cohérence, localisation, enrichissement. Pas un audit narratif. Un score, des indicateurs, un plan d'action priorisé.

2. Audit AI-Readiness. On évalue la capacité du PIM/DAM à exposer ses données aux agents IA, internes comme externes. MCP server, structures RAG, schémas Schema.org, paires Q/A, granularité des attributs. À l'issue, on sait précisément où sont les blocages techniques et combien il en coûte de les lever.

3. Pilote agent orchestré sur un cas d'usage métier. Pas de big bang. On choisit un cas d'usage à forte valeur — souvent l'enrichissement catalogue ou la qualification B2B — on construit l'orchestration, on l'intègre au SI, on mesure l'impact en quelques semaines. Le pilote tient ou il ne tient pas. Les chiffres tranchent.

4. Mise en run et industrialisation. Une fois le pilote validé, on étend à d'autres cas d'usage, on solidifie la gouvernance et on transfère la maîtrise aux équipes internes. L'objectif n'est pas de créer une dépendance : c'est de rendre l'entreprise autonome sur son socle agentique.

Ce qui nous distingue, ce n'est pas une techno ou un partenariat exclusif. C'est une conviction : on ne déploie pas d'agents IA chez un industriel. On déploie des workflows qui pensent — et le PIM/DAM en est la mémoire.

‍