Quand l’IA choisit votre prochain rouge à lèvres

Imaginez la scène. Vous demandez à votre assistant IA : « Trouve-moi un rouge à lèvres longue tenue, adapté à mon teint, vegan, disponible à Paris et à moins de 35 euros. » Quelques secondes plus tard, il compare les références, écarte celles qui ne correspondent pas à vos critères, vous en recommande trois, simule le résultat sur votre visage et finalise éventuellement l’achat.

Vous n’avez visité aucun site de marque. Vous n’avez vu aucune campagne. Certaines enseignes ont disparu de votre parcours avant même d’avoir eu la possibilité de vous séduire.

C’est précisément le phénomène que je souhaite étudier dans ma thèse : que devient le marketing de la mode et de la beauté lorsque l’intelligence artificielle ne se contente plus de conseiller le consommateur, mais commence à présélectionner les produits à sa place ?

Le personal shopper intelligent n’appartient plus à la science-fiction

Le commerce agentique désigne un parcours dans lequel une IA aide un utilisateur à découvrir, comparer et parfois acheter des produits à partir d’une demande formulée en langage naturel. En Europe, 38 % des consommateurs interrogés par McKinsey déclaraient déjà utiliser l’IA pour découvrir des produits, des marques ou soutenir leurs décisions d’achat. Le cabinet estime que les agents pourraient intervenir dans 3 000 à 5 000 milliards de dollars de commerce mondial d’ici 2030. source 1 source 2

Les plateformes se positionnent déjà sur cette nouvelle interface commerciale. ChatGPT peut afficher des produits, les comparer et proposer, pour certains marchands, un paiement intégré. Les résultats sont sélectionnés en fonction de l’intention exprimée, du contexte de la conversation et de critères comme la disponibilité, le prix, la qualité ou la fiabilité du marchand. source

OpenAI a également étendu son Agentic Commerce Protocol afin que les enseignes puissent transmettre leurs catalogues, leurs promotions et leurs données produit. Sephora, Nordstrom, Target et Best Buy figurent notamment parmi les distributeurs déjà intégrés pour la découverte de produits dans ChatGPT. source

Google développe de son côté un Universal Cart capable de réunir dans un même panier des produits provenant de plusieurs enseignes. Cette nouvelle expérience s’appuie sur son Shopping Graph, qui regroupe plus de 60 milliards de références. Amazon permet quant à lui à son assistant, désormais appelé Alexa for Shopping, de recommander des produits, de surveiller leurs prix et même de les acheter automatiquement lorsqu’ils atteignent le montant défini par l’utilisateur. source 1 source 2

Le désir devient aussi un problème de données

Dans la mode et la beauté, une marque a traditionnellement appris à séduire par son univers visuel, son discours, ses égéries, son packaging et l’expérience proposée. Mais une intelligence artificielle ne ressent pas spontanément le prestige d’un parfum ni l’émotion provoquée par une campagne. Elle interprète avant tout des informations.

Pour recommander un produit, elle doit comprendre précisément sa matière, sa coupe, ses tailles, ses teintes, ses ingrédients, son prix, son stock, ses engagements, ses conditions de livraison et les avis associés.

Une robe sublime mais mal décrite peut ainsi devenir invisible. À l’inverse, un produit moins désirable mais parfaitement documenté peut être considéré comme plus pertinent.

L’enjeu dépasse donc le SEO traditionnel. La future visibilité des marques dépendra aussi de leur capacité à devenir lisibles, vérifiables et comparables par les agents intelligents.

Shopify indique d’ailleurs que les commandes attribuées à l’intelligence artificielle ont presque été multipliées par treize sur un an au premier trimestre 2026, tandis que les visites provenant de chatbots ont été multipliées par plus de huit. Même si ces données proviennent directement de la plateforme, elles illustrent la vitesse à laquelle de nouveaux points d’entrée apparaissent dans les parcours marchands. source

Le risque : devenir recommandable, mais interchangeable

C’est ici qu’apparaît le paradoxe le plus intéressant de mon sujet.

Pour être sélectionnées par les agents, les marques doivent structurer leurs informations et rendre leurs preuves facilement exploitables. Pourtant, si toutes optimisent leurs catalogues selon les mêmes standards, elles risquent de se réduire à des listes d’attributs : prix, matière, bénéfice, note et délai de livraison.

Or, personne ne rêve d’un sac uniquement parce que sa fiche produit est complète.

Dans la mode et la beauté, la préférence se construit également à travers l’identité, l’imaginaire, la communauté, l’histoire racontée et la projection de soi. Le véritable défi ne sera donc pas seulement d’apparaître dans une réponse, mais d’éviter que l’IA transforme des marques émotionnelles en options fonctionnelles presque identiques.

La collaboration annoncée entre L’Oréal et OpenAI lors de VivaTech 2026 illustre parfaitement cette nouvelle tension. Maybelline doit intégrer son essayage virtuel directement dans ChatGPT grâce à la technologie ModiFace.

La conversation, la recommandation et la projection visuelle vont ainsi se rapprocher au sein d’une même interface. Cette innovation réduit les frictions, mais déplace aussi une partie de l’expérience de marque vers une plateforme tierce. source 1 source 2

Quatre nouvelles batailles pour les marques

La première sera celle de la lisibilité : fournir des données complètes, précises, actualisées et correctement structurées.

La deuxième sera celle de la crédibilité : disposer d’avis, de preuves, de contenus experts et de signaux cohérents sur plusieurs sources. Lorsqu’un agent compare des produits, la promesse publicitaire seule ne suffit plus. Elle doit être confirmée par des éléments externes.

La troisième sera celle de la préférence : exprimer une différence suffisamment claire pour que l’IA puisse l’expliquer et que le consommateur puisse encore la désirer.

La dernière sera celle de la relation : permettre une personnalisation utile sans donner l’impression que la marque ou l’agent en sait trop sur l’utilisateur.

Les marques devront finalement apprendre à parler simultanément deux langues.

La première est rationnelle et destinée aux machines : données, disponibilité, compatibilité, caractéristiques et preuves.

La seconde reste profondément humaine : style, émotion, appartenance, aspiration et confiance.

Ce que je souhaite démontrer dans ma thèse

Mon objectif sera d’identifier les facteurs qui permettent à une marque de mode ou de beauté d’être recommandée sans perdre son identité.

Je souhaite comparer les réponses de plusieurs assistants à partir de requêtes identiques, analyser les marques citées, observer les critères mobilisés et étudier la place laissée au prix, à la réputation, aux valeurs, aux créateurs ou à l’esthétique.

Je voudrais également confronter les recommandations des agents aux choix de consommateurs réels.

Une personne achète-t-elle davantage lorsqu’une IA lui présente l’option « la plus adaptée », ou résiste-t-elle lorsqu’elle sent que la décision lui échappe ? Une marque inconnue peut-elle gagner instantanément en crédibilité grâce à une recommandation algorithmique ? À l’inverse, une maison très désirable peut-elle disparaître parce que ses données sont incomplètes ?

Ces questions permettront d’étudier trois dimensions complémentaires : les critères techniques de visibilité, les mécanismes de confiance et la préservation du désir dans un parcours de plus en plus automatisé.

Demain, le client restera humain. Pourtant, le premier public à convaincre pourrait être une machine.

Les marques qui gagneront ne seront probablement ni les plus automatisées ni les plus émotionnelles, mais celles capables d’unir les deux : être parfaitement comprises par les agents tout en restant profondément désirées par les personnes.