Peut-on changer ce que l’IA dit d’une Maison ?

Une Maison ne laisserait pas un conseiller confondre deux collections, se tromper sur une matière ou présenter toutes ses créations avec les mêmes trois adjectifs. Elle chercherait à comprendre l’erreur et reprendrait avec lui les explications nécessaires.

Lorsqu’une réponse vient d’un assistant IA, cette exigence reste légitime. Mais les moyens d’intervention sont moins évidents. La Maison ne choisit ni les sources consultées ni les mots employés. Elle peut découvrir une description approximative, un savoir-faire passé sous silence ou une sélection qui ignore des pièces pourtant adaptées à la demande.

Elle dispose néanmoins de moyens d’agir. Elle peut vérifier les informations publiées, mieux expliquer ses créations, faire corriger certaines erreurs et examiner l’évolution des réponses.

Le plus difficile est de savoir par où commencer. C’est précisément ce que nous cherchons à faciliter avec AUGMA.

Le choix se fait avant la visite

Imaginons une cliente à la recherche d’un sac discret, souple, différent des modèles qu’elle connaît déjà. Elle demande conseil à un assistant IA. Deux références retiennent son attention. Elle poursuit sur Google, regarde des photographies, compare les formats, puis ouvre le site d’une Maison.

L’équipe e-commerce enregistre une visite issue du référencement naturel, sans nécessairement connaître les conseils reçus auparavant.

L’étude The State of Ecommerce 2026 de Similarweb et Statista décrit cette combinaison d’usages : 89 % des parcours d’achat impliquant l’IA comprennent également une recherche sur un moteur traditionnel. [1]

Dans les données américaines sur ordinateur, les parcours associant IA et recherche affichent 23 % de conversion, contre 17,3 % pour la recherche seule. Ces résultats ne prouvent pas que l’IA provoque l’achat, mais ils donnent une raison supplémentaire de s’intéresser à ces parcours. [2]

Pour une Maison, il devient utile de savoir quels produits sont proposés pendant cette préparation et comment ils sont décrits. Le client peut arriver sur son site avec une préférence déjà formée, mais aussi avec une idée fausse sur une matière, un format ou un usage.

Les chiffres de fréquentation ne permettent pas, à eux seuls, de le savoir.

Quelles raisons de choisir cette pièce ou une autre ?

« Élégance intemporelle », « savoir-faire d’exception », « matières nobles ». Ces expressions sont flatteuses, mais elles pourraient convenir à presque toutes les Maisons.

Elles aident peu un client à comprendre pourquoi une pièce lui plaît ou ce qui la distingue d’une autre.

Le choix d’un sac tient parfois à la façon dont le cuir se plie, à une proportion, à un détail reconnaissable ou à l’allure qu’il donne lorsqu’on le porte. Une création peut évoquer un souvenir, une époque, une personne. Sa description mérite mieux qu’une liste de caractéristiques suivie de quelques compliments.

En boutique, un conseiller peut montrer un assemblage, expliquer l’origine d’une forme ou attirer l’attention sur une finition. Ces précisions donnent au client des raisons de regarder la pièce autrement.

C’est ce que j’examinerais dans les réponses des assistants IA: les explications permettent-elles d’apprécier la création ? Sont-elles assez précises pour la distinguer des autres produits conseillés ?

Être citée ne suffit pas : encore faut-il que l’assistant IA explique pourquoi choisir cette Maison ou l’une de ses créations.

Ce qu'une Maison peut améliorer

Prenons un exemple fictif. Un sac doit sa souplesse à une construction particulière. Les équipes produit connaissent ce choix et les conseillers savent l’expliquer. Pourtant, la fiche produit en ligne ne mentionne que la matière et les dimensions.

Une partie de ce qui fait l’intérêt de la pièce reste alors difficile à découvrir à distance.

Une photographie de détail, une explication de fabrication ou une vue portée peuvent aider à mieux l’apprécier. Il faut aussi vérifier les informations pratiques : les différences entre formats, les possibilités de porté, la fermeture ou les conditions d’un service.

Ce travail demande de faire circuler des connaissances qui existent déjà dans la Maison. Les équipes produit savent comment la pièce est fabriquée. Les conseillers connaissent les hésitations des clients. Les équipes de contenu peuvent choisir les mots et les images qui permettront d’y répondre.

Ayant dirigé le digital et l’e-commerce d’une Maison, je commencerais par réunir ces équipes autour de quelques références. Je leur demanderais ce qu’elles expliquent à un client pour l’aider à choisir, puis nous relirions les pages correspondantes.

Il ne s’agit pas de rendre les fiches exhaustives. Il faut surtout vérifier que les informations utiles sont présentes, exactes et compréhensibles.

Par où commencer ?

Une erreur de matière se vérifie. Une confusion entre deux modèles peut révéler des descriptions trop proches ou une ancienne référence encore citée. L’absence d’un produit dans une recommandation demande davantage d’examen : correspond-il bien au besoin exprimé ? Quels autres produits sont proposés ?

Avant de modifier le site, il faut également lire les sources citées. Un revendeur peut présenter une version qui n’est plus commercialisée. Un article peut expliquer un savoir-faire avec plus de précision que la page officielle. Un avis peut signaler une limite réelle.

On ne répond pas de la même manière à une erreur factuelle et à une appréciation qui déplaît.

Le diagnostic doit aider les équipes à décider ce qui mérite d’être corrigé en premier. Une liste de mentions accompagnée d’un score serait insuffisante si elle ne permettait pas de retrouver les réponses, les justifications et les sources concernées.

Les recommandations ont-elles changé ?

Une fois les modifications apportées, il faut reprendre les mêmes demandes et comparer les réponses. Les essais doivent être répétés, datés et réalisés dans des conditions aussi proches que possible, en précisant notamment si le système utilise la recherche web.

On peut alors regarder si les erreurs deviennent moins fréquentes, si les formats sont mieux distingués ou si les raisons de recommander un produit sont plus pertinentes.

D’autres changements peuvent toutefois intervenir pendant cette période : une publication dans la presse, une nouvelle source ou une évolution du système interrogé. Des produits laissés inchangés peuvent servir de points de comparaison.

Il faut enfin distinguer l’amélioration des réponses de ses éventuelles conséquences commerciales. Constater qu’une pièce est mieux décrite ne permet pas de lui attribuer des ventes supplémentaires.

Cette rigueur est nécessaire pour savoir quelles actions poursuivre et lesquelles revoir.

Ce que révèle l’Indice de Désirabilité d'AUGMA

C’est pour examiner ces questions que nous développons AUGMA, une plateforme d’analyse de la manière dont les IA présentent les Maisons et recommandent leurs créations.

L’Indice de désirabilité IA compare la manière dont les assistants présentent et proposent plusieurs Maisons d’une même catégorie. Son édition consacrée à la maroquinerie étudie dix Maisons à travers 2 400 réponses recueillies auprès de cinq systèmes : ChatGPT, Claude, Gemini, Perplexity et Google AI Overviews.

Un résultat retient particulièrement l’attention. Toutes les Maisons du panel dépassent 82 sur 100 pour la connaissance de la marque. Sur la découverte produit, les scores s’échelonnent de 13,6 à 73,6.

Les assistants IA disposent donc d’informations sur chacune de ces Maisons. Leur présence dans les réponses à une recherche de sac ou de petite maroquinerie est beaucoup plus inégale.

Source : AI Desirability Index — Leather Goods, AUGMA, juillet 2026. Scores sur 100, moyennés sur les cinq systèmes étudiés. Ces scores décrivent les réponses analysées ; ils ne représentent ni des pourcentages de recommandation ni des données de vente.

Pour une Maison, cet écart pose une question utile : les assistants IA savent-ils surtout parler d’elle lorsqu’on la nomme, ou la proposent-ils aussi lorsque le client n’a pas encore choisi de marque ?

L’Index permet de situer cet écart par rapport aux autres Maisons du panel. Il donne un point de départ à l’analyse.

Product Check : l'analyse à l'échelle du produit

Au sein du projet AUGMA, nous développons également Product Check, actuellement en phase de bêta test et pas encore accessible au public.

À partir de l’adresse de la fiche produit d’un sac, l’outil vise à évaluer sa place dans les recommandations des IA. Il prolonge l’analyse au niveau d’une référence précise : lorsqu’un client décrit le sac qu’il recherche, ce modèle fait-il partie des propositions ?

Cette distinction compte pour les équipes. Une Maison peut être régulièrement citée grâce à quelques créations emblématiques, tandis que d’autres pièces de sa collection restent peu proposées. Un résultat calculé pour l’ensemble de la Maison peut masquer ces écarts entre produits.

L’Index compare les Maisons dans une catégorie. Product Check doit permettre d’examiner un produit en particulier. L’Index situe la Maison parmi ses concurrents. Product Check vise à préciser le diagnostic pour un sac donné.

Pourquoi AUGMA

Une équipe peut interroger quelques assistants et relever leurs erreurs. La difficulté commence lorsqu’il faut comparer les réponses, comprendre les écarts entre produits et décider quoi corriger en premier.

C’est pour organiser ce travail que nous développons AUGMA. La plateforme est conçue pour analyser comment les IA présentent une Maison, ce qu’elles retiennent de ses créations et dans quelles circonstances elles les recommandent.

L’Index situe la Maison dans sa catégorie. Product Check, encore en bêta, vise à approfondir l’analyse pour un produit précis. L’accompagnement de The Augmented Maison permet ensuite de travailler avec les équipes sur les informations et les contenus à améliorer.

Dans le luxe, une description peut être exacte tout en passant à côté de l’essentiel : une construction particulière, l’origine d’une forme ou un savoir-faire qui donne à la pièce son caractère. C’est cette exigence qui guide le développement d’AUGMA.

Pour une Maison qui veut comprendre et améliorer sa place dans les recommandations des IA, AUGMA a été conçu autour de ses questions : quelles créations sont proposées, pour quelles raisons, et sur quelles informations faut-il travailler ?

Sources et périmètre

[1] Similarweb, présentation de The State of Ecommerce 2026, septembre 2026, rapport réalisé avec Statista.

[2] Données détaillées reproduites par Links.me. Parcours américains sur ordinateur, juin 2026 : IA et recherche, 23 % de conversion ; recherche seule, 17,3 % ; IA seule, 12,5 %. Ces taux ne démontrent pas de causalité et ne sont pas spécifiques au luxe.

Sur un autre périmètre — web mondial, juillet 2025–juin 2026 — les plateformes d’IA génèrent 0,4 % des visites e-commerce, en hausse de 203 % sur un an. Ces mesures de trafic et de parcours ne sont pas directement comparables.