Tout le monde claque le terme « IA générative » depuis dix-huit mois, mais peu d'équipes savent où elle apporte vraiment du chiffre. On a déployé des LLMs sur sept marques D2C entre 2025 et 2026. Voilà ce qui marche, ce qui est du marketing, et ce qu'on a abandonné.

Recommandations dynamiques : oui, mais pas comme tu crois

Les algorithmes collaborative filtering (« les gens qui ont acheté X ont aussi acheté Y ») ne sont pas nouveaux. Ce qui change avec un LLM, c'est la capacité à générer un merchandising contextuel — pas juste « voici 4 produits », mais « voici 4 produits ET la raison pour laquelle ils complètent ton choix ».

Sur Maison Lerouge, on a +28 % d'AOV depuis qu'on génère ces blocs à la volée. Le template : on prend le panier en cours, le LLM résume le « profil de style » implicite, et il génère 3 lignes de recommandation contextuelles. Coût : ~0,008 € par session avec GPT-4o-mini.

Fiches produit générées : gain de temps, perte de personnalité (parfois)

Sur un catalogue de 12 000 SKU, écrire 12 000 descriptions à la main est mort. GPT-4o-mini génère 80 fiches/heure pour ~3 €. Mais sur les 80, 5 à 10 sortent du registre brand — trop générique, trop AI-soup.

Solution : un fine-tuning léger sur 200 fiches existantes + une couche d'eval automatique avec ton tone of voice. Coût d'eval ~0,03 €/fiche. Score min : 7/10 sur la grille brand. En dessous, on régénère ; en dessous de 5/10 deux fois, un humain corrige.

Agents support : où ils ferment réellement des tickets

Le mythe : « l'IA va remplacer ton SAV ». La réalité : un agent bien construit gère 40 à 60 % des tickets niveau 1 (suivi de commande, retour, taille). Au-delà, il escalade.

Sur Klima, 52 % des conversations finissent sans intervention humaine — mais on a investi six semaines sur le RAG (politique de retour, FAQ, fiche produit) et le pipeline d'eval. Sans ce socle, on était à 12 % avec un user satisfaction sub-3/5.

Ce qu'on a abandonné

  • Génération d'images produit IA : qualité encore trop variable en 2026. Photographe humain reste plus rentable, surtout pour la confiance brand.
  • Personnalisation extrême (« chaque visiteur voit son site ») : trop coûteux côté tracking, retour faible (+1,8 % conversion mesurée).
  • Chatbot IA en page d'accueil : conversion < 0,3 %, on a tué.
  • SEO content auto-généré à grand volume : Google sanctionne. Mort depuis le Helpful Content update.

Le pattern qui marche : narrow + measured

Un cas d'usage précis, un pipeline d'eval simple, un go/no-go basé sur les chiffres. Pas de « on déploie l'IA sur tout », mais « on déploie sur le SAV niveau 1 et on regarde le resolution rate à 30 jours ».

Si tu veux un audit IA pour ton e-commerce, on fait ça en cinq jours. Brief un projet.