Les consommateurs ne cherchent plus seulement un produit. Ils expriment une intention, racontent un besoin, décrivent une situation et attendent désormais des intelligences artificielles qu’elles leur proposent une réponse. Cette évolution, portée par les grands modèles de langage (LLM), remet en question une partie des fondamentaux du marketing digital. Après vingt ans d’investissements dans le référencement naturel, les marques doivent apprendre à exister dans un environnement où elles ne maîtrisent plus nécessairement le point d’entrée du parcours d’achat, ni la manière dont leurs offres sont présentées. Comment être recommandé par un LLM ? Quels contenus et quelles données mettre à sa disposition ? Jusqu’où standardiser son catalogue sans banaliser son identité ? Et comment financer cette transformation sans céder à l’emballement technologique ?

Ces questions clés ont animé la plénière d’ouverture des Retail Days, organisés les 5 et 6 octobre 2026 à Deauville par Républik Retail. Olivier Monnier, Group Chief Data & AI Officer de la Matmut, Annabel Chaussat, CEO de 3DVIA chez Dassault Systèmes et Élise Ophèle, Chief Growth Officer de Showroomprivé ont mis en lumière une transformation qui dépasse largement les seuls outils marketing.

La transformation commence dès la recherche d’un produit. Là où un consommateur pouvait auparavant saisir une référence précise dans un moteur de recherche, il peut désormais décrire son besoin en langage naturel et attendre de l’IA qu’elle sélectionne pour lui les offres pertinentes. Le parcours devient conversationnel, contextualisé et potentiellement beaucoup moins dépendant des interfaces traditionnelles de l’e-commerce. Après vingt ans d’investissements dans le SEO (Search Engine Optimization), qui consiste à améliorer la visibilité d’un site dans les résultats des moteurs de recherche, les marques doivent désormais se familiariser avec le GEO (Generative Engine Optimization). Cette nouvelle approche vise à optimiser les contenus et la présence numérique d’une marque pour augmenter ses chances d’être citée ou recommandée dans les réponses produites par les intelligences artificielles génératives, comme ChatGPT, Gemini ou Perplexity.

Pour Élise Ophèle, Chief Growth Officer de Showroomprivé, cette évolution impose de revisiter les fondamentaux du référencement. Les LLM ne se contentent pas de reconnaître une marque ou une référence produit : ils doivent pouvoir interpréter les caractéristiques des articles, les contenus associés et les signaux de confiance présents dans l’écosystème numérique. « Il faut travailler une taxonomie (classification structurée des produits par catégories, sous-catégories et caractéristiques, afin de faciliter leur identification et leur compréhension par les systèmes d’intelligence artificielle), il faut avoir des attributs produits qui sont clairs, il faut qu’il y ait une fraîcheur des contenus », explique-t-elle. À ces fondamentaux s’ajoutent le référencement sur différentes plateformes, les réseaux sociaux et les avis clients.

L’enjeu est donc de rendre les offres suffisamment compréhensibles pour qu’elles puissent apparaître dans les recommandations générées en réponse à une intention d’achat. La visibilité ne dépend plus seulement des pages d’un site, mais de la cohérence des informations diffusées dans l’ensemble de l’écosystème. Dans la salle, Sandrine Colucci, CDO du groupe Afflelou, confirme que cette question est déjà devenue opérationnelle. L’enseigne cherche à mesurer son positionnement dans les nouveaux environnements de recherche et à adapter ses contenus en conséquence. « Ce qui nous anime au quotidien, c’est vraiment de mesurer déjà quel est notre positionnement », témoigne-t-elle, avant d’insister sur la nécessité de maintenir une veille permanente, de tester et d’améliorer les résultats.

Pour les marques, le GEO s’impose ainsi comme un nouveau terrain de concurrence. Mais cette transition ne signifie pas que les investissements réalisés dans le SEO deviennent obsolètes. Annabel Chaussat, CEO de 3DVIA chez Dassault Systèmes, défend au contraire une logique de continuité. « Tous vos investissements que vous avez faits en SEO sont valables en GEO », souligne-t-elle. La qualité des contenus, leur structuration et la maîtrise du référencement naturel demeurent des atouts importants. Les LLM introduisent toutefois de nouvelles exigences techniques. Annabel Chaussat évoque notamment l’exploitation de données structurées, comme les fichiers JSON, format informatique qui permet d’organiser les informations d’un produit (prix, caractéristiques, disponibilité ou description) de manière qu’elles puissent être facilement interprétées par les systèmes informatiques. Elle souligne également le poids croissant des avis clients dans la visibilité des marques. Les équipes marketing doivent donc enrichir leurs compétences pour comprendre comment les modèles accèdent à l’information, l’interprètent et la mobilisent dans leurs réponses.

À mesure que les marques adaptent leurs contenus aux exigences des modèles, elles pourraient être tentées de produire des informations toujours plus standardisées, au risque de perdre ce qui fait leur singularité. Élise Ophèle emploie une expression volontairement provocatrice : la « gentrification de l’IA ». « Le risque à tout vouloir standardiser pour être référencé le mieux possible, c’est de finalement perdre son identité propre », prévient la Chief Growth Officer de Showroomprivé. Le danger est particulièrement sensible pour les acteurs de la mode, de la beauté ou du voyage, dont la proposition de valeur repose largement sur l’inspiration, l’émotion et la mise en scène des produits. Une fiche produit parfaitement structurée peut être efficace pour un algorithme sans nécessairement susciter l’envie d’acheter. Showroomprivé cherche donc à concilier deux impératifs, résumés par Élise Ophèle autour de la nécessité d’adopter les nouveaux usages tout en protégeant l’identité de l’enseigne.

Le pure player dispose, à cet égard, d’un avantage : 70 % de son trafic est direct, grâce à son modèle reposant sur une communauté de membres. Cette relation constitue un actif stratégique dans un environnement où les moteurs conversationnels pourraient capter une part croissante de l’attention des consommateurs. La personnalisation du CRM demeure donc essentielle pour entretenir le lien direct avec les clients et éviter que la marque ne devienne un simple fournisseur de produits dans un système de recommandations. L’enjeu dépasse la seule acquisition. Pour Élise Ophèle, le marketing doit continuer à construire une expérience capable de différencier Showroomprivé des autres plateformes. Dans les univers de la mode et de la beauté, la couleur, le contexte de présentation ou la mise en scène d’un produit peuvent jouer un rôle décisif. Les marques doivent apprendre à être lisibles par les machines sans renoncer à séduire les humains ! Cet équilibre pourrait devenir l’un des principaux défis des directions marketing dans les prochaines années…

La transformation des pratiques marketing ne peut cependant être dissociée de l’organisation interne des entreprises. Sur ce terrain, Olivier Monnier défend une approche qui tranche avec la multiplication des expérimentations technologiques. Il oppose deux réalités : « l’IA du samedi soir », que chacun expérimente pour découvrir les capacités des outils, et « l’IA du lundi matin », qu’il faut intégrer dans les processus opérationnels, les systèmes d’information et les contraintes économiques de l’entreprise. « Tout le monde fait de l’IA du samedi soir sur son canapé, on s’amuse bien et le lundi matin on veut le mettre en production. C’est un peu plus compliqué », observe-t-il.

Cette distinction a conduit la Matmut à adopter une règle de gouvernance particulièrement claire. Pour lui, l’intelligence artificielle ne doit jamais constituer une finalité en soi. Les projets doivent répondre à des besoins métiers identifiés, qu’ils concernent le marketing, la distribution, la relation client ou d’autres fonctions. L’IA peut représenter une part majeure de leur réalisation, mais elle reste un moyen au service d’un objectif opérationnel. Pour éviter de confondre envie technologique et besoin réel, les équipes de la Matmut ont formalisé trois questions auxquelles chaque porteur de projet doit répondre : pourquoi souhaite-t-il développer ce cas d’usage ? Quel serait le risque de ne pas le faire ? Et quelle valeur le projet apporterait-il à l’entreprise, aux sociétaires ou aux collaborateurs ? La valeur est volontairement privilégiée par rapport à une approche strictement financière du retour sur investissement, dont le calcul peut se révéler complexe. Lorsqu’un projet ne répond pas clairement à ces critères, il n’est pas engagé immédiatement. Il doit être retravaillé jusqu’à ce que son intérêt soit suffisamment démontré. Les métiers identifient les cas d’usage, leur intérêt et leur faisabilité sont évalués avec les équipes techniques, puis les priorités sont soumises à un comité stratégique au niveau de la direction générale.

Avec un prérequis incontournable, rappelé par Olivier Monnier : « Pas de data, pas d’IA. » Même le cas d’usage le plus prometteur ne peut être industrialisé sans données disponibles, fiables et exploitables.

La question de la gouvernance a occupé une place importante dans les échanges. Faut-il confier les projets d’intelligence artificielle au marketing, à la DSI, à une direction data ou à une organisation transverse ? Chez Showroomprivé, Élise Ophèle explique que la gouvernance de l’IA relève du CTO, même si les directions métiers participent à l’identification des usages et à la définition des besoins. Cette répartition des responsabilités n’est pas figée. Elle insiste sur la nécessité de déterminer précisément les périmètres de décision, en fonction de la nature des données mobilisées et des projets concernés. Les besoins d’une plateforme e-commerce, par exemple lors d’une migration technologique, ne sont pas identiques à ceux d’une direction marketing cherchant à améliorer sa visibilité dans les LLM.

À la Matmut, la direction data et IA joue également un rôle de coordination et d’accompagnement, mais sans se substituer aux métiers. Olivier Monnier souligne à ce titre l’évolution de son propre poste. Il y a quelques années, l’essentiel de son activité consistait à échanger avec les équipes techniques et les data scientists. Désormais, il consacre au moins la moitié de son temps à dialoguer avec les métiers, à expliquer les possibilités offertes par l’IA et, surtout, à préciser ce qu’elle ne permet pas de faire. Cette acculturation progressive contribue à améliorer la qualité des projets proposés. Les métiers deviennent plus matures, les demandes plus réalistes et les arbitrages plus pertinents.

Annabel Chaussat recommande de son côté la création d’une expertise interne resserrée, capable d’assurer la veille technologique et réglementaire, de suivre les premiers cas d’usage et d’accompagner leur développement. L’enjeu n’est pas de créer des comités toujours plus nombreux, mais de disposer d’une structure suffisamment agile pour suivre une technologie dont les capacités évoluent rapidement. Une difficulté particulièrement visible dans les grandes organisations internationales. Interrogée depuis la salle, une représentante de Yamaha France a notamment évoqué les contraintes liées à l’animation d’un réseau de concessionnaires aux niveaux de maturité très différents, mais aussi les validations imposées par une organisation européenne pour modifier certains contenus ou certaines fonctionnalités du site. L’adoption de l’IA se heurte donc parfois moins à des limites techniques qu’aux circuits de décision et aux structures de gouvernance existants.

Si le marketing conversationnel ouvre de nouveaux horizons, les premiers effets économiques de l’IA sont déjà particulièrement visibles dans la production des contenus e-commerce. Le modèle historique de production photographique, particulièrement consommateur de ressources, a profondément évolué. À ses débuts, Showroomprivé mobilisait quotidiennement un grand nombre de mannequins, coiffeurs et maquilleurs pour réaliser ses shootings. L’utilisation de technologies de génération et de transformation d’images permet désormais d’adapter les visuels, de présenter les vêtements sur différentes morphologies et de produire des contenus à une échelle beaucoup plus importante.

Dans la salle, Blancheporte a livré un témoignage sur les économies permises par ces nouveaux outils. L’e-commerçant a développé avec un partenaire des mannequins virtuels réutilisables, pouvant être mis en scène dans des images ou des vidéos. Le coût de production d’une photographie, auparavant situé autour de 350 euros, est désormais inférieur à 5 euros pour cinq images générées. Cette réduction considérable des coûts ouvre la voie à une industrialisation des contenus, mais toutes les catégories de produits ne présentent pas le même niveau de maturité. Blancheporte travaille encore à améliorer les rendus sur la lingerie, notamment en raison des difficultés rencontrées dans la représentation des matières et des carnations, avant d’envisager d’étendre davantage ces usages à l’univers de la maison.

Ces transformations posent également la question de l’évolution des métiers de la création. Chez Showroomprivé, Élise Ophèle précise que l’entreprise continue à travailler ponctuellement avec des mannequins, même si ces interventions sont devenues beaucoup plus limitées.

La relation client constitue un autre terrain d’application majeur de l’intelligence artificielle. À la Matmut, les équipes travaillent sur un assistant conversationnel destiné à faciliter la compréhension des contrats, des devis et des remboursements. L’objectif est de rendre plus accessibles des informations souvent complexes, notamment dans l’assurance. L’outil doit être capable de dialoguer avec les sociétaires, de comprendre leurs demandes, de les orienter et de vulgariser certains documents. Olivier Monnier cite notamment le cas d’un devis dentaire, dont les montants pris en charge et les restes à payer peuvent être difficiles à interpréter pour un assuré.

Mais il insiste sur une distinction essentielle entre les différentes générations d’outils conversationnels. Là où un chatbot traditionnel répond à des questions selon des scénarios plus ou moins prédéfinis, un assistant IA peut comprendre des demandes complexes, analyser des documents et proposer des actions, tout en laissant la décision finale à un collaborateur. Un agent IA va plus loin : il peut enchaîner plusieurs tâches, utiliser des outils et prendre certaines décisions de manière autonome, dans les limites définies par l’entreprise. « Pour l’instant, on a choisi de garder l’humain dans la boucle », précise Olivier Monnier. Plus les outils d’IA doivent accéder à des données internes, plus les entreprises doivent arbitrer entre richesse fonctionnelle et maîtrise des risques. Cette problématique rejoint directement celle du référencement dans les LLM : il faut rendre suffisamment d’informations accessibles pour permettre aux modèles de produire des réponses pertinentes, sans exposer des données qui devraient rester confidentielles.

À mesure que les expérimentations se multiplient, la question économique devient incontournable. Olivier Monnier met notamment en garde contre les coûts d’utilisation des plateformes d’IA, qui peuvent augmenter rapidement avec le volume de requêtes et la consommation de tokens (unités de texte traitées par les modèles d’intelligence artificielle, qu’il s’agisse des questions envoyées par les utilisateurs ou des réponses générées. Plus les échanges sont nombreux, longs ou complexes, plus la facture peut grimper).

Le risque est d’autant plus important que ces dépenses ne sont pas toujours directement visibles par les directions métiers. Elles peuvent être supportées par la DSI, alors même que les usages se développent dans l’ensemble de l’entreprise. Pour anticiper ces dérives, le responsable de la Matmut recommande de mettre en place une démarche FinOps, méthode de pilotage financier des ressources informatiques qui vise à mesurer, maîtriser et optimiser les dépenses liées aux services technologiques. Appliquée à l’intelligence artificielle, elle permet notamment d’estimer le coût de chaque utilisation, de simuler la montée en charge des outils et de vérifier que les bénéfices attendus justifient les investissements. Il rappelle également que le développement d’un assistant conversationnel complexe peut représenter un investissement de plusieurs centaines de milliers d’euros, en fonction de l’architecture informatique, des données mobilisées et du périmètre fonctionnel.

Une réalité qui impose de ne pas confondre faisabilité technique et pertinence économique. Annabel Chaussat défend ainsi une approche progressive, consistant à expérimenter sur un périmètre limité avant d’envisager une généralisation. « Essayez de faire un segment, si vous pouvez faire une petite fragmentation, testez », recommande-t-elle. L’objectif est de comparer les gains obtenus aux coûts de fonctionnement, puis d’extrapoler les résultats avant toute industrialisation. La volumétrie constitue un facteur déterminant. Sur des processus répétitifs, comme la production de milliers de fiches produits, les gains peuvent être importants. En revanche, sur des tâches réalisées ponctuellement, le coût d’utilisation d’un agent peut réduire fortement l’intérêt économique de l’automatisation. Cette logique de mesure concerne aussi les métiers technologiques. Annabel Chaussat évoque les expérimentations menées pour comparer le développement informatique réalisé par des agents et celui assuré par les équipes internes.

La prochaine bataille du marketing ne se jouera donc pas seulement dans les réponses des LLM. Elle se jouera aussi dans la capacité des marques à conserver une relation privilégiée avec leurs clients, à proposer une expérience singulière et à démontrer que les technologies déployées créent une valeur réelle.