En marge de la course au chiffre d’affaires, quatre géants chinois s’affrontent sur l’assistant d’achat conversationnel. Le facteur décisif n’est pas la puissance du modèle, mais la boucle entre contenu et transaction. Notre lecture de ce que cela annonce pour la visibilité des marques de beauté, de luxe et de santé.

Le 618 est né en 2004 comme une simple opération commerciale de JD.com. Vingt ans plus tard, c’est devenu un événement d’un mois à l’échelle de tout le secteur, le deuxième moment d’achat de l’année en Chine derrière le Double 11. Cette année, une seconde compétition se joue en parallèle de la course au volume de ventes. À l’approche du 618, quatre plateformes majeures ont déployé des assistants d’achat dopés à l’IA, chacune pariant que le prochain basculement structurel du e-commerce chinois passera par la conversation.

Deux dynamiques expliquent ce calendrier. La qualité des modèles de fondation a franchi un seuil opérationnel fin 2025. Et le cadre réglementaire chinois sur les services d’IA générative, en vigueur depuis l’été 2023, offre désormais assez de visibilité pour engager des fonctions transactionnelles agentiques à grande échelle. Pour une agence comme MYA, le sujet dépasse largement la Chine: c’est une préfiguration de ce que deviendra la découverte produit quand l’achat se fera dans une interface conversationnelle plutôt que sur une grille de résultats.

Quatre plateformes, deux philosophies

Les quatre entrants sont arrivés en rafale. Qianwen, l’assistant d’Alibaba, s’est intégré à Taobao au printemps, permettant de parcourir et d’acheter directement dans le dialogue. Doubao, côté ByteDance, prépare ses fonctions commerciales payantes pour l’été, avec une intégration progressive à l’écosystème Douyin. JD a lancé une application dédiée, JD AI Gou, ouverte à un test élargi avant le 618. Xiaohongshu, enfin, a embarqué le dialogue IA directement dans la recherche de son application principale, traçant un chemin de la conversation vers la découverte produit puis l’achat.

Des tests indépendants menés avant le 618, en soumettant des requêtes identiques aux différents assistants, révèlent que ces quatre acteurs ne défendent en réalité que deux philosophies produit.

Doubao et Qianwen se comportent comme des agents de découverte. Ils sondent l’intention de l’utilisateur par le dialogue, réduisent progressivement les options, exposent explicitement les compromis entre produits, et terminent chaque réponse par une question de relance destinée à affiner la recommandation. Doubao signale les faiblesses d’un produit autant que ses forces. Qianwen propose un tableau comparatif de synthèse. Tous deux traitent l’interface de chat comme un environnement de raisonnement, pas comme une barre de recherche.

JD AI Gou fonctionne tout autrement. Une requête pour des écouteurs sous un certain prix renvoie une quinzaine de produits répartis en catégories fonctionnelles, sans question de relance et sans mise en perspective des compromis. L’interface invite à parcourir et à filtrer, ce qui reproduit la logique de catalogue historique de JD avec une simple couche de chat posée par dessus.

Le langage de design trahit l’intention stratégique. Doubao et Qianwen cherchent à déplacer le lieu où se prend la décision d’achat, de la grille de produits vers la conversation. JD AI Gou cherche à faire transiter ses comportements de recherche existants par une nouvelle interface, sans toucher à la logique de fond. Ce sont deux problèmes techniques et deux problèmes de données radicalement différents. La découverte conversationnelle exige une connaissance produit profonde, exacte et sensible aux préférences. La recherche de catalogue habillée d’un chat exige de la largeur de gamme et de la vitesse de restitution.

Le risque que personne ne valorise : l’exactitude

Ce que contient une recommandation compte plus que leur nombre. Et c’est là que le modèle « catalogue augmenté » montre sa faille. Dans les tests, JD AI Gou a fait remonter une catégorie d’écouteurs à « conduction osseuse » dans laquelle plusieurs produits classés en tête n’utilisaient pas cette technologie, ce qu’une vérification auprès du service client marchand a confirmé. Un même modèle s’est par ailleurs retrouvé dans deux paniers de recommandation distincts, et deux fiches d’un produit identique sont apparues dans des catégories séparées au sein de la même réponse.

Ces erreurs ne sont pas accidentelles, elles sont structurelles. Quand la requête est traitée comme un mot-clé déclencheur plutôt que comme une consigne de raisonnement, la sortie optimise la couverture, pas l’exactitude. Le risque commercial est concret: faire dire à un agent qu’un produit possède une caractéristique qu’il n’a pas, pour pousser une décision d’achat, expose la plateforme au regard du droit de la consommation comme à celui de la réglementation sur l’IA générative.

Le risque le plus profond reste celui de la confiance. Le commerce conversationnel suppose que le consommateur délègue une part de son jugement d’achat à un agent. Cette délégation repose entièrement sur l’exactitude. Un seul échec retentissant, un écouteur annoncé en conduction osseuse qui n’en est pas, une veste dite imperméable qui ne l’est pas, suffit à effondrer la confiance dans le format. C’est un enseignement majeur pour toute marque dont les produits seront un jour décrits par une IA.

La boucle compte plus que le modèle

La qualité des modèles de fondation va converger entre les quatre plateformes en quelques trimestres. L’écart de modèle est un avantage de timing, pas un avantage structurel. L’avantage durable appartient à la plateforme qui possède une boucle fermée entre contenu et commerce: un cercle vertueux où le contenu produit par de vrais utilisateurs sur de vrais produits alimente l’entraînement de l’IA, ce qui améliore l’exactitude des recommandations, ce qui génère plus de transactions, ce qui produit encore plus de contenu.

Cette boucle réclame deux ingrédients difficiles à réunir séparément: du contenu d’expérience produit authentique à grande échelle, et des données de transaction qui relient ce contenu à des achats réels. À ce jour, un seul acteur a fermé la boucle, en couplant un immense corpus de vidéos et d’avis à une infrastructure transactionnelle. Quand un utilisateur demande une recommandation, le modèle peut s’appuyer sur le contenu d’autres acheteurs qui ont essayé le produit puis publié leur avis. Xiaohongshu dispose du contenu, parmi les bases d’avis les plus profondes du marché chinois, avec une force particulière en beauté, mode, maison et outdoor, mais la donnée transactionnelle qui fermerait la boucle n’est pas encore au rendez-vous. C’est le seul challenger crédible, à condition de convertir sa profondeur de contenu en gravité transactionnelle dans les douze à dix-huit mois.

Ce que cela change pour les marques de beauté, de luxe et de santé

Pour les marques que nous accompagnons, la leçon est limpide. Demain, dans une interface d’achat conversationnelle, c’est l’IA qui décrira votre produit, comparera ses tradeoffs et tranchera la recommandation. Votre visibilité ne dépendra plus seulement de votre place sur une grille de résultats, mais de la qualité et de la profondeur du contenu d’expérience associé à votre marque, et de l’exactitude avec laquelle vos attributs produit sont décrits dans les sources que l’IA mobilise.

C’est exactement ce que structure notre méthode V.M.R.: être Visible dans les sources que l’IA consulte, être Mentionné avec des attributs produit exacts et vérifiables, et être Recommandé au moment de la décision. La bataille chinoise du 618 valide cette grille: les marques gagnantes seront celles dont le contenu authentique nourrit la boucle, et dont les caractéristiques ne laissent aucune place à l’erreur d’attribution. Dans un monde d’agents d’achat, l’imprécision n’est plus un détail éditorial, c’est un risque de confiance et de conformité.

La Chine a toujours eu deux à trois ans d’avance sur la maturité du commerce conversationnel. Ce qui se joue au 618 n’est donc pas une curiosité lointaine, c’est le scénario qui se dessine pour les interfaces d’achat IA occidentales. Les marques qui investissent dès maintenant leur boucle contenu vers commerce et l’exactitude de leur empreinte produit prendront une avance difficile à rattraper.

Source des données de test: Jingzhe Research Institute. Article original à créditer en lien. Analyse et mise en perspective: MYA, agence Global Search (SEO + GEO).