Dernière mise à jour: 17 août 2026
De temps à autre, un directeur financier examine le poste budgétaire consacré à l’analyse des prix et pose une question légitime : ne pourrait-on pas simplement utiliser l’IA pour cela ?
Il suffirait de diriger un agent d’IA vers le catalogue, de l’envoyer sur Amazon et Google Shopping, puis de lui demander de renvoyer les meilleures correspondances. Cela semble simple. L’agent peut parcourir les données, raisonner et générer un tableau. Sur le papier, cela ressemble beaucoup à un processus de veille concurrentielle des prix.
Nous avons donc testé cette hypothèse sur un catalogue réel afin de découvrir ce qui se passe réellement lorsqu’on demande à un workflow d’IA polyvalent d’effectuer une comparaison des prix au niveau des références (SKU) à l’échelle de production.
Le test : 5 360 références, deux détaillants, 3 heures et 23 minutes
Nous avons lancé Codex sur un catalogue de 5 360 SKU et lui avons demandé de trouver des correspondances exactes sur Amazon.com et Google Shopping.
À première vue, les résultats semblaient prometteurs : Codex a trouvé 2 260 correspondances exactes sur Amazon et 39 sur Google Shopping, soit un total de 2 299 correspondances exactes. Il a également signalé 1 443 correspondances potentielles supplémentaires sur Amazon et 38 sur Google Shopping.
Le système de Wiser a quant à lui trouvé environ 5 344 correspondances sur Amazon et 3 183 sur Google Shopping pour ce même catalogue.
En termes de taux de correspondance exacte, Codex couvrait environ 42 % du catalogue sur Amazon et 0,7 % sur Google Shopping. L’indicateur de performance clé (KPI) de Wiser concernant le taux de correspondance pour ce même catalogue était d’environ 99 % sur Amazon.com et de 59 % sur Google Shopping.
En d’autres termes : sur l’ensemble des deux plateformes, Codex a renvoyé 2 299 fiches produits correspondant exactement, contre 8 527 pour Wiser. Cela représente environ 27 % de la couverture des fiches correspondantes de Wiser.
Pourquoi les correspondances manquées sont-elles si dangereuses ?
Le problème avec une correspondance manquée, c’est qu’elle ne ressemble souvent pas à une correspondance manquée. Elle ressemble à un produit pour lequel il n’y a aucune activité concurrentielle.
C’est là que réside le danger : si votre concurrent propose un prix inférieur au vôtre sur une référence à fort volume et que votre processus de suivi ne parvient tout simplement pas à détecter la correspondance, votre tableau de bord n’affichera aucun avertissement.
Ce silence peut conduire les équipes à maintenir leurs prix inchangés, à ne pas percevoir la pression sur les marges ou à supposer qu’elles sont seules sur le marché alors que ce n’est pas le cas. Dans la surveillance des prix concurrentiels, les données manquantes ne sont pas neutres. Bien au contraire : elles modifient complètement la décision prise par le commerçant.
La précision nécessite toujours un contrôle qualité indépendant
Après l’exécution de la recherche de correspondances, nous avons demandé à Codex d’évaluer la précision de ses propres correspondances. Cela constitue un indicateur approximatif utile, mais cela ne remplace pas un processus de contrôle qualité indépendant, car le même flux de travail général et le même modèle d’IA (GPT 5.6 Sol) sont utilisés pour évaluer les résultats qu’il a produits.
Même avec cette limite, la précision estimée s’est établie à environ 48 %.
Chez Wiser, nous utilisons l’IA de manière plus contrôlée. La mise en correspondance et la validation sont des processus distincts : une couche génère des candidats, une autre évalue la qualité des correspondances et les cas incertains peuvent être soumis à un examen supplémentaire. Pour ce catalogue en particulier, la précision de mise en correspondance mesurée par Wiser s’est élevée à 98,4 %.
L’écart n’est pas négligeable. Un workflow d’IA générique a manqué une grande partie de l’activité concurrentielle disponible et a tout de même nécessité un examen approfondi des correspondances qu’il a identifiées.
Pourquoi cet écart existe-t-il ?
Cet écart s’explique par le fait que la mise en correspondance des produits ne se résume pas à une simple requête, mais constitue un système de production comportant plusieurs couches d’IA et de règles.
Wiser repose largement sur l’IA, mais il ne s’agit pas simplement d’une requête LLM dirigée vers le site web d’un détaillant. La génération de candidats s’effectue en parallèle via la correspondance de tokens et la similarité vectorielle ; des règles de pré-validation confirment, rejettent ou transmettent les candidats ; et la validation par LLM est utilisée pour les cas incertains où la compréhension du langage apporte une valeur ajoutée.
Architecture conceptuelle de la mise en correspondance
Voici la distinction importante : le modèle est interchangeable, mais le système de correspondance, la pile d’évaluation et les garde-fous restent sous contrôle.
Cette architecture permet à Wiser d’utiliser les modèles de pointe les plus récents là où ils sont utiles, sans rendre l’ensemble du flux de travail dépendant du comportement d’un seul modèle. La sélection du modèle peut être modifiée via la configuration, mais les garde-fous environnants – règles de sélection des propositions, seuils de contrôle qualité, vérifications d’évaluation, gestion des exceptions et surveillance – restent en place.
La pile indépendante de précision et d’exhaustivité constitue la distinction clé. Elle utilise un modèle et une invite différents de ceux du flux de mise en correspondance ; ainsi, la génération et l’évaluation des correspondances ne relèvent pas d’un même jugement exerçant deux fonctions à la fois. Lorsqu’un modèle change, la pile d’évaluation permet de détecter toute dérive avant que le changement ne devienne un comportement en production.
Un agent de codage peut aider à assembler un flux de travail ponctuel, mais celui-ci n’est pas conçu avec ce type de graphe de produit persistant, de logique de correspondance spécifique au détaillant, d’évaluation indépendante, de files d’attente d’exceptions ou de surveillance du taux de correspondance. Ce sont ces éléments qui font la différence entre une simple feuille de calcul et un ensemble de données tarifaires auquel un commerçant peut se fier.
Les correspondances potentielles en sont un bon exemple. Elles peuvent être utiles pour le tri, mais ne constituent pas des prix concurrentiels prêts à être mis en production. Quelqu’un doit encore décider quels candidats sont de véritables correspondances, lesquels sont des faux positifs, et lesquels doivent être supprimés ou transmis à un niveau supérieur.
Le calcul des coûts ne tient pas la route
Cette seule exécution de Codex a coûté environ 23,74 $ en utilisation du modèle, selon les hypothèses que nous avons retenues pour le test. Exécuter la même tâche une fois par jour pendant un an reviendrait à environ 8 665 $, sans compter le temps d’ingénierie, la main-d’œuvre dédiée à l’assurance qualité, l’infrastructure de proxy/navigateur, les nouvelles tentatives, la surveillance ou la maintenance.
La facture liée aux jetons a par ailleurs déjà largement bénéficié de la mise en cache. La session a utilisé environ 28,52 millions de jetons au total, dont environ 26,95 millions de jetons d’entrée mis en cache. Un processus de production ne peut pas évaluer le coût sur la seule base d’une exécution réussie ; il doit également tenir compte des recherches ayant échoué, des pages bloquées, des modifications de mise en page des détaillants, des réexécutions, des files d’attente de révision et de la maintenance continue.
C’est là que réside le problème commercial. L’approche « à faire soi-même » n’est pas gratuite. Il s’agit d’un flux de travail partiellement automatisé présentant des lacunes importantes en matière de couverture, des risques liés à la précision et des frais généraux opérationnels.
« Développer ou acheter » : un faux dilemme
La question n’est pas de savoir si l’IA peut aider à la surveillance des prix. Elle le peut, et elle le devrait.
La meilleure question est de savoir si un workflow de codage IA polyvalent peut remplacer un système dédié de surveillance comparative des prix. Pour la tarification concurrentielle au niveau des références (SKU), notre test suggère que la réponse est non.
Un détaillant n’a pas besoin d’une feuille de calcul qui semble plausible. Il a besoin d’une couverture du marché fiable et reproductible ; d’indicateurs clairs de taux de correspondance et de précision ; et d’un flux de travail qui continue de fonctionner après la première exécution.
C’est là que les outils dédiés font la différence. Wiser combine automatisation, mise en correspondance assistée par l’IA, logique spécifique au détaillant, contrôle qualité humain là où cela s’avère nécessaire et suivi de la production, afin que les résultats puissent être utilisés dans des décisions tarifaires concrètes.
Pour ce catalogue, Wiser a offert une couverture bien plus large et une précision mesurée nettement supérieure : environ 99 % de taux de correspondance sur Amazon, 59 % de taux de correspondance sur Google Shopping et 98,4 % de précision de correspondance mesurée.
