De temps à autre, un directeur financier examine le poste budgétaire consacré à l’analyse des prix et se demande si l’équipe ne pourrait pas simplement le mettre en place elle-même. Il suffirait de diriger Point Claude ou Codex vers le catalogue, de leur faire extraire les données des mêmes détaillants et d’éviter ainsi complètement les frais facturés par le prestataire. Sur le papier, cela semble être un problème que l’IA devrait être capable de résoudre.
Nous avons donc testé cette solution sur nos propres catalogues pour le vérifier.
Le problème avec une correspondance manquée, c’est qu’elle ne se signale pas. Il n’y a pas de message d’erreur ni d’alerte rouge dans un tableau de bord pour vous indiquer qu’une fiche produit d’un concurrent a échappé à la surveillance. La référence est tout simplement absente et toutes les décisions qui en dépendent sont prises sans que cette information soit prise en compte. C’est là le véritable risque lorsqu’on remplace une plateforme spécialement conçue par un système de collecte de données par IA « fait maison ». Au lieu qu’une erreur soit détectée par une équipe dédiée, vous ne vous en rendrez compte que plusieurs semaines plus tard, lorsque la modification de prix d’un concurrent sur une référence que vous n’avez jamais suivie aura déjà grignoté votre marge.
Pour le premier test, nous avons soumis Codex à un catalogue de 5 000 références provenant de deux détaillants et lui avons confié la même tâche que notre système de production effectue chaque jour : générer un flux de prix concurrentiels. Le traitement a duré trois heures et 23 minutes avant d’aboutir. La précision s’est établie entre 48 et 49 %, contre 97 % pour Wiser sur des catalogues similaires. Le taux d’exhaustivité, c’est-à-dire la part des références qui auraient dû correspondre et qui ont effectivement correspondu, s’est établi autour de 25 %, contre 90 % pour Wiser. L’écart n’est pas négligeable : bien plus de la moitié des prix pratiqués par la concurrence sur ce catalogue n’ont jamais été pris en compte dans le rapport.
Le deuxième test a fourni encore moins de structure à l’IA. Nous avons confié à Codex le catalogue d’un client réel comprenant 5 361 produits et l’avons laissé fonctionner de manière autonome en « mode objectif », avec pour seule instruction d’établir un rapport sur les prix de la concurrence. Cela lui a pris trois heures et vingt-trois minutes. Lorsque nous avons vérifié au hasard une vingtaine des correspondances qu’elle avait trouvées, chacune d’entre elles s’est avérée correcte. L’IA est donc véritablement capable de confirmer que deux fiches correspondent au même produit une fois qu’elle les a identifiées.
Mais les repérer s’est avéré être la partie la plus difficile. Codex a mis en évidence 2 660 correspondances sur Amazon et 39 sur Google. Le système de Wiser en trouve environ 4 000 sur Amazon et 2 000 sur Google pour ce même catalogue, ce qui signifie que l’IA n’a détecté qu’environ 2 % de ce que notre système détecte sur Google uniquement. Elle a également rencontré des problèmes dont une approche basée sur un tableur et une API ne vous avertirait pas à l’avance, notamment le blocage de l’adresse IP chez un détaillant sans configuration de proxy permettant de contourner cette restriction. La tâche a consommé 28 millions de jetons, dont 23 millions ont été mis en cache ; par conséquent, même en la relançant sur le même catalogue, le coût ne serait pas beaucoup moins élevé.
Cette tâche a coûté 23,74 $ pour une exécution unique, au tarif direct de l’API. Exécutée quotidiennement pendant un an, cela revient à environ 8 000 $, pour un catalogue d’un peu plus de cinq mille produits, avec une couverture représentant moins d’un tiers de celle d’un système conçu à cet effet. Et ce chiffre ne couvre que la facture de l’API. Il n’inclut pas le temps d’ingénierie consacré à la gestion de la rotation des proxys, de la logique de réessai et des limites de débit, autant de tâches que Wiser a déjà résolues à grande échelle. Le calcul de l’IA « à faire soi-même » ne semble attractif que si l’on ne tient pas compte du coût de la couverture manquante et de la maintenance qui en découle.
Cette différence s’explique en partie par ce qu’implique la mise en correspondance de deux annonces. Il ne s’agit pas d’une simple recherche : il faut extraire les attributs, les normaliser, les catégoriser et les comparer tous pour déterminer si deux annonces sont suffisamment proches pour être considérées comme le même produit. Wiser exécute en parallèle des correspondances basées sur des jetons et sur des vecteurs, et achemine les cas incertains vers un LLM pour révision, car l’exécution séquentielle de cette logique n’était tout simplement pas assez précise. Un agent de codage à qui l’on demande de « créer un rapport sur les prix » ne dispose d’aucune de ces infrastructures intégrées. On peut lui présenter le problème, mais on ne peut pas lui présenter l’ampleur de la tâche.
Si vous vous demandez s’il vaut mieux développer cette solution en interne, la réponse honnête est que l’IA peut reproduire une partie de ce que fait un fournisseur de veille tarifaire, et sur un petit échantillon vérifié manuellement, elle peut même sembler précise. Ce qu’elle ne peut pas encore reproduire, c’est la couverture à grande échelle, la résilience face aux obstacles que chaque détaillant dresse, ou une courbe de coûts qui reste stable au lieu de grimper au fur et à mesure que votre catalogue s’étoffe. La vraie question n’est pas de savoir si l’IA peut trouver quelques prix compétitifs. C’est de savoir si « quelques-uns » suffisent pour prendre une décision sur les marges, et si les références qu’elle passe à côté sont justement celles qui vous coûtent le plus cher.