E-commerce
28 juin 2026
Un chatbot affirme « 100 % coton bio » alors que la fiche indique un mélange. Il promet une livraison en 24 h alors que la policy annonce 5 jours ouvrés. Il invente un code promo. C'est une hallucination IA : réponse plausible mais fausse, dite avec assurance.
En e-commerce, ce n'est pas une anecdote technique. Retours, chargebacks, plaintes réglementaires, avis « le chatbot ment ». Le RAG seul ne suffit pas : il faut validation runtime, seuils de confiance et monitoring (Swept AI, prévention hallucinations 2026).
Ce guide #123 couvre types, causes, garde-fous techniques et opérationnels, monitoring et boucles d'amélioration Shopify. Distinct de qualité réponses (#116) et de nettoyer données hub (#122) : ici prévention hallucinations IA. Complète limites chatbot (#124) et fallback Shopify (#279) quand l'API ne répond plus.
Sommaire
Qu'est-ce qu'une hallucination chatbot en e-commerce ?
Une hallucination chatbot e-commerce est une réponse factuellement incorrecte, non ancrée dans vos données, présentée avec assurance.
Hallucination vs erreur agent
L'agent oublie ou utilise une macro obsolète. Le bot génère du contenu jamais écrit dans le corpus. À l'échelle, 1 000 conversations = risque centuple. Syntaxe parfaite = détection plus subtile.
Pourquoi l'e-commerce est vulnérable
Catalogue changeant : stock, prix, promos quotidiens
Policies précises : retour, livraison, garantie
Specs critiques : dimensions, ingrédients, compatibilité
Voix marque : le bot = officiel aux yeux du client
Exemple concret
« Ce sérum convient peau grasse ? » Bot : « formulation 100 % sans huile testée dermatologiquement » sans source PDP. Produit contient huile d'argan. Retour + avis 1 étoile.
Bot e-commerce = retrieval-first, pas creative writer. Voir qualité réponses (#116).
Pourquoi les hallucinations sont-elles dangereuses ?
Les risques hallucinations bot touchent revenus, réputation et conformité.
Conséquences business
Retours : produit « pas comme promis par le bot »
Chargebacks : client cite promesse bot livraison
Avis négatifs : « le chatbot ment »
Rework agent : corriger erreur bot coûte plus cher
Legal : allégation santé non autorisée
Effet confiance inverse
Bot articulé et poli : le client croit davantage une hallucination qu'une réponse hésitante humaine. Une policy retour inventée peut coûter 10× en retour non dû + CSAT + temps agent.
Quels types d'hallucinations rencontrer le plus souvent ?
Six types d'hallucinations dominent sur Shopify DTC.
1. Specs produit inventées
Taille, matière, compatibilité, ingrédient absent du PDP. « Compatible iPhone 15 » sans vérification catalogue.
2. Policy inventée
« Retour gratuit 60 jours » vs 30 j réel. « Livraison offerte dès 30 € » vs 50 €.
3. Stock et promo faux
« Oui taille M en stock » alors que variant OOS. Code promo inventé ou promo expirée annoncée active.
4. Délai livraison erroné
Confusion domestic vs international. Retard transporteur ignoré.
5. Conseil santé ou usage
Allégation thérapeutique générée sur cosmétique ou complément. Zone réglementaire critique.
6. Recommandation produit
Cross-sell incompatible ou SKU discontinué. Guide taille inféré au lieu de chunk size chart.
Voir produits mal compris.
Quelles causes techniques et opérationnelles les provoquent ?
Comprendre les causes des hallucinations oriente les bons correctifs.
Causes techniques
Génération libre sans RAG : LLM comble lacune par invention
Mauvais chunk RAG : question taille, chunk livraison récupéré
Prompt faible : pas d'instruction « cite sources » ou « dis je ne sais pas »
Seuil confidence absent : réponse 40 % envoyée comme 95 %
Température haute : créativité LLM > 0,2 sur faits
Causes opérationnelles
Corpus stale (hub 2023 vs PDP 2026), contradictions hub vs policy, trop d'intents jour 1 sans validation, gap multilingue Markets, fine-tune sur données obsolètes. Le grounding RAG réduit typiquement 60 à 75 % des hallucinations (IrisAgent, réduire hallucinations 2026).
Voir nettoyer hub conditions (#122), entraîner bot Shopify, prioriser automation (#120).
Quels garde-fous techniques déployer en priorité ?
Quatre garde-fous techniques empilés, pas un seul levier.
1. RAG strict + validation runtime
Bot répond depuis chunks approuvés. Couche validation vérifie prix, policy, stock contre base autoritaire avant envoi client. Claim non sourcé = blocage ou escalade.
2. Données structurées first
Stock, prix, allergènes via API Shopify metafields. Pas de génération texte pour données structurées.
3. Confidence scoring
Seuil 85 % standard, 95 % réglementé. Sous seuil : handoff ou « je ne sais pas ». Citation source obligatoire sur claims factuels.
4. Blocklist et human-in-the-loop
Mots interdits : guérit, 100 % garanti, toujours en stock. Phase lancement : agent approuve réponses incertaines. Température LLM 0 à 0,2 pour support factuel.
eGrow rappelle : grounding catalogue temps réel + garde-fous = nécessité stratégique DTC 2026 (eGrow, hallucinations e-commerce 2026).
Comment construire un corpus anti-hallucination ?
Le corpus est la fondation : stale corpus = usine à hallucinations.
Sources de vérité (ordre priorité)
Fiches produit Shopify live
Pages policy site à jour
Hub conditions versionné
Macros Gorgias approuvées
Calendrier promo marketing centralisé
Hygiène hebdomadaire
Sync catalogue stock prix. Dedup une réponse par question. Date version sur chaque chunk. Retirer promos expirées. Scan contradictions hub vs PDP. Règle conflit : PDP produit bat hub générique.
Chunking
Un chunk = une info atomique. « Délai retour 30 j » séparé de « frais retour offerts ». Owner corpus nommé (bot admin), pas « installé une fois par IT ».
Comment détecter et monitorer les hallucinations ?
Sans monitoring, les hallucinations scalent avant d'être corrigées.
Signaux automatisés
Unmatched rate : question sans chunk pertinent
Low confidence log : réponses sous seuil
CSAT bot < 4 : insatisfaction post-réponse
Escalade « c'est faux » : client contredit bot
Retour motif bot : tag Shopify si applicable
QA audit mensuel
50 conversations échantillon : chaque claim factuel vs source. Cible précision 97 %+. Bouton « signaler réponse incorrecte » post-chat. Comparer réponses bot vs agent sur mêmes questions.
Test suite regression
100 questions gold standard. Run après chaque update corpus. Fail si précision < 95 %. Ajouter chaque incident réel au suite.
Voir KPI chatbot (#11), data analytics.
Comment gérer fallback, handoff et correction ?
Mieux vaut « je ne sais pas » qu'une invention confiante.
Phrase fallback type
« Je ne suis pas certain de la réponse exacte. Je vous mets en relation avec un conseiller qui vérifiera [sujet] avec les informations à jour. »
Culture interne
Fallback = succès prévention, pas échec bot. KPI déflexion ne doit pas punir handoff justifié. Précision > déflexion.
Handoff enrichi
Agent reçoit question, chunks retrieved, score confidence, contexte produit. Corrige sans re-demander au client.
Boucle correction 24 h
Incident détecté
Corriger corpus ou metafield
Ajouter test regression
Root cause : stale, bad chunk, pas RAG ?
API Shopify down : « vérifiez fiche produit » pas deviner stock. Voir réduire tickets IA.
Quelles zones exigent une prudence maximale ?
Trois zones haute prudence : coût maximal si hallucination.
Produits réglementés
Corpus locked, seuil 95 %, jamais conseil santé generative. Handoff mots-clés médicaux.
Prix, promos, stock
API prix live. Whitelist codes promo sync marketing. Inventory API temps réel. Message « stock variable, vérifiez PDP » si lag API.
Catalogue large et abonnements
5 000+ SKU : contexte produit obligatoire. Billing Recharge via API, pas date prochain prélèvement generative. Claims certification durabilité : chunk legal approved only.
Comment organiser l'amélioration continue ?
L'amélioration continue transforme incidents en barrières permanentes.
Rituel hebdomadaire
Export top 10 unmatched + low confidence
Review CSAT bot < 4
Update corpus ou intents
Re-run test suite 100 questions
Post-mortem incident
Template : question, réponse bot, réponse correcte, root cause, fix, test ajouté, date. Feedback « information incorrecte » = review prioritaire.
Saisonnalité
Pre-BFCM : audit 100 % promos corpus J-7. Post-event : retirer chunks promo sous 48 h. Nouveau SKU semaine 1 : overlay corpus temporaire jusqu'à PDP stable.
Comment Qstomy prévient-il les hallucinations ?
Qstomy empile garde-fous anti-hallucination pour boutiques Shopify.
Fonctionnalités
RAG corpus locked : sync PDP + policies
Citation source : lien chunk par réponse
Confidence gate : seuil par intent
API structurée : stock, prix, metafields
Blocklist claims : santé, promo, garantie
Regression export : suite gold questions
Rapport hebdo : top risques hallucination
Scénario DTC chiffré
Marque outdoor 500 conv/mois. M1 sans garde-fous : 8 incidents specs inventées. M2 Qstomy RAG + confidence 90 % + citation : 0 incident M3, précision audit 98 %, CSAT bot 4,4, déflexion 48 % maintenue.
Setup 14 jours
Audit contradictions corpus
Import PDP + policies structurées
Seuils confidence par intent
50 questions gold test
Citation + blocklist actifs
Rituel review hebdo calendrier
Explorez support IA, Shopify, demander une démo.
Quels playbooks opérationnels lancer cette semaine ?
Playbook 1 : audit 20 conversations bot
Vérifiez chaque claim factuel vs source PDP ou policy. Score précision. Listez écarts. Délai 3 h.
Playbook 2 : scan contradictions corpus
Comparez hub conditions vs pages policy vs macros. Flag incohérences retour/livraison/promo. Corrigez avant go-live. Délai 2 h.
Playbook 3 : 50 questions gold test
Rédigez réponses validées WISMO, retour, stock, promo, specs top 10 SKU. Run après chaque update corpus. Délai 4 h.
Playbook 4 : durcissement confidence + fallback
Seuil 85 % global, 95 % réglementé. Phrase fallback configurée. Blocklist claims actifs. Délai 1 journée ops.
Playbook 5 : rituel hebdo bot quality
Support + bot admin 30 min : unmatched, low confidence, signalements client. 1 fix corpus minimum. Récurrent.
Maillage utile
Un bot qui dit « je ne sais pas » protège votre marque. Un bot qui invente la détruit. Testez 10 questions pièges policy retour et stock : une seule invention = bloquez le go-live.
Enzo
28 juin 2026
