E-commerce
26 juin 2026
Sur une boutique en ligne, les recommandations produits et l’assistant shopping IA promettent la même chose : aider le client à acheter plus vite, plus juste, avec moins d’hésitation.
Pourtant, leur rôle n’est pas le même. Les recommandations exploitent des signaux implicites : produit consulté, historique, panier, similarité, popularité. L’assistant shopping IA travaille sur un autre terrain : il comprend une demande, pose une question, compare, rassure, puis recommande.
Cet article #17 complète les contenus sur les recommandations sans les répéter : il vous aide à décider quoi installer, où le placer, comment combiner les deux, et quels KPI suivre pour arbitrer sans intuition vague.
Sommaire
Quelle est la vraie différence ?
Une recommandation produit pousse une suggestion. Un assistant shopping IA construit un conseil. Cette nuance change tout dans le parcours.
Recommandations produits
Elles affichent des produits liés, similaires ou complémentaires, souvent sans dialogue. Shopify distingue notamment les recommandations related, proches du produit consulté, et complementary, utiles pour les accessoires ou bundles (Shopify product recommendations).
Assistant shopping IA
Il répond quand le client exprime un besoin : « lequel choisir ? », « est-ce compatible ? », « quel modèle pour mon usage ? ». Il ne se contente pas d’afficher, il explique pourquoi.
Quand les recommandations suffisent-elles ?
Achat simple : le client comprend vite la différence entre produits
Cross-sell évident : capsules avec machine, chaussettes avec chaussures
Réachat : historique client riche et préférences stables
Catalogue propre : tags, collections et descriptions fiables
Faible doute : peu de questions avant achat
Dans ces cas, améliorez d’abord les blocs existants : emplacement, titre, produits exclus, disponibilité, cohérence avec le panier. Un bon bloc « À associer avec » vaut mieux qu’un assistant mal cadré.
Exemple rapide
Une boutique café n’a pas besoin d’un long dialogue pour proposer filtres, capsules ou détartrant après l’achat d’une machine. La recommandation complémentaire suffit, car le besoin est évident et peu risqué.
Même logique pour les basiques récurrents : si le client rachète le même consommable tous les mois, ne l’obligez pas à discuter.
Quand l’assistant devient-il plus utile ?
Besoin flou : cadeau, usage, budget, niveau
Comparaison : deux gammes proches ou plusieurs variantes
Produit complexe : technique, beauté, sport, B2B
Objection : retour, livraison, compatibilité, garantie
Panier élevé : le client veut être rassuré avant de payer
Gorgias décrit Shopping Assistant comme une capacité pré-achat qui répond aux questions produit, recommande selon la navigation, le panier et ce que le client dit, puis peut guider jusqu’à l’achat (Gorgias Shopping Assistant).
Exemple rapide
Une boutique running peut afficher des chaussures similaires, mais seul un assistant peut demander terrain, distance, niveau, douleur éventuelle et budget avant de recommander deux modèles avec une vraie justification.
Comment choisir par type de page ?
Le bon levier dépend aussi de l’endroit où le client se trouve.
Homepage : recommandations personnalisées ou tendances
Collection : filtres, produits populaires, assistant si le choix est large
Fiche produit : recommandations similaires, assistant sur objections
Panier : compléments simples, assistant sur livraison ou retour
Post-achat : recommandations de réachat ou accessoires
Sur une fiche produit complexe, le meilleur duo est souvent simple : un bloc similaire pour explorer, un assistant pour trancher.
Règle de placement
Si le client compare des critères visibles, comme prix ou couleur, une recommandation suffit. S’il arbitre des critères personnels, comme usage, taille ou compatibilité, proposez l’assistant.
Quels signaux doivent déclencher l’assistant ?
L’assistant ne doit pas surgir partout. Il doit apparaître quand un doute est probable.
Temps long sur fiche sans ajout panier
Retour entre plusieurs produits proches
Consultation répétée des avis ou du guide des tailles
Recherche interne sans clic convaincant
Abandon panier après question livraison ou retour
Exemple : un client consulte trois vestes de trail, revient deux fois à la même fiche, puis scrolle jusqu’aux retours. Le bon message n’est pas « besoin d’aide ? », mais « Je peux comparer imperméabilité, poids et usage montagne en 30 secondes. »
Message à tester
« Vous hésitez entre plusieurs modèles ? Dites-moi votre usage principal et votre budget, je vous propose deux options maximum. » Ce message crée moins de friction qu’une ouverture de chat générique.
Quelles données préparer ?
Les deux leviers dépendent du même socle : un catalogue exploitable.
Attributs : matière, taille, compatibilité, usage, niveau
Stock : ne jamais pousser une variante indisponible
Prix : fourchettes et alternatives cohérentes
Règles : retours, garanties, livraison, exclusions
Guidance : produits à prioriser ou à éviter selon un besoin
Shopify explique que ses recommandations liées peuvent s’appuyer sur historique d’achat, descriptions et collections, tandis que les complémentaires demandent souvent une configuration via Search & Discovery (Storefront API productRecommendations).
Comment éviter les recommandations contradictoires ?
La pire expérience : un carrousel pousse un produit pendant que le chat recommande l’inverse.
Règle pratique
Les recommandations et l’assistant doivent lire les mêmes priorités : disponibilité, marge acceptable, exclusions, compatibilité, saison, politique commerciale.
Exemple
Si un produit est exclu car fragile en livraison internationale, le bloc reco et l’assistant doivent l’éviter sur ce marché. Sinon, le client reçoit un conseil incohérent et l’équipe support paie l’erreur.
Rituel mensuel
Comparez les dix produits les plus poussés par vos recommandations avec les dix produits les plus conseillés par l’assistant. Les écarts doivent s’expliquer : stock, marge, usage, saison ou vraie meilleure adéquation.
Quel modèle hybride tester ?
Sur 30 jours, choisissez une catégorie à fort trafic et fort doute.
Conserver les recommandations actuelles sur PDP et panier
Ajouter l’assistant seulement sur fiches complexes
Créer 5 prompts : comparer, taille, compatibilité, livraison, budget
Afficher deux produits maximum après dialogue
Mesurer ajout panier, conversion et satisfaction par parcours
Le test doit répondre à une question précise : l’assistant convertit-il les hésitations que les recommandations ne traitent pas ?
Décision après 30 jours
Si le CTR des recommandations monte mais la conversion reste stable, travaillez la pertinence produit. Si l’assistant obtient moins d’ouvertures mais plus d’ajouts panier, étendez-le sur les pages où le doute est le plus cher.
Quels KPI suivre séparément ?
Recommandations : CTR bloc, ajout panier, revenu recommandé, panier moyen
Assistant : ouvertures, recommandations cliquées, ajout panier assisté, conversion assistée
Qualité : questions résolues, handoff, avis client, retours produit
Comparatif : sessions avec reco cliquée vs sessions avec assistant utilisé
Marge : impact des remises ou upsells proposés
Shopify Engineering décrit en 2026 les recommandations comme une prédiction du prochain produit dans une séquence d’événements d’achat (Shopify generative recommender). L’assistant, lui, doit être jugé sur sa capacité à transformer une intention exprimée en décision.
Lecture pratique
Ne comparez pas seulement les volumes. Les recommandations peuvent générer beaucoup de clics à faible intention, tandis que l’assistant peut générer moins d’interactions mais plus proches de l’achat. Ajoutez toujours un marquage d’attribution clair par source et par page.
Quelles erreurs éviter ?
Tout remplacer : un assistant ne remplace pas les bons blocs de réachat
Tout empiler : trop de widgets créent de la confusion
Conseil vague : réponses qui reformulent les fiches sans trancher
Stock ignoré : produits recommandés mais indisponibles
Aucune attribution : impossible de savoir quel levier vend
La règle la plus saine : recommandations pour la découverte passive, assistant pour l’hésitation active, humain pour les cas atypiques ou paniers très élevés.
Comment Qstomy combine conseil et recommandation ?
Qstomy complète vos recommandations existantes sans les remplacer. L’objectif est d’ajouter une couche de conseil là où le client hésite encore.
Scénario DTC maison
Boutique Shopify, 520 références déco. Les blocs recommandations fonctionnent sur accessoires, mais les fiches luminaires convertissent mal. Qstomy est lancé sur les pages à fort doute : dimension, pièce, intensité, style.
Hypothèse de pilote : 1 600 conversations/mois, 42 % demandent une comparaison, 260 recommandations conversationnelles cliquées, 88 ajouts panier assistés, panier moyen assisté 96 € contre 78 € sur sessions non assistées. Les questions récurrentes servent aussi à améliorer les filtres et descriptions.
Dans ce scénario, les recommandations restent utiles pour les ampoules et accessoires. Qstomy prend le relais quand le client doit choisir selon la pièce, la hauteur sous plafond ou l’ambiance recherchée.
Voir assistant IA de vente, intégration Shopify, recommandations contextuelles et demander une démo.
Quels playbooks lancer cette semaine ?
Playbook 1 : audit des blocs
Listez vos 10 blocs recommandations les plus visibles. Notez CTR, ajout panier, revenu et cohérence produit.
Playbook 2 : audit des hésitations
Listez les 20 questions pré-achat les plus fréquentes. Si elles demandent du conseil, l’assistant a sa place.
Playbook 3 : test catégorie
Choisissez une catégorie complexe. Gardez les recommandations et ajoutez l’assistant sur 5 scénarios précis pendant 30 jours.
Playbook 4 : décision
Si les recommandations génèrent du revenu sans questions, optimisez-les. Si l’assistant convertit les hésitations, étendez-le. Si aucun ne progresse, corrigez d’abord le catalogue. Gardez une seule décision par catégorie, sinon l’équipe ne saura pas quoi améliorer.
Maillage utile
Découverte : chatbot découverte vs recherche interne
Data : zero-party data chatbot
KPI : KPI chatbot e-commerce
Fiches : optimiser une fiche produit
Enzo
26 juin 2026
