Grosse claque ! Le mythe d’une frénésie d’achats par l’IA s’effondre ? Les portefeuilles ne seraient qu’un écran de fumée, et le véritable goulot d’étranglement fait sursauter la finance de Wall Street

Tu as probablement entendu une histoire d’achats propulsés par l’IA — et il y a de fortes chances qu’elle soit fausse.

Dans le milieu, une histoire circule : équiper un agent d’IA d’un portefeuille, et le laisser passer commande à ta place en toute autonomie — voilà le scénario le plus central de la mise en œuvre de l’IA. Ça sonne plausible, mais la logique ne tient pas debout.

L’essence du shopping consiste à relier deux types d’actions : la recherche d’informations et le jugement de valeur. La recherche — collecter, filtrer, comparer, trier — est une opération standardisable, que la machine peut entièrement prendre en charge. Le jugement de valeur — est-ce que c’est bien ? Est-ce que ça me convient ? Le commerçant est-il fiable ? — est profondément lié aux émotions subjectives des humains.

Les données d’Adobe Analytics sont très parlantes : entre juillet 2024 et juillet 2025, les visites orientées par l’IA générative vers des sites de vente au détail aux États-Unis ont explosé d’environ 4700%. Mais le récit du « portefeuille IA » suppose par défaut que l’agent peut gérer à la fois la recherche et le jugement de valeur, ce qui revient à changer les termes du débat.

Le jugement de valeur se décompose en deux niveaux : l’évaluation et la définition des besoins. L’évaluation consiste à tester les options à l’aide d’une fonction d’utilité existante ; la définition des besoins consiste à définir elle-même cette fonction d’utilité — quelles dimensions comptent ? Comment répartir les poids ? Qu’est-ce que signifie « bien » ? La définition des besoins n’est pas quelque chose de fait une fois pour toutes : elle traverse tout le parcours d’achat. Le zip déchiré, on abandonne ou non ? Quel commerçant mérite le plus la confiance ? Chaque niveau de filtrage combine « critères subjectifs humains × évaluation par l’IA ». L’automatisation ne peut remplacer que l’évaluation ; le lien qui définit la souveraineté reste toujours entre les mains des humains.

Beaucoup pensent qu’écrire une liste de critères standard suffit à tout confier ensuite — ils sous-estiment sérieusement la nature humaine. Le psychologue Paul Slovic a proposé la « théorie des préférences constructives » : les préférences ne sont pas figées dans la tête en attendant qu’on les appelle ; elles se forment progressivement au cours du choix. Les expériences sur le « renversement des préférences » montrent que deux méthodes équivalentes d’exploration (choix et tarification) produisent des classements de produits totalement différents, ce qui contredit directement les axiomes du choix rationnel.

La théorie de « l’arbitraire cohérent » proposée en 2003 par Ariely, Loewenstein et Prelec est encore plus radicale : même des chiffres aléatoires comme les dernières positions d’un numéro de sécurité sociale peuvent servir d’ancrage à l’enchère psychologique que tu mets sur un produit banal ; et même avec une expérience de consommation riche, cet effet d’ancrage ne disparaît pas. La prétendue « préférence stable » n’est qu’une illusion d’ordre fabriquée.

Ainsi, l’interaction humain-machine n’est pas une saisie ponctuelle de checklist, mais une itération continue. L’agent d’IA doit, à chaque nœud de filtrage, poser des questions ciblées : « Tu accordais de la valeur à la durabilité ; à quel niveau de surcoût, ça ne vaut plus le coup ? » Les limites sont définies en temps réel par l’humain.

La vraie ligne de séparation ne se situe pas entre produits standard et produits sur mesure, mais dans la question suivante : est-ce que « faire un choix » en soi apporte une valeur d’expérience ? Pour des articles comme du papier d’impression ou des batteries, le processus de sélection n’apporte aucune expérience : c’est exactement le genre de cas où on peut confier à l’IA un renouvellement automatique des achats. Pour le vin, les manteaux, les livres — la sélection elle-même est une partie essentielle du plaisir de consommer. Donner le pouvoir de jugement à la machine revient à priver la consommation de son plaisir.

Même si l’IA répond gratuitement tout au long du processus, les gens ne veulent pas déléguer entièrement. Pour les produits à valeur d’expérience, le rôle correct de l’agent d’IA est celui d’un collecteur d’informations : mener la recherche, faire un premier filtrage, faire correspondre les paramètres, vérifier les vendeurs, réduire 200 options à 5, puis laisser le choix final aux humains.

Certains diront : « Si l’IA me demande juste mes critères, c’est bon non ? » Justement non : répéter la question sur tes critères finit par déformer ton choix final. L’expérience de dégustation de confiture de Wilson et Schuller en 1991 dit tout : exiger des participants qu’ils structurent leurs raisons de préférence à l’avance entraîne ensuite de plus grands écarts par rapport aux classements et aux critères de jugement professionnels ; et des expériences ultérieures prouvent que forcer les gens à lister des raisons une par une les fait choisir avec une satisfaction post-achat plus faible — comme une décoration en trompe-l’œil. Le langage ne peut décrire que des caractéristiques de surface faciles à exprimer ; il ne peut pas saisir les préférences internes réelles.

On arrive alors à un « triangle impossible » en trois versions : interroger activement l’IA — c’est aligné sur les préférences réelles, mais avec une friction d’interaction très élevée, voire une distorsion du choix ; déduire à partir des comportements passés — l’opération est fluide, mais prisonnière des préférences d’hier, et tue l’exploration nouvelle ; laisser l’humain autonome tout au long — on conserve totalement le pouvoir de choisir, mais on y perd énormément de temps et d’énergie.

La quatrième voie est l’« interaction par sélection » : l’IA affiche directement 3 options, l’humain choisit directement. La méthode est à la fois simple et précise, car tu n’as pas besoin de nommer abstraitement des critères que tu as souvent du mal à nommer. L’expérience classique sur la surcharge de choix — quand Iyengar et Lepper en 2000 proposaient 6 confitures, le taux de conversion était bien supérieur à celui de 24 — a longtemps été considérée comme une règle inébranlable, mais des analyses ultérieures ont renversé cette conclusion. La synthèse à grande échelle de Shepiben, et al. en 2010 a constaté que l’effet général de surcharge de choix n’existe pas. Les analyses de 99 études menées par Chernev, Böckenholt et Goodman en 2015 montrent que l’effet de surcharge n’apparaît que lorsque la complexité du produit est élevée, la difficulté de décision est forte et les préférences personnelles sont floues. Les auteurs ont ensuite reconstitué que, avec 24 produits, les consommateurs manquaient de temps pour structurer leurs préférences.

La vraie autonomie se situe entre « l’agent applique mes critères » et « l’agent invente des critères de façon arbitraire à partir de l’historique ».

Revenons au récit du « portefeuille IA » : il mélange trois choses indépendantes — le décideur, l’exécutant et le détenteur des fonds. Donner un portefeuille à l’IA ne résout que la question de la détention des fonds ; ce n’est que lorsque l’IA a aussi le pouvoir de décision que la garde des fonds a un sens.

Trois situations : l’humain décide et paie lui-même ; l’agent ne fait que jouer le rôle de “repérage”. Dans la deuxième : l’humain décide puis mandate l’agent pour exécuter (« Oui, j’achète celui-là ») ; dans ce cas, l’agent est responsable du règlement, mais n’a pas besoin de gérer l’argent, seulement une autorisation limitée, circonscrite et révocable. La troisième — et la seule véritable — : l’IA décide et paie de façon autonome, sans présence humaine.

Ce qui est intéressant, c’est qu’en 2025, l’industrie mondiale des paiements a déjà déployé des schémas d’autorisations par couches. OpenAI, en partenariat avec Stripe, a lancé un accord commercial pour agents intelligents : des jetons de paiement “liés” à un seul commerçant, pour un montant fixe, et à usage unique dans un délai limité, de sorte que l’IA n’obtient pas le numéro de carte complet. MasterCard a publié en avril Agent Pay : des jetons limités aux agents, à des commerçants désignés, et avec une autorisation liée à l’utilisateur. Google a lancé en septembre le protocole AP2 : il sépare clairement « le justificatif d’autorisation des besoins utilisateur » et « le justificatif de liste d’achat de l’IA », les deux étant des preuves cryptographiques vérifiables. Visa a lancé en octobre un protocole d’agent de confiance, avec la même logique.

Les principaux acteurs des paiements prouvent tous, sans concertation, le point central : il n’est pas nécessaire de confier les fonds à l’IA ; il suffit d’accorder des permissions d’exécution limitées.

Alors, quels sont les véritables cas d’usage d’un portefeuille autogéré par l’IA ? La consommation de détail a presque aucun besoin ; l’espace réel se situe dans les produits de gros hautement standardisés et le règlement automatique entre machines. Le protocole x402, lancé par Coinbase et Cloudflare, permet des paiements entre agents sans intervention humaine, avec une facturation 7×24 basée sur des appels API : en quelques mois, le volume de transactions a dépassé 100 millions d’opérations. MasterCard a aussi lancé simultanément Agent Pay orienté machines, pour les règlements machine haute fréquence, faible latence et de petits montants. C’est une infrastructure de base de l’économie des machines, pas quelque chose destiné à acheter des vêtements pour un individu.

Ce récit n’est pas faux en soi, mais son importance a été complètement inversée : le portefeuille autogéré par l’IA n’a de la valeur que dans des scénarios où les produits sont fortement homogènes et où le montant par opération est faible.

Cela explique aussi le basculement récent du centre de gravité dans la filière crypto : ce n’est plus un récit de “libération de la consommation pour les individus”, mais un approfondissement des infrastructures de niveau institutionnel — dénouement de stablecoins, tokenisation des actifs, services au niveau entreprise. Le département achats d’une entreprise est l’expression institutionnalisée de l’achat “d’innombrables petites tâches” : on dissocie l’esthétique subjective et on décide uniquement selon les spécifications, le prix et les clauses contractuelles — en substance, c’est l’achat par agent intelligent, en version humaine. Le portefeuille IA n’est qu’une automatisation de processus que les entreprises ont déjà rendus mûrs ; il n’y a pas de rupture des modèles de comportement.

Aujourd’hui, beaucoup d’entreprises externalisent les achats de fournitures de bureau. Dans ce cas, l’avantage concurrentiel d’une plateforme n’est pas un prix bas, mais la réduction du coût des processus. Les entreprises acceptent un surcoût sur le produit pour réduire les coûts de main-d’œuvre. Les agents d’IA peuvent réduire le coût de passation des commandes pour presque zéro, tout en gérant la recherche de fournisseurs dispersés ; la plateforme ne conserve que la fonction de vérification de conformité. C’est précisément là que se trouve le vrai goulot d’étranglement.

La formulation précise serait : faire correspondre l’outil au scénario. Le portefeuille en garde autonome s’adapte aux achats entreprise de produits standardisés et au règlement automatique entre machines ; pour la consommation individuelle, il n’est pas nécessaire d’autogérer des fonds — il suffit d’autoriser un jeton de paiement unique, dans un périmètre limité.

Même pour les achats entreprise, tout n’est pas du produit standardisé. Les choix stratégiques, comme pour un cabinet d’avocats ou une acquisition de cible, doivent être décidés par l’humain, comme choisir un vin. Un portefeuille autogéré par l’IA n’apporte de la valeur que sur la couche des produits standardisés ; les activités standardisées sont concentrées en interne dans l’entreprise.

Le vrai goulot n’a jamais été le paiement. La technologie de circulation des fonds est déjà mature ; le blocage se trouve à deux endroits.

D’abord, l’absence de sources de données fiables. La condition préalable d’une décision automatisée est que les données soient réelles et fiables. Les fausses évaluations sont un problème déjà largement connu dans l’industrie. La Federal Trade Commission américaine a adopté en 2024 une nouvelle règle (entrée en vigueur le 21 octobre) interdisant explicitement les fausses évaluations : elle indique que l’IA générative abaisse nettement le seuil pour produire en masse de fausses évaluations, et prévoit des amendes pouvant aller jusqu’à 51 744 dollars par transaction non conforme. Les contrefaçons physiques posent aussi un défi : les données de l’OCDE et de l’Office de l’UE pour la propriété intellectuelle en 2025 montrent qu’en 2021, le commerce mondial de contrefaçons a atteint environ 467 milliards de dollars, soit 2,3% du total du commerce mondial ; dans l’UE, les contrefaçons importées représentent 4,7% du volume d’importation, avec des zones particulièrement touchées dans les vêtements, chaussures et sacs, produits de luxe. Les preuves de traçabilité produit, des évaluations réelles vérifiables, et des expertises indépendantes tierces sont les conditions préalables pour que l’IA juge en sécurité un produit.

Ensuite, le pouvoir de définir les besoins humains ne peut pas être automatisé. Tant que les critères de besoin sont définis par des humains, le filtrage, la comparaison et le règlement peuvent être automatisés ensuite. Mais le fait même de définir ses propres besoins, par nature, ne peut pas être confié à la machine. Si l’IA génère à ta place les critères de besoins, les préférences qui en résultent ne t’appartiendront pas.

Donner un portefeuille à un agent d’IA ne résout que l’étape la plus simple liée aux fonds. La direction qui vaut vraiment un investissement : automatiser de façon sûre et contrôlable l’évaluation et le filtrage, tout en redonnant à l’humain deux droits essentiels — définir les critères d’évaluation, et profiter du plaisir du choix final.

Pour les produits de consommation orientés expérience, dès que le canal d’achat est “commercialisé”, ton produit n’est plus le produit lui-même : c’est le choix qui devient l’objet. Les plateformes doivent optimiser le degré de standardisation de l’information pour permettre à l’IA de la rechercher : une traçabilité complète et vérifiable, des données propres et structurées, afin de guider l’IA vers leur propre plateforme. Puis préserver les avantages que l’automatisation ne peut pas remplacer : élargir les frontières de l’exploration gustative des utilisateurs et offrir l’expérience plaisante de la sélection finale. En confiant la collecte d’informations aux agents d’IA, la compétitivité centrale de la plateforme se concentre sur la création d’une meilleure expérience de choix.

Suivez-moi : obtenez plus d’analyses et d’insights en temps réel sur le marché crypto !

#GUSD年化升至3.8% $BTC $ETH $SOL #GateDEX intègre entièrement RobinhoodChain #International Soft / INESA et Darkside of the Moon s’associent pour déployer AgenticAI