Pourquoi l'achat par agent IA est-il difficile à généraliser ?
TechFlow SélectionTechFlow Sélection
Pourquoi l'achat par agent IA est-il difficile à généraliser ?
Le véritable goulot d'étranglement n'a jamais été le paiement.
Dédié à des analyses Web3 approfondiesÉcrit par : Anderl
Traduit par : Chopper, Foresight News
Une affirmation circule actuellement dans les secteurs de l'IA et de la crypto : équiper les agents IA de portefeuilles pour qu'ils effectuent les achats à la place des humains constituerait le cas d'usage principal de l'IA. Cet argument semble simple et parfait, comme s'il incarnait l'avenir, mais sa logique interne ne résiste pas à l'examen. Cette perspective confond les difficultés et les aspects simples des achats, plaçant ainsi l'étape de paiement, la plus simple, au cœur du dispositif.
Metsons d'abord le paiement de côté et revenons à l'acte d'achat lui-même.
Les deux comportements fondamentaux des achats
L'achat est essentiellement composé de deux actions désormais liées : la recherche d'informations et le jugement de valeur. La recherche (collecte, filtrage, comparaison, tri préliminaire) possède des attributs standardisés et peut presque entièrement être confiée à un agent machine ; tandis que le jugement de valeur (ce produit est-il bon, me convient-il, le commerçant est-il fiable) est une étape profondément liée aux émotions subjectives humaines.
Les données ont déjà prouvé que la recherche d'informations se transfère rapidement vers l'IA. Selon les données d'Adobe Analytics, de juillet 2024 à juillet 2025, le trafic généré par l'IA générative vers les sites de vente au détail américains a augmenté d'environ 4700 %. Cependant, le récit du « portefeuille IA » suppose par défaut que l'agent intelligent peut gérer à la fois la recherche et le jugement de valeur, ce qui est la clé du glissement conceptuel de toute cette logique. La recherche peut être entièrement déléguée à la machine, mais le jugement de valeur ne peut être partiellement confié que dans des conditions spécifiques et ne peut être délégué dans la plupart des scénarios.
Le jugement de valeur se divise également en deux niveaux
Plus crucial encore, le jugement de valeur lui-même n'est pas une dimension unique, mais se divise en deux parties. L'une est l'évaluation, c'est-à-dire tester diverses options selon une fonction d'utilité. L'autre est la définition des besoins, c'est-à-dire d'abord établir la fonction d'utilité : quelles dimensions sont importantes, quels sont leurs poids, quelles valeurs sont contraignantes, et quelle est la signification finale du « bon ».
La définition des besoins ne se fait pas une seule fois au début, mais traverse tout le processus d'achat. Les normes de conformité des produits sont décidées par vous ; le fait d'abandonner directement un produit en cas de fermeture éclair cassée dépend de vos critères d'évaluation ; le choix du commerçant dépend de vos orientations de valeur. Chaque niveau de filtrage suit la logique « standards subjectifs humains × évaluation machine IA ». L'automatisation ne peut remplacer que l'étape d'évaluation ; la souveraineté de la définition des besoins reste toujours entre les mains des humains.
Beaucoup pensent à tort qu'il suffit aux humains de rédiger une fois une liste de critères pour pouvoir se retirer complètement, ce qui sous-estime gravement la logique décisionnelle humaine. De nombreuses recherches dans le domaine de la décision confirment que les préférences humaines ne sont pas fixes. Le psychologue Paul Slovic a proposé la théorie des préférences constructives : il n'existe pas en nous un ensemble de goûts prêts et fixes à être récupérés ; les préférences se forment progressivement au cours du processus de choix. L'expérience du « renversement de préférence » le confirme : deux méthodes d'enquête équivalentes, le choix et la tarification, aboutissent à des classements de produits complètement différents, violant les axiomes de base du choix rationnel.
Ariely, Loewenstein et Prelec ont proposé en 2003 la théorie de la « cohérence arbitraire » : même des chiffres aléatoires sans rapport, comme les derniers chiffres de la sécurité sociale, peuvent ancrer l'offre psychologique des gens pour des produits ordinaires ; et cet effet d'ancrage ne disparaît pas avec l'expérience de consommation ou les transactions de marché. La soi-disant « préférence stable » n'est qu'une illusion d'ordre construite artificiellement.
Par conséquent, l'interaction homme-machine ne peut pas consister à remplir une fois une liste de critères, mais nécessite une communication itérative continue. L'agent IA pose des questions ciblées à chaque nœud de filtrage : « Vous accordiez auparavant de l'importance à la durabilité ; à quel niveau de prix la durabilité cesse-t-elle d'être rentable pour vous ? », puis l'humain définit cette limite en temps réel.
La véritable ligne de démarcation : l'achat est-il une corvée ou une jouissance en soi ?
L'industrie a toujours l'habitude de diviser les scénarios en « produits standardisés / produits personnalisés » ; le désaccord ne porte pas sur la quantification des standards, la véritable ligne de démarcation est : l'acte de faire un choix possède-t-il lui-même une valeur expérientielle ?
Pour le papier d'imprimante, les piles ou les produits nécessitant un réapprovisionnement régulier, le processus de sélection n'a aucune valeur expérientielle. Personne ne veut dépenser d'énergie pour comparer deux cartouches d'encre presque identiques. Ces produits sont naturellement adaptés à une gestion complète par un agent IA ; le réachat automatique par la machine n'entraîne aucune perte d'expérience.
Pour la consommation de plaisir, la situation est exactement opposée. Vin rouge, meubles, manteaux, livres : la sélection elle-même fait partie du plaisir de consommation. Si le pouvoir de jugement est confié à la machine, bien que le coût temporel soit épargné, cela prive directement du plaisir central de la consommation. Même si l'IA répond gratuitement aux questions tout au long du processus, les gens ne souhaitent pas déléguer complètement.
Pour les produits de plaisir, l'agent IA ne devrait pas décider pleinement, mais passer au rôle de collecteur d'informations : effectuer la recherche, le filtrage préliminaire, la correspondance des paramètres, la vérification des qualifications des commerçants, extraire les problèmes communs des produits à partir d'un grand nombre d'avis, réduire 200 options à 5, puis laisser le droit de choix final aux humains.
Le triple dilemme contradictoire : interrogation par l'IA, déduction historique, choix autonome
Certains diront : l'IA ne peut-elle pas simplement demander mes critères d'évaluation ? Cette méthode est précisément un mode inefficace que les gens ordinaires rejettent quotidiennement ; plus mortel encore, interroger répétitivement sur les critères faussera le choix final des personnes.
Wilson et Schooler ont mené en 1991 une expérience d'évaluation de confiture : les groupes auxquels on avait demandé à l'avance de clarifier les raisons de leurs préférences ont donné des classements finalement plus éloignés des standards de dégustation professionnels ; des expériences ultérieures ont prouvé que forcer les gens à énumérer une par une les raisons de leur choix les amenait à sélectionner des tableaux décoratifs dont la satisfaction postérieure était plus faible. Le langage ne peut décrire que des caractéristiques de surface faciles à exprimer, incapable de capturer les préférences réelles intérieures ; des sentiments comme le goût et l'esthétique ne peuvent dépendre que de la perception et sont difficiles à définir par des mots.
Il en résulte un triple dilemme impossible à concilier simultanément :
- Interrogation proactive de l'IA : s'aligne sur les préférences réelles actuelles, mais le frottement interactif est extrêmement élevé, voire fausse le choix ;
- Déduction basée sur le comportement historique : opération fluide, mais enferme dans les préférences passées, étouffant toute nouvelle exploration de consommation ;
- Jugement autonome humain tout au long du processus : conserve complètement le droit de choix, mais consomme beaucoup de temps et d'énergie.
Une quatrième solution intermédiaire peut éviter les inconvénients ci-dessus : une interaction par reconnaissance, plutôt qu'une interrogation article par article. L'IA affiche directement 3 options, l'humain n'a qu'à choisir directement. Cette méthode est à la fois économique et précise, car elle ne nécessite pas de nommer abstraitement des standards que vous ne pouvez souvent pas nommer.
L'expérience classique de surcharge de choix peut corroborer ce point. Iyengar et Lepper ont mené en 2000 une expérience de stand de dégustation de confiture ; lorsque 6 types de confiture étaient exposés, le taux de conversion d'achat était bien supérieur à celui de 24 types de confiture. Cependant, cette théorie est controversée ; plusieurs analyses expérimentales ultérieures ont infirmé cette conclusion. Scheibehenne et al. ont résumé en 2010 un grand nombre d'expériences et ont découvert qu'il n'existait globalement pas d'effet de surcharge de choix universel ; l'analyse de Chernev, Bockenholt et Goodman en 2015 couvrant 99 études a montré que l'effet de surcharge n'apparaît que lorsque la complexité des produits est élevée, la difficulté de décision grande et les préférences personnelles floues. Les auteurs originaux ont également mentionné lors d'une revue ultérieure que, face à 24 produits, les consommateurs manquaient de temps suffisant pour clarifier leurs propres préférences. L'autonomie au sens véritable existe entre « l'agent applique mes standards » et « l'agent fabrique des standards à partir de rien selon mon historique ».
Retour au « portefeuille IA » : le paiement n'est que le lien le plus secondaire
En clarifiant la logique ci-dessus, on peut comprendre les failles du récit « équiper l'IA d'un portefeuille ». Cette affirmation confond trois choses complètement indépendantes : le sujet décisionnel, le sujet exécutant, le sujet détenteur des fonds. « Équiper l'IA d'un portefeuille » ne résout que le problème de la détention des fonds ; la garde des fonds n'a de sens que lorsque l'IA possède également le pouvoir de décision.
Trois situations. Première situation, l'humain décide et paie lui-même. Dans ce cas, l'agent ne paie pas, mais agit comme éclaireur. Deuxième situation, l'humain prend la décision et délègue la tâche d'exécution à l'agent (« Oui, achète ça »). À ce moment, l'agent est responsable du règlement, mais n'a pas besoin de garder les fonds, il suffit d'une autorisation limitée et révocable pour cet achat approuvé. Ce n'est que dans la troisième situation, lorsque l'agent décide autonomement et paie sans présence humaine pour le règlement, que le portefeuille lui-même assumera la responsabilité du paiement.
Il est intéressant de noter que l'industrie mondiale des paiements a déjà mis en œuvre en 2025 des solutions d'autorisation stratifiées, distinguant complètement « autorisation » et « garde des fonds » :
- OpenAI conjointement avec Stripe a lancé un accord commercial d'agent intelligent, générant des jetons de paiement partagés liés à un seul commerçant, montant fixe, utilisation unique limitée dans le temps, l'IA ne peut pas obtenir le numéro complet de la carte bancaire ;
- Mastercard a publié Agent Pay en avril 2025, générant des jetons dédiés limités à l'agent, commerçant désigné, liés aux règles d'autorisation de l'utilisateur ;
- Google a lancé en septembre 2025 le protocole de paiement intelligent AP2, séparant clairement les « justificatifs d'autorisation de besoins utilisateurs » et les « justificatifs de liste d'achat IA », les deux types étant des justificatifs cryptographiques vérifiables, correspondant parfaitement à la logique stratifiée « définition des besoins / évaluation machine » mentionnée précédemment ;
- Visa a lancé en octobre 2025 le protocole d'agent de confiance, avec une approche cohérente avec les solutions ci-dessus.
Les principales institutions de paiement ont prouvé sans concertation le point central de cet article : il n'est pas nécessaire de confier les fonds à l'IA, il suffit d'accorder des permissions d'opération limitées.
Alors, où se trouve le véritable scénario d'application du portefeuille en garde indépendante par l'IA ? Les scénarios de vente au détail de consommation n'ont presque pas besoin de portefeuille en garde par l'IA ; le véritable espace de mise en œuvre de cette solution se trouve dans les matières premières standardisées et le règlement automatique entre machines. Coinbase et Cloudflare ont conjointement lancé le protocole x402, comblant le vide des canaux de paiement par carte traditionnels : prend en charge le paiement automatique entre agents sans intervention humaine, 7×24 heures, facturé par appel API, le volume de transactions a dépassé 100 millions en quelques mois après le lancement. Mastercard a lancé simultanément Agent Pay orienté machine, servant les règlements machine fréquents, à faible latence et de petit montant. C'est l'infrastructure de base de l'économie machine, et non destinée aux achats individuels.
Ce récit lui-même n'est pas erroné, mais l'importance est complètement inversée : le portefeuille en garde indépendante par l'IA n'a de valeur importante que dans les scénarios où les produits sont hautement homogènes et le montant unitaire faible.
Où le portefeuille devrait-il vraiment être placé
Cela explique également le changement de focalisation du secteur crypto ces deux dernières années : ne plus mettre l'accent sur le récit de libération de la consommation orientée grand public, mais approfondir l'infrastructure de base institutionnelle — compensation en stablecoins, tokenisation d'actifs, services de niveau entreprise. Ce n'est pas abandonner le secteur des achats par IA, mais revenir au domaine vraiment adapté au mode de garde de portefeuille : le côté entreprise. Le département des achats d'entreprise est lui-même l'incarnation institutionnelle des « achats de pures corvées », le processus d'achat dépouillé de l'esthétique subjective et des sentiments personnels, dépendant entièrement des spécifications, prix, exécution, clauses contractuelles pour la décision, essentiellement une version humaine des achats par agent intelligent. Le portefeuille IA ne fait qu'automatiser un processus déjà mature dans les entreprises, sans subversion du mode de comportement.
Aujourd'hui, de nombreuses entreprises externalisent les achats de fournitures de bureau et de consommables de faible valeur ; la compétitivité centrale de plateformes comme Mercateo et Amazon Business n'est pas le bas prix, mais la réduction des coûts de processus : catalogue d'achat unifié, factures consolidées. Les entreprises sont prêtes à accepter une légère prime unitaire en échange d'une réduction significative des coûts de main-d'œuvre d'achat ; les coûts de processus des consommables de faible valeur sont souvent supérieurs à la valeur du produit lui-même. L'agent IA peut réduire le coût de main-d'œuvre de passation de commande à près de zéro, tout en recherchant parmi une multitude de fournisseurs dispersés ; la plateforme d'achat ne conserve que la fonction de vérification de conformité : audit des fournisseurs admis, rapprochement unifié, vérification anti-contrefaçon, et la vérification est précisément le goulot d'étranglement réel de tout le processus.
Par conséquent, la stratégie de mise en œuvre ne peut pas être simplement résumée par « le portefeuille sert les entreprises et non les individus », l'expression précise devrait être : l'outil correspond au scénario.
- Portefeuille en garde autonome (l'IA décide autonomement, détient les fonds, effectue le paiement) : adapté aux achats d'entreprise de produits standardisés, au règlement automatique entre machines, principalement des scénarios de réachat fréquent B2B, M2M ;
- Scénarios de consommation individuelle : pas besoin de garder les fonds, accorder uniquement des jetons de paiement uniques et à portée limitée, l'IA ne peut régler qu'après confirmation de la commande par l'humain.
« Équiper l'IA d'un portefeuille » en tant que titre promotionnel orienté grand public, vise uniquement des scénarios de niche extrêmement petits ; le véritable marché central de mise en œuvre de cette solution est le système d'automatisation backend d'entreprise.
Note complémentaire : les achats d'entreprise ne sont pas non plus tous des produits standardisés. Certaines décisions d'achat ne peuvent pas non plus être confiées à l'IA pour un traitement autonome ; juger un cabinet d'avocats, une cible d'acquisition, un fournisseur clé appartient aux choix stratégiques, les conséquences subjectives ont un impact majeur, tout comme le choix personnel du vin rouge, doit être décidé personnellement par l'humain, le portefeuille en garde autonome n'a aucune utilité dans de tels scénarios.
Cette règle s'applique à tous les domaines : le portefeuille en garde indépendante par l'IA ne joue un rôle qu'au niveau des produits standardisés, et les activités standardisées sont concentrées au sein des entreprises, où le volume est le plus important et la demande la plus dense.
Le véritable goulot d'étranglement n'a jamais été le paiement
La technologie de circulation des fonds est déjà mature, il n'existe aucun point de blocage dans le lien de paiement, le véritable goulot d'étranglement de la mise en œuvre des achats par IA réside dans deux autres aspects.
Premièrement, l'absence de sources de données fiables. La prémisse du jugement automatisé est que les données sont vraies et fiables ; une fois que les informations de base sont distordues, l'IA décisionnelle autonome amplifiera les impacts négatifs des fausses informations à la vitesse de la machine. La prolifération de fausses évaluations est déjà un problème ouvert dans l'industrie. La Federal Trade Commission américaine a introduit de nouvelles règles en 2024 (en vigueur le 21 octobre) interdisant explicitement les fausses évaluations de produits, précisant que l'IA générative réduit considérablement le seuil de fabrication en masse de fausses évaluations, une amende maximale de 51 744 dollars par violation, et à la fin de 2025, les autorités de régulation avaient émis plusieurs lettres d'avertissement.
Le problème des contrefaçons de produits physiques est tout aussi grave. Selon les statistiques de données de 2025 de l'OCDE et de l'Office de la propriété intellectuelle de l'Union européenne, l'échelle du commerce mondial de contrefaçons en 2021 était d'environ 467 milliards de dollars, représentant 2,3 % du commerce mondial total ; les importations de contrefaçons dans l'UE représentent 4,7 % du total des importations, les vêtements, chaussures et sacs, les produits de luxe sont les zones les plus touchées, appartenant justement aux catégories de consommation de type expérientiel. Les justificatifs de traçabilité unitaire, les évaluations réelles vérifiables, l'identification indépendante par tierce partie, la preuve de circulation au niveau unitaire (la directive anti-contrefaçon de l'UE, la loi américaine sur la chaîne d'approvisionnement des médicaments ont déjà imposé la mise en œuvre sur les emballages de médicaments), sont les conditions préalables pour que l'IA juge les produits en toute sécurité.
Deuxièmement, le droit de définition des besoins humains ne peut pas être automatisé. Tant que les standards de besoins sont définis par l'humain, le filtrage, la comparaison et le règlement ultérieurs peuvent tous être automatisés. Le fait de définir ses propres besoins ne peut naturellement pas être confié à la machine. Si l'IA génère les standards de besoins à votre place, les préférences finalement formées ne vous appartiennent pas.
Équiper l'agent IA d'un portefeuille ne résout que le lien des fonds le plus simple. La direction vraiment digne d'approfondissement : automatiser le filtrage et l'évaluation de manière sûre et contrôlable, tout en rendant deux droits centraux aux humains — définir les critères d'évaluation, profiter du plaisir du choix final.
Conclusion
Enfin, il faut souligner que, pour les produits de consommation de type expérientiel, une fois que le canal d'achat est commoditisé, les produits sont omniprésents. À ce moment-là, votre produit n'est plus le produit lui-même, c'est le choix. La plateforme doit optimiser son propre niveau de standardisation de l'information, facilitant la recherche par l'IA : traçabilité complète et vérifiable, données de produits structurées et propres, guidant l'IA pour diriger les utilisateurs vers sa propre plateforme. Sur cette base, maintenir les avantages centraux que l'automatisation ne peut remplacer, élargir les frontières esthétiques des utilisateurs pour une nouvelle exploration de consommation, ainsi que l'expérience plaisante de sélectionner finalement les produits. Confier la collecte d'informations à l'agent IA, la compétitivité centrale de la plateforme se concentre sur la création d'une expérience de choix de meilleure qualité.
Bienvenue dans la communauté officielle TechFlow
Groupe Telegram :https://t.me/TechFlowDaily
Compte Twitter officiel :https://x.com/TechFlowPost
Compte Twitter anglais :https://x.com/BlockFlow_News
