/cas d’usage
Moteur de recommandation IA
Quelques propositions classées et justifiées pour chaque client, usager ou collaborateur.
Un moteur de recommandation classe pour chaque personne les produits, contenus ou documents qu’elle retiendra le plus probablement, d’après son historique, celui des profils proches et son contexte. Vos règles filtrent la liste. Début 2026, 28,5 % des entreprises de 20 salariés ou plus utilisant l’IA s’en servent d’abord pour leurs ventes, dans l’industrie, le bâtiment et les services marchands hors commerce et finance (Banque de France).
/usages
Un moteur de recommandation pour vendre, conseiller et retrouver.
Fnac Darty a généralisé la recommandation parmi ses cas d’usage d’IA générative, avec l’enrichissement des fiches produits. Chez les assureurs européens interrogés par l’EIOPA en 2023, les recommandations de vente croisée étaient le deuxième usage de l’IA, à égalité avec la prédiction de résiliation.
L’IA et les entreprises (Banque de France, bulletin n° 266/1, 2026) (nouvel onglet)Entretien avec Fnac Darty sur ses cas d’usage d’IA (Journal du Net, janvier 2025) (nouvel onglet)Rapport de l’EIOPA sur la numérisation de l’assurance européenne (2024) (nouvel onglet)SegmentationAssistant documentaire
- Produits complémentaires Propose dans le panier ou sur le devis l’article lié que le client oublie, d’après les paniers passés.
- Produits de substitution Signale, quand une référence manque, les articles équivalents par leurs caractéristiques, y compris d’un catalogue à l’autre.
- Documents et contenus Met en avant dans un intranet ou un portail les fiches et procédures utiles au poste et au dossier ouvert.
- Cas similaires Retrouve pour une demande, une réclamation ou un incident les cas passés les plus proches et la suite donnée.
/fonctionnement
Une présélection d’articles, puis un classement par probabilité de choix.
Le moteur s’entraîne par apprentissage automatique (Machine Learning) sur les choix passés : achats, consultations, dossiers retenus. Quand un vendeur ou un conseiller relaie la proposition, la décision lui revient.
Apprentissage automatiqueScience des données
- SignauxLe moteur réunit l’historique de la personne et le contexte de sa visite.
- PrésélectionIl retient une première liste d’articles plausibles : ceux qu’ont choisis des profils proches, ou ceux qui ressemblent aux articles que la personne a déjà retenus.
- ClassementUn second modèle estime pour chaque article présélectionné la probabilité qu’il soit retenu, puis ordonne la liste.
- Règles et raisonsVos règles écartent l’incompatible, l’épuisé ou l’exclu, et chaque proposition affiche sa raison, comme « souvent acheté avec ».
/données
Des ventes, un catalogue et un contexte reliés entre eux.
Ces données viennent du progiciel de gestion intégré (ERP) ou de la gestion commerciale, de la gestion de la relation client (CRM), du site marchand et de la gestion documentaire (GED). Une référence mal décrite ressort rarement par similarité.
- L’historique des choix Achats, devis, paniers abandonnés, documents ouverts ou dossiers traités, datés et rattachés à un compte.
- Le catalogue Caractéristiques, catégorie, prix, disponibilité et date de fin de vie de chaque référence.
- Le contexte Canal, page consultée, panier en cours, saison ou point de vente.
- Les règles métier Compatibilités entre produits, exclusions commerciales ou réglementaires, nouveautés à mettre en avant.
En 2022, environ 53 % des usages numériques des Français étaient hébergés à l’étranger.
/sur le terrain
Des propositions pour le vendeur, le client et l’équipe qualité.
Dans une feuille de route d’IA, la recherche de cas similaires, bâtie sur les demandes et les non-conformités passées, forme une brique réutilisable par plusieurs services.
La collecte des données de navigation est souvent partielle au départ, et l’entraînement s’alourdit à mesure que le catalogue s’élargit. Les cas similaires ne ressortent bien que si chaque fiche de cas est précise.
- Un service plus personnalisé sans temps commercial supplémentaire
- Une préparation des visites plus courte par une sélection de produits classés et argumentés pour chaque client
- Des causes racines retrouvées par le rapprochement de chaque incident avec les cas déjà résolus
/équité
Une équité vérifiée sur les propositions reçues.
Un modèle qui apprend des choix passés peut reproduire leurs déséquilibres. Le 10 octobre 2025, la Défenseure des droits a constaté que la diffusion algorithmique d’offres d’emploi par une plateforme en ligne constituait une discrimination indirecte liée au sexe.
Dans le secteur financier, l’ACPR juge « largement obsolète » l’équité obtenue en retirant les variables sensibles, que l’IA sait reconstituer. Nous comparons donc les propositions reçues par chaque groupe de personnes, avant l’ouverture puis en service.
Décision 2025-182 du 10 octobre 2025 (Défenseur des droits) (nouvel onglet)L’équité algorithmique dans le secteur financier (ACPR, 2026) (nouvel onglet)Supervision des modèles
/cadre
Une recommandation loyale envers le consommateur.
Une recommandation montrée à des consommateurs relève du code de la consommation et des règles de la CNIL.
Traceurs déposés sans consentement : la sanction de Shein (CNIL, 2025) (nouvel onglet)Ordonnance n° 2021-1734 du 22 décembre 2021 (Légifrance) (nouvel onglet)Veille réglementaire
- Traceurs Se déposent avec l’accord du visiteur : la CNIL a sanctionné la filiale irlandaise de Shein pour des traceurs publicitaires posés sans consentement et des refus ignorés.
- Classement payé Se signale dans les résultats de recherche : le taire est une pratique commerciale trompeuse, au même titre que les faux avis.
- Prix personnalisé S’annonce avant la conclusion d’une vente à distance, dès qu’il découle d’une décision automatisée.
/méthode
Un moteur de recommandation éprouvé sur votre propre historique.
Le moteur se conçoit en prévoyant dès le départ sa mise en production et sa maintenance. Hébergé sur vos serveurs ou en France, il se branche sur votre site, votre outil de relation client ou votre intranet par une interface de programmation (API).
Mise en production des modèles (MLOps)IA hébergée chez vousSouveraineté
- OBJECTIF L’emplacement de la proposition (panier, devis, intranet ou dossier) se fixe avec vos équipes, de même que l’indicateur qui la jugera, comme le taux d’ajout au panier.
- DONNÉES ET RÈGLES Ventes, consultations et catalogue sont reliés, les références en fin de vie retirées, et les règles de compatibilité s’écrivent avec vos équipes.
- ÉPREUVE Sur une période passée, le modèle doit retrouver les choix qui ont suivi ; ses propositions se comparent ensuite à l’affichage actuel auprès d’une partie de vos clients ou collaborateurs.
- SUIVI Les propositions ajoutées, ouvertes ou laissées de côté et la place des nouveautés se mesurent en continu ; l’entraînement repart dès qu’une baisse dure.
/dans votre secteur
Le même cas d’usage, décliné secteur par secteur.
-
Retrouve, parmi les pièces déjà fabriquées ou les échantillons de la collection, ceux qui ressemblent à une nouvelle demande, et propose au technicien les pièces détachées à prévoir pour une machine selon son historique.
-
Propose sur le site ou sur le devis le produit complémentaire que le client oublie (la colle avec le carrelage, l’accessoire avec l’appareil), d’après les paniers passés et le contexte de l’achat.
-
Propose à l’affréteur, pour chaque lot à couvrir, les sous-traitants qui ont déjà fait la ligne à bon prix, et au camion qui rentrerait à vide un fret de retour compatible avec son trajet et sa remorque.
-
Signale au conseiller, à partir des besoins recueillis et des contrats déjà en place, les garanties à examiner avec le client, qu’il retient ou écarte ensuite dans son conseil écrit et motivé.
-
Propose pour chaque commande d’un client les intérimaires du vivier qualifiés et disponibles, et à chaque candidat les offres proches de son métier, le chargé de recrutement gardant le dernier mot.
-
Propose au conseiller la variété, la dose d’azote ou la date de traitement adaptées à la parcelle, selon son sol, son historique et la météo, la décision restant à l’agriculteur.
/à savoir
Les questions fréquentes sur les moteurs de recommandation.
Règlement européen sur l’IA, annexe III (nouvel onglet)Bac à sable IA et services publics : recommandations de la CNIL (2025) (nouvel onglet)contactez-nous
Quelle différence entre filtrage collaboratif et filtrage par contenu ?
Le filtrage collaboratif (collaborative filtering) propose ce qu’ont retenu les personnes aux historiques proches, sans connaître les articles. Le filtrage par contenu rapproche les caractéristiques des articles de ceux que la personne a déjà choisis. Un moteur hybride combine les deux.
Comment un moteur de recommandation traite-t-il les nouveaux produits ?
Un produit sans historique échappe au filtrage collaboratif : c’est le démarrage à froid (cold start). Le moteur le rapproche par ses caractéristiques des produits qui lui ressemblent, et une règle de mise en avant lui réserve une place. Un nouveau client reçoit d’abord des propositions liées à son contexte.
Combien coûte un système de recommandation ?
Le coût tient aux sources à raccorder, à l’état du catalogue et au rythme de calcul : une liste recalculée chaque nuit coûte moins qu’un classement à chaque clic. L’écriture des règles de compatibilité et la durée de la comparaison avec l’affichage actuel pèsent aussi. Une recherche de cas similaires réservée à vos équipes se passe de site marchand et de données de navigation.
Un système de recommandation est-il une IA à haut risque ?
Il l’est quand sa finalité figure à l’annexe III du règlement européen sur l’IA, comme publier des offres d’emploi ciblées ou analyser et filtrer des candidatures (point 4 a). Le point 4 b) vise l’attribution de tâches selon le comportement. Suggérer un produit à un client ou une procédure à un collaborateur ne relève d’aucun de ces deux points.
Moteur de recommandation et RGPD : que faut-il savoir ?
Pour un outil de suggestions de France Travail, la CNIL estime qu’il n’y a pas de décision entièrement automatisée au sens du RGPD quand l’intervention de l’agent est significative. Elle pose pour cela des conditions : un outil intelligible, des agents formés, aucune pression à suivre la suggestion. Nous limitons le profil de chaque personne aux choix et à la période utiles au modèle, et fixons sa durée de conservation.
/sources
Sources
- Banque de France, Bulletin n° 266/1 (septembre-octobre 2026), graphique G3, 2026 (nouvel onglet)
- Journal du Net, entretien avec Antoine Pierart et Thibault Vigié de Fnac Darty, 8 janvier 2025, 2025 (nouvel onglet)
- EIOPA, Report on the digitalisation of the European insurance sector (enquête de 2023), 2024 (nouvel onglet)
- ADEME, « Évaluation de l’impact environnemental du numérique en France », mise à jour de l’étude ADEME-Arcep, janvier 2025, 2022 (nouvel onglet)
- Défenseur des droits, décision 2025-182 du 10 octobre 2025, 2025 (nouvel onglet)
- ACPR, « L’équité algorithmique dans le secteur financier » (document de réflexion, juillet 2026), 2026 (nouvel onglet)
- CNIL, communiqué du 3 septembre 2025 sur la sanction de Shein, 2025 (nouvel onglet)
- Légifrance, ordonnance n° 2021-1734 du 22 décembre 2021 (article L. 121-4 du code de la consommation), 2021 (nouvel onglet)
- Conseil de l’UE, texte adopté du règlement (UE) 2024/1689 (PE-CONS 24/24, 14 mai 2024), annexe III, point 4 a), 2024 (nouvel onglet)
- CNIL, « Bac à sable IA et services publics : les recommandations de la CNIL aux lauréats », mars 2025, 2025 (nouvel onglet)
/cas proches
- Classement de documents Trie, étiquette et range les documents entrants pour accélérer leur traitement et fiabiliser leur archivage.
- Prévision de la demande Anticipe volumes, ventes ou fréquentation à partir de l’historique, pour ajuster stocks, équipes et approvisionnements.
- Maintenance prédictive Repère dans les données des capteurs les signes avant-coureurs d’une panne, pour intervenir avant l’arrêt.
- Détection d’anomalies et de fraudes Signale les transactions, déclarations ou mesures atypiques, pour qu’un expert les examine en priorité.
- Priorisation des dossiers Classe dossiers, demandes ou prospects selon leur urgence ou leur probabilité d’aboutir, pour mieux répartir le travail.
- Anticipation des départs Repère les clients, abonnés ou adhérents susceptibles de partir, pour agir avant qu’ils ne le fassent.
/contact
Travaillons ensemble
Découvrez comment Inceptive peut vous aider à transformer votre activité et à résoudre des problématiques opérationnelles complexes grâce à l’intelligence artificielle.