Contexte du marché
Le secteur du commerce électronique intègre aujourd'hui des outils d'intelligence artificielle de façon ponctuelle : recherche par mots‑clés, chatbots, génération de descriptifs ou essayages virtuels sont souvent déployés séparément. Cette approche crée des silos fonctionnels qui ne partagent pas d’information sur le catalogue produit ni sur le parcours client. Loops, startup américaine fondée par Ari Nazir et İlker Selim Zorluoğlu, a levé 3,5 M$ en seed auprès d’a16z Speedrun, NTT Docomo, Connecticut Innovations, Alumni Ventures et Monday Capital afin de proposer une alternative intégrée.
Architecture de la plateforme Loops
Loops repose sur cinq composants principaux. Le premier est un moteur de recherche IA capable d’interpréter des requêtes en langage naturel et de parcourir l’ensemble du catalogue produit. Le second, un assistant d’achat, répond en temps réel aux questions des visiteurs en s’appuyant sur les mêmes données. Un outil d’enrichissement de produit nettoie et normalise les informations du catalogue pour les rendre exploitables tant par les humains que par les modèles d’IA. Le quatrième composant propose un essayage virtuel, générant des rendus visuels à partir de descriptions d’articles. Enfin, un orchestrateur relie ces modules afin de suivre le client depuis la première recherche jusqu’à la finalisation de la transaction, en conservant le contexte de chaque interaction. Cette architecture monolithique évite les appels inter‑services multiples et réduit la latence liée à la récupération de données fragmentées.
Performances observées et limites
Selon les données communiquées par Loops, plus de 70 détaillants ont déployé la solution, traitant plusieurs millions de parcours client. Le supermarché turc A101 a vu son taux de conversion augmenter de 83 % après l’intégration du système, tandis que le détaillant de café Tchibo a enregistré une hausse de 13,6 % de la valeur moyenne des commandes. Le label de mode Mavi a remplacé les recherches par mots‑clés par un concierge IA capable de comprendre des descriptions d’occasions ou de styles. Ces résultats illustrent l’impact direct d’une couche IA unifiée sur les indicateurs de vente. Toutefois, la dépendance à un catalogue enrichi implique que la qualité des données d’entrée reste un facteur critique : des catalogues incomplets ou mal structurés peuvent limiter la pertinence des réponses. De plus, le modèle de tarification n’est pas détaillé, ce qui rend difficile l’évaluation de la rentabilité pour les petites boutiques. Enfin, l’expansion prévue vers les services financiers et l’énergie nécessitera des adaptations réglementaires et de sécurité spécifiques, non couvertes par le cadre actuel dédié au commerce.
