Présentation du service
Shipt, plateforme de livraison le jour même détenue par Target, a annoncé le 9 septembre 2026 le déploiement d’Ask Shipt, un assistant conversationnel capable de transformer des consignes textuelles en paniers d’achat prêts à être validés. L’application accepte des requêtes telles que « Créer un panier pour mon tailgate de 25 personnes » ou « Un repas de semaine pour cinq personnes sous 35 $ », et génère automatiquement les articles correspondants.
Fonctionnement technique
Ask Shipt repose sur un modèle de langage génératif (LLM) hébergé dans le cloud, couplé à un réseau de neurones de vision pour l’analyse d’images. Lorsqu’un utilisateur téléverse une photo d’un plat, le module de vision identifie les ingrédients, les mappe aux références SKU du catalogue Shipt, puis le LLM compose une requête d’ajout au panier. Le processus s’appuie sur les bases de données d’inventaire en temps réel de Shipt, ce qui garantit que les articles proposés sont effectivement disponibles pour la livraison le jour même.
Le moteur de recommandation intègre également des contraintes budgétaires explicites. En recevant une consigne « sous 35 $ », le LLM filtre les combinaisons d’articles dont le total estimé reste inférieur au seuil, en s’appuyant sur les prix actuels récupérés via l’API de tarification de Target. Cette logique nécessite une mise à jour fréquente des prix et une gestion des variations de stock, ce qui augmente la charge de calcul et la latence potentielle.
Implications pour le marché et limites
L’arrivée d’Ask Shipt place la société parmi les acteurs qui ont déjà intégré des assistants IA : Instacart a lancé Clementine, Uber Eats et DoorDash ont déployé des fonctions similaires en 2024‑2025. Cette convergence indique une standardisation rapide des interfaces conversationnelles dans le commerce de proximité, où la différenciation repose désormais sur la précision du matching produit‑requête et la rapidité d’exécution.
Sur le plan technique, la dépendance à un LLM externe expose Shipt aux coûts d’inférence et aux risques de dérive de modèle (hallucinations, suggestions d’articles non disponibles). De plus, le traitement d’images soulève des questions de confidentialité : les photos téléchargées sont potentiellement stockées pour l’entraînement futur du modèle, ce qui nécessite une conformité stricte aux réglementations RGPD. Enfin, la capacité à gérer des volumes élevés de requêtes simultanées dépend de l’infrastructure de mise à l’échelle du cloud, un facteur qui pourra limiter la disponibilité pendant les pics de demande.
