L’IA Agentique dans le Commerce : Le Guide 2026 pour le B2B

Gartner prédit que d’ici 2028, les agents IA géreront 90 % de l’ensemble des achats B2B, soit plus de 14 000 milliards d’euros de dépenses annuelles. Ces prévisions ont déclenché une véritable course : les éditeurs repositionnent leurs plateformes et les comités de direction se bousculent pour déployer le commerce agentique avant leurs concurrents.

Mais demandez à trois personnes ce que signifie le terme « agentique » et vous obtiendrez trois réponses différentes. L’industrie n’arrive pas à s’accorder sur des définitions de base, et cette confusion coûte cher. Les entreprises investissent dans des capacités qu’elles ne comprennent pas, pour résoudre des problèmes qu’elles n’ont pas, et bâtissent sur des fondations incapables de supporter ce qui s’en vient.

Cet article définit ce qu’exige réellement l’IA agentique dans le commerce, sépare les implémentations réelles de l’automatisation hors de prix, et fournit aux entreprises B2B une grille d’évaluation de leur maturité.

La plupart des organisations B2B ne sont pas encore prêtes pour le commerce autonome, mais il y a une valeur significative dans les capacités qui le précèdent.

Qu’est-ce que l’IA Agentique ?

Le terme commerce agentique ne possède aucune définition unique standardisée dans l’industrie.

McKinsey le décrit comme « des achats pilotés par des agents IA intelligents capables d’anticiper, de personnaliser et d’automatiser chaque étape du processus. » Gartner définit l’IA agentique comme « des entités logicielles autonomes ou semi-autonomes qui utilisent des techniques d’IA pour percevoir, prendre des décisions, agir et atteindre des objectifs. »

Google encadre le sujet autour de protocoles tels que l’Universal Commerce Protocol et l’Agent Payments Protocol, qui permettent des transactions d’agent à agent.

La définition de l’IA Agentique qui fonctionne pour le B2B

Chez OroCommerce, nous utilisons le cadre de travail de l’analyste d’IDC Heather Hershey car c’est le plus clair sur le plan opérationnel. Au lieu de se concentrer sur la technologie sous-jacente ou les protocoles qui la permettent, Hershey définit le commerce agentique par trois conditions qui doivent être remplies :

• Achat autonome : L’IA décide de ce qu’il faut acheter et exécute la transaction.
• Paiement autonome : Le système gère l’autorisation de paiement sans validation humaine à chaque commande.
• Exécution (fulfillment) autonome : La logique post-achat s’exécute sans intervention manuelle.

Avec cette grille de lecture, vous pouvez analyser n’importe quel système et poser la question : un humain prend-il la décision d’achat ? Si la réponse est oui, ce n’est pas du commerce agentique, peu importe à quel point l’IA semble sophistiquée.

Les 5 niveaux d’autonomie de l’IA

Pour évaluer véritablement les capacités d’un système, vous devez comprendre où en est la technologie aujourd’hui. Le rapport récemment publié par IDC PlanScape: Agentic Commerce fournit une roadmap en définissant les Cinq Niveaux d’Autonomie de l’IA :

• Niveau 1 : Chatbots – Des outils réactifs qui répondent aux requêtes mais n’ont aucune mémoire ni capacité d’agir en dehors de la génération de texte.
• Niveau 2 : Raisonneurs / Copilotes – Ces modèles utilisent une chaîne de pensée pour résoudre des problèmes complexes. Cependant, ils nécessitent toujours un déclencheur humain et ne peuvent pas exécuter les plans qu’ils recommandent.
• Niveau 3 : Agents – Des systèmes capables d’utiliser des outils numériques pour exécuter des plans à plusieurs étapes par eux-mêmes. C’est ici que commence le véritable commerce agentique.
• Niveau 4 : Innovateurs – Des systèmes capables de collaboration multi-agents. Ils peuvent inventer de nouveaux processus et gérer d’autres agents. (Théorique).
• Niveau 5 : AGI / Organisations – Des systèmes qui pilotent des organisations entières ou des domaines complexes sans intervention humaine. (Théorique).

Comprendre ce modèle de maturité rend douloureusement évident le moment où un éditeur fait des promesses excessives. Parcourez n’importe quelle démo d’« agents d’achat » et observez où l’approbation humaine est requise. Si l’IA fait le travail de recherche, de comparaison et de recommandation, mais qu’un humain doit toujours cliquer sur « acheter » – vous êtes face à un Copilote de Niveau 2, pas à un Agent de Niveau 3.

Ce qui est faussement étiqueté comme de l’IA agentique dans le commerce

Voici ce qui est courant, mais faussement étiqueté comme agentique :

• La recherche propulsée par l’IA qui aide les acheteurs à trouver des produits plus rapidement (découverte de produits avec traitement du langage naturel).
• Les chatbots qui répondent aux questions et ajoutent des articles à un panier pour qu’un humain procède au paiement (commerce conversationnel).
• Les systèmes qui signalent lorsque les stocks sont bas et suggèrent de recommander (analytique et recommandations).
• L’IA qui génère des bons de commande à partir de demandes par e-mail et les envoie pour approbation (vérification humaine toujours requise).
• Les recommandations de produits propulsées par l’IA basées sur l’historique de navigation (personnalisation, pas achat).
• Les assistants vocaux qui ajoutent des articles aux listes de courses (capture de tâches, pas exécution de transaction).

Pourquoi l’autonomie et l’automatisation ne sont pas la même chose

L’automatisation suit les règles que vous fixez. Lorsque le stock de la référence #4242 tombe sous les 100 unités, le système en commande 500 de plus au Fournisseur A au prix contractuel. Le workflow est déterministe : les mêmes entrées produisent toujours le même résultat. Quand un imprévu survient, l’automatisation s’arrête et attend une intervention humaine.

L’autonomie prend des décisions selon les paramètres que vous définissez, mais détermine sa propre voie. Un agent IA surveillant ce même stock pourrait commander au Fournisseur B cette fois-ci car il a détecté un changement de délai de livraison, ou diviser la commande entre deux fournisseurs pour optimiser les délais et les coûts. Même objectif, mais une approche différente selon les conditions actuelles.

Voici où les entreprises se mettent en difficulté : elles achètent des systèmes autonomes propulsés par l’IA, puis les brident avec tellement de règles que toute l’autonomie est effacée par la programmation. Ce qu’il reste, c’est une automatisation coûteuse : des workflows déterministes avec une facture Cloud plus élevée et des modes de défaillance plus complexes.

Systèmes propulsés par l’IA dans le commerce digital : Automatisation vs Autonomie

La différence de coût a également son importance. L’automatisation se met à l’échelle de façon prévisible. Vous savez ce que vous allez dépenser car les workflows sont fixes. Les coûts de l’autonomie varient avec la complexité : plus de décisions, de puissance de calcul, et une imprévisibilité tant dans les résultats que dans les factures.

Paiement agentique vs Commerce agentique

La terminologie continue de s’embrouiller, particulièrement autour du « paiement agentique » (agentic checkout). Google et OpenAI utilisent tous deux ce terme pour décrire des flux de paiement qui se produisent à l’intérieur de plateformes d’IA comme ChatGPT ou le Mode IA de Google. Un utilisateur demande à l’IA de trouver un produit, l’IA présente des options, et l’utilisateur peut finaliser l’achat sans quitter la conversation.

Il s’agit là de paiement par commerce conversationnel, pas de paiement agentique. L’IA n’a pas décidé de faire l’achat. Un humain l’a fait. L’IA a simplement déplacé le processus d’achat dans une interface de chat, restreint les options selon la requête, et s’est exécutée quand on le lui a ordonné.

Un véritable paiement agentique signifierait que des agents d’achat initient et finalisent la transaction en fonction d’instructions permanentes ou de besoins déduits. L’humain fixe les paramètres (« garder les produits d’entretien en stock »), l’IA détermine quand, quoi et à qui commander.

Presque rien en production ne fonctionne de cette façon. Même l’abonnement Prévoyez et Économisez d’Amazon, qui s’en rapproche le plus, nécessite que des humains configurent l’abonnement et n’adapte pas dynamiquement les décisions d’achat. C’est une automatisation sophistiquée, pas de l’autonomie.

Agents côté Acheteur vs Agents côté Vendeur

La conversation sur le commerce agentique se divise également en deux voies : les agents IA qui aident les acheteurs et les agents IA qui aident les vendeurs. La distinction est importante car ils optimisent des résultats différents.

Les agents d’approvisionnement côté acheteur sont conçus pour réduire les coûts, assurer la conformité et optimiser les décisions d’achat pour l’entreprise qui achète les biens. Ils peuvent comparer les fournisseurs, négocier les prix, consolider les commandes ou faire appliquer les politiques d’achat. L’agent travaille au nom des intérêts de l’acheteur.

Les agents de vente côté vendeur sont conçus pour augmenter les revenus, qualifier les leads plus rapidement et faire avancer les opportunités dans le pipeline. Ils peuvent identifier des opportunités de vente incitative (upsell), automatiser la génération de devis ou prioriser les comptes les plus susceptibles de convertir, améliorant l’engagement client et l’efficacité du développement commercial. L’agent travaille au nom des intérêts du vendeur.

À l’heure actuelle, la plupart des « agents » de chaque côté sont en réalité des assistants. Ils font remonter des informations et des recommandations, mais des humains prennent les décisions finales. La prochaine phase sera celle où les entreprises déploieront leurs propres agents et commenceront à effectuer des transactions avec d’autres agents. C’est ce que des protocoles comme l’Agent-to-Agent Protocol de Google sont censés permettre à mesure que le commerce agentique évolue.

Mais le commerce d’agent à agent crée un nouveau problème : lorsque les deux parties optimisent de manière autonome, qui garantit que la transaction est équitable, conforme et alignée avec la relation commerciale réelle ? L’infrastructure technique prend forme. Les cadres de gouvernance et les considérations éthiques sont encore à la traîne.

Les agents IA obéissent à des règles différentes dans le B2B

L’essentiel des débats sur le commerce agentique se déroule dans le commerce de détail (Retail). Les marques grand public testent des assistants d’achat basés sur l’IA. Les distributeurs mondiaux s’intègrent aux plateformes d’IA. Les gros titres se concentrent sur les internautes achetant des chaussures de course ou des articles pour la maison via des outils d’IA conversationnelle.

Il y a une raison pour laquelle le commerce digital B2B ne reçoit pas la même attention. Les deux modèles économiques fonctionnent sur des infrastructures fondamentalement différentes, et essayer d’appliquer des stratégies Retail au B2B engendre des erreurs coûteuses.

Pour comprendre pourquoi ces stratégies échouent, il est utile de voir d’où vient l’urgence dans le Retail.

Pourquoi le Retail accélère (et pourquoi le B2B privilégie la prudence)

Le comportement des consommateurs évolue en même temps que leurs attentes. Les gens utilisent les plateformes d’IA pour la découverte de produits avant d’acheter. Les moteurs de recherche comme Google concurrencent désormais les interfaces conversationnelles de nouvelle génération pour le trafic lié à la recherche. Pour les commerces de détail, cela crée une pression pour être découvrable tout au long du parcours d’achat.

Les données montrent que le changement est réel mais incomplet. L’intention transactionnelle sur les plateformes d’IA se situe autour de 2 % pour ChatGPT, Perplexity et des outils similaires. Les consommateurs y font des recherches. Ils finalisent leurs achats sur des plateformes e-commerce en lesquelles ils ont déjà confiance, comme Amazon et les sites des marques.

Cela crée le dilemme du marchand. Exposez votre catalogue aux systèmes d’IA et vous risquez de perdre la relation client, le contrôle des prix et les données qui génèrent la fidélité à la marque. Ne participez pas et vous risquez de devenir invisible à mesure que davantage de consommateurs commencent leurs recherches sur des outils d’IA plutôt que sur Google ou votre site web.

Les leaders de l’industrie ont majoritairement choisi une voie médiane : permettre la découverte de produits via les plateformes d’IA, mais rediriger les transactions vers leurs propres canaux. Ils traitent les agents IA comme un nouveau tunnel de conversion, pas comme un remplacement de leurs plateformes e-commerce.

Le B2B ne suit pas ces règles du jeu

La vision Retail du commerce agentique suppose que les agents IA découvriront des produits sur des places de marché ouvertes et finaliseront les achats de manière autonome. Les achats B2B ne fonctionnent pas de cette manière.

Le B2B commence par des relations, des contrats et des listes de fournisseurs approuvés. L’acheteur sait déjà à qui il passe commande. Le rôle de l’IA est d’exécuter des achats dans le cadre de ces accords existants.

Toute l’infrastructure commerciale est différente :

1. Les contrats avant les catalogues. Les prix sont négociés annuellement et liés à des engagements de volume, des conditions de paiement et des accords de niveau de service. Les agents IA ne peuvent pas simplement comparer des produits lorsque chaque relation fournisseur a des conditions sur mesure.
2. Les chaînes d’approbation avant le paiement instantané. L’achat d’un composant à 50 000 € passe par les achats et la direction financière avant exécution. La gouvernance exige une approbation humaine et des pistes d’audit, pas des transactions autonomes.
3. L’EDI avant les paniers d’achat. Le B2B dispose déjà d’une automatisation via l’échange de données informatisé (EDI). Il gère efficacement les commandes répétitives mais nécessite une intervention humaine lorsque des exceptions surviennent, comme des ruptures de stock fournisseurs, des changements de prix ou des ajustements de spécifications.
4. Les relations avant les transactions. Les décisions B2B dépendent de la confiance, de l’historique et de la valeur stratégique – des facteurs qui n’existent pas dans les données transactionnelles auxquelles les agents IA accèdent généralement.

Le paradoxe du B2B

Le B2B nécessite plus d’infrastructure que le Retail, mais les décisions elles-mêmes sont plus faciles à automatiser. Les agents grand public doivent prédire des préférences et gérer la nouveauté. Ce client aimera-t-il ces chaussures de course ? Problème difficile. Les agents B2B doivent exécuter des règles connues dans des systèmes gouvernés. Cette commande correspond-elle à nos termes contractuels ? Est-elle dans le budget ? Le fournisseur est-il approuvé ? Ce sont des requêtes de données, pas des prédictions.

Le défi consiste à construire des systèmes unifiés où l’IA peut accéder aux contrats, aux prix, aux approbations et aux données d’inventaire. La plupart des entreprises B2B ne disposent pas encore de cette fondation.

Consolider le socle technologique avant de viser l’autonomie

La plupart des entreprises B2B ne sont pas prêtes pour que des agents IA autonomes prennent des décisions d’achat. Gartner prévoit que 40 % des projets de commerce agentique seront annulés d’ici 2027. La recherche du MIT a révélé que 95 % des pilotes d’IA générative ne parviennent pas à générer un ROI.

Le bottleneck est toujours le même : 70 à 85 % des échecs découlent de problèmes d’architecture de données, et 57 % des organisations estiment que leurs données ne sont pas prêtes pour l’IA.

Courir après l’autonomie avant que l’infrastructure n’existe brûle le budget. Les entreprises qui évitent ces échecs suivent une séquence différente. Elles réparent d’abord l’architecture logicielle fragmentée et les données. Ensuite, elles déploient une automatisation pratique. L’autonomie viendra plus tard, une fois que la fondation pourra la supporter.

Ce qui fonctionne : L’IA qui assiste, mais ne décide pas

Les capacités d’IA que les entreprises B2B déploient avec succès ne répondent pas à notre définition du commerce agentique. Les humains prennent toujours les décisions commerciales. Mais ces systèmes exigent la même base dont le commerce autonome aura finalement besoin.

• Traitement de documents : Extrait les bons de commande des PDF et des e-mails, les valide par rapport aux stocks et aux prix, génère des brouillons de commandes avec une intervention humaine minimale. Le temps de traitement passe de 20-30 minutes à moins de 2.
• Assistants conversationnels : Répondent aux questions courantes en langage naturel (niveaux de stock, prix contractuels, statut des commandes) sans monopoliser les équipes de vente.
• Recherche sémantique : Interprète l’intention de l’acheteur sur de vastes catalogues, gère les fautes de frappe et les variantes, réduit les abandons de recherche et améliore l’expérience client.
• Recommandations de produits : Analyse les modèles d’achat réels pour suggérer des articles complémentaires, augmente la valeur de la commande sans intervention manuelle.

Ces capacités partagent des exigences communes : des données produits propres et structurées, des règles documentées et une logique métier centralisée. La seule différence : qui détient le pouvoir de décision.

Exigences d’infrastructure pour l’automatisation assistée par l’IA

Préparer l’infrastructure IA : un impératif immédiat pour le B2B

Les entreprises qui déploient l’automatisation assistée par l’IA aujourd’hui créent les prérequis pour le commerce autonome de demain.

Votre fenêtre concurrentielle existe car l’infrastructure critique est encore en cours de construction :

• Les fournisseurs et systèmes de paiement développent l’infrastructure pour les transactions autonomes.
• La détection des fraudes s’adapte aux modèles d’achat dirigés par des agents.
• Les cadres de responsabilité (liability frameworks) établissent des règles claires lorsque les agents font des erreurs.
• Les cadres de gouvernance rattrapent la capacité technique.

Tandis que ces obstacles sont résolus en externe, vous pouvez bâtir votre préparation en interne : des données unifiées, une automatisation éprouvée et des workflows conçus pour l’IA. Lorsque l’écosystème sera prêt, vous déploierez des agents autonomes en quelques mois plutôt qu’en plusieurs années.

La façon dont les entreprises construisent cette base importe tout autant que le moment. Les données de mise en œuvre montrent une tendance claire :

• 67 % de taux de réussite pour les solutions d’IA portées par un éditeur/fournisseur.
• 33 % de taux de réussite pour les développements internes.

Les fournisseurs spécialisés résolvent des problèmes d’automatisation définis sur des architectures éprouvées. Les équipes internes ont souvent tendance à s’éparpiller, construisant vers l’autonomie sur des systèmes qui ne peuvent pas la supporter.

Prochaines étapes pour les entreprises B2B : L’échelle de maturité de l’IA

La plupart des entreprises B2B savent que l’infrastructure compte. Peu savent par où commencer. Voici la séquence que les entreprises utilisent pour passer de systèmes fragmentés à des opérations prêtes pour l’IA :

1. Fondation : Auditer votre état actuel. Où résident réellement les données tarifaires ? Les dossiers clients ? Les spécifications des produits ? Si la réponse implique des phrases comme « le tableur de Jean » ou « l’ancien système », vous avez du travail à faire avant tout déploiement d’IA.
   Cartographiez vos sources de données, identifiez les points de fragmentation et documentez là où les règles métier n’existent que sous forme de savoir tribal.
2. Infrastructure : Unifier les données commerciales. Consolidez la logique de tarification, structurez les catalogues de produits et nettoyez les dossiers clients. Cela crée la base que requièrent à la fois l’automatisation actuelle et l’autonomie future.
3. Automatisation : Déployer des workflows assistés par l’IA. Avec des données propres en place, commencez par des processus à haute fréquence et à faible risque où l’IA peut fournir un ROI mesurable : traitement de documents, recherche conversationnelle, mises à jour de statuts automatisées. Déployez des capacités qui génèrent un ROI mesurable et des informations exploitables.
4. Veille : Surveiller le développement des protocoles Suivez les normes d’agent à agent, les capacités des réseaux de paiement et les cadres de gouvernance. Lorsque l’Universal Commerce Protocol, le Model Context Protocol ou d’autres protocoles de commerce agentique deviendront viables en production, vous saurez s’ils résolvent de vrais problèmes ou créent de nouveaux fardeaux d’intégration.
5. Expérimentation : Tester prudemment les cas d’usage autonomes. Lorsque vos données seront unifiées et les protocoles matures, commencez par des déploiements autonomes restreints : réapprovisionnement de consommables, MRO (maintenance, réparation, opérations) de routine, composants standards avec de multiples fournisseurs qualifiés. Des achats à faible risque où l’optimisation surpasse le jugement humain.

La question de la visibilité

Renforcer sa maturité IA interne constitue la moitié de l’équation. L’autre moitié : s’assurer que vos acheteurs existants peuvent trouver ce dont ils ont besoin lorsqu’ils utilisent des outils assistés par l’IA.

La double stratégie :

• Maintenez un SEO classique pour les recherches de marque et les requêtes axées sur des spécifications.
• Structurez vos données pour que la documentation technique, les spécifications des produits et les certifications des fournisseurs soient lisibles par machine.
• Restez visible dans tous les contextes de recherche, que les acheteurs utilisent Google, des plateformes d’IA ou les assistants de leur système d’approvisionnement.

Ce que cela ne signifie pas : se précipiter pour exposer votre catalogue à toutes les plateformes d’IA. Rendez vos informations produits lisibles par machine, vos spécifications accessibles et vos conditions commerciales suffisamment claires pour que les agents modernes travaillant au nom des acheteurs puissent évaluer et comparer avec précision les fournisseurs. Les entreprises qui gardent une longueur d’avance s’assurent que leurs données sont découvrables sans sacrifier le contrôle sur les prix et les relations clients.

L’IA au service du ROI : la vision d’OroCommerce pour l’avenir du B2B

OroCommerce a été l’une des premières plateformes créées de A à Z pour le B2B en 2017 et est restée fidèle à ce marché depuis.

En suivant les besoins de nos clients, nous avons construit une plateforme unifiée qui gère le commerce, les relations clients, les workflows métier et l’ensemble du cycle de vente (Quote-to-Cash) depuis un seul système. L’architecture a été conçue pour les relations B2B complexes dès le premier jour, ce qui permet l’évolutivité et une expansion simple vers de nouveaux segments, marchés et modèles de vente.

Aujourd’hui, forts de neuf années d’investissement dans la base B2B la plus robuste et la plus sécurisée du marché, nous construisons l’infrastructure IA autour d’elle en toute confiance.

Notre approche de l’IA fait moins appel à la science-fiction et davantage au ROI, ce qui signifie :

• Architecture de données unifiée : Une IA entraînée sur un contexte transactionnel complet (commandes, devis, stocks, historique client).
• Assistance embarquée : L’automatisation du traitement des commandes, les chatbots intelligents et les insights back-office intégrés dans les workflows existants, sans agents greffés de l’extérieur.
• Logique explicable : Des outils d’IA adossés à des règles métier que les équipes peuvent auditer et auxquelles elles peuvent faire confiance.
• Souveraineté des données : Vos informations exclusives ne quittent jamais votre contrôle et n’entraînent pas de modèles externes.

L’IA fonctionne lorsque l’infrastructure la soutient. Les entreprises fonctionnant sur des plateformes de commerce B2B unifiées peuvent déployer une automatisation pragmatique aujourd’hui et ajouter des capacités autonomes au fur et à mesure que la technologie mûrit.

À quoi cela ressemble dans la pratique

Un fabricant de bois d’œuvre générant 5,5 milliards d’euros de chiffre d’affaires croulait sous la saisie manuelle des commandes. Les commerciaux passaient plus de 20 minutes à ressaisir chaque bon de commande des distributeurs dans l’ERP. Ils ont déployé le traitement documentaire par IA :

• Lit les PDF entrants et extrait les lignes de commande
• Valide les références par rapport aux stocks en temps réel
• Crée des brouillons de commande pour approbation par le commercial

Le temps de traitement a chuté à moins de 2 minutes. La charge de travail administrative a baissé de 30 %.

Un important distributeur CVC (Chauffage, Ventilation, Climatisation) faisait face à la fragmentation plutôt qu’aux volumes. Après des années d’acquisitions, ils géraient 12 ERP différents tout en essayant de se consolider vers un seul. Les équipes en contact avec la clientèle ne pouvaient pas attendre. Ils ont utilisé l’IA pour normaliser la réception des commandes :

• Lit les commandes depuis n’importe quel format (e-mail, fax, portail)
• Les achemine correctement, peu importe l’ancien ERP gérant l’exécution
• Crée une expérience client unifiée malgré le chaos du back-office

Aucune de ces deux entreprises n’a couru après des agents autonomes. Toutes deux ont déployé une automatisation IA pratique avec OroCommerce et ont commencé à générer un ROI immédiatement.

Les gains d’efficacité que nos clients constatent déjà avec les outils d’IA intégrés à notre plateforme principale déterminent ce qui va suivre. Une IA pragmatique et sécurisée pour le commerce B2B est notre priorité absolue pour les années à venir.

Le choix qui s’offre à vous

Les prévisions à 14 000 milliards d’euros de Gartner annoncent une ère de commerce agentique où des agents autonomes géreront les achats B2B. La plupart des entreprises perçoivent cela comme un appel à déployer des agents IA immédiatement.

Mais la course au déploiement d’agents autonomes avant que l’infrastructure n’existe conduit à des résultats prévisibles : des projets annulés, des pilotes ratés, des budgets brûlés sur des capacités qui ne donnent rien. Les organisations qui se concentrent d’abord sur l’automatisation éprouvée génèrent du ROI tout en se préparant à l’évolution du commerce agentique.

Cela crée une divergence. Certaines entreprises chassent les gros titres sur les capacités agentiques sans l’architecture de données pour les soutenir. D’autres construisent un avantage concurrentiel via des données propres, des systèmes lisibles par les machines et une automatisation fiable.

Le choix déterminera qui sera le leader du e-commerce B2B dans la nouvelle ère et qui tentera de rattraper son retard.