ASOS intègre les vidéos shoppables dans les moteurs de réponses
ASOS a lancé une intégration qui permet aux clients de découvrir et d'acheter ses produits directement depuis ChatGPT grâce à des vidéos shoppables. Grâce à l'expérience ASOS Stylist, les utilisateurs peuvent décrire ce qu'ils recherchent en langage naturel - par exemple, « une robe d'été rose à fleurs » - et recevoir un ensemble de produits sélectionnés dans le catalogue ASOS. Chaque résultat peut être visualisé sous forme de vidéo courte, puis ouvert en détail sur ASOS.com pour finaliser l'achat. Ce projet pilote est déployé au Royaume-Uni et aux États-Unis, et s'appuie sur l'AI Stylist déjà disponible dans l'application ASOS.
L'expérience est alimentée par la technologie de commerce vidéo de Bambuser, qui convertit le catalogue de produits et les ressources vidéo d'ASOS en données structurées pouvant être récupérées en temps réel par les grands modèles de langage et rendues sous forme de vidéo shoppable. ASOS positionne cela comme une évolution au-delà des outils de shopping basés sur du texte et des images statiques, dans le but de rendre la découverte de la mode « plus rapide, plus facile et plus inspirante » dans les interfaces conversationnelles telles que ChatGPT.
De la recherche de produits au « commerce de réponses »
L'intégration illustre un changement plus large du e‑commerce, passant des parcours basés sur la recherche et les listes au « commerce de réponses », où les utilisateurs posent des questions conversationnelles et attendent un petit ensemble d'options très pertinentes plutôt que de naviguer dans des filtres et une pagination. Dans ce modèle, la qualité et la structure des données produits deviennent aussi critiques que le prix ou l'assortiment : le moteur de réponses ne peut pas afficher ce qu'il ne peut pas analyser.
L'initiative d'ASOS est l'une des tentatives les plus avancées sur le marché britannique pour connecter un catalogue de mode vaste et en constante évolution à un LLM (Large Language Model) polyvalent de manière à préserver la logique de merchandising. Le fait que l'expérience renvoie non seulement des vignettes de produits, mais aussi des vidéos, suggère qu'ASOS a investi dans la cartographie des produits, des attributs et des ressources médiatiques dans une couche indexable et lisible par machine qui peut être interrogée par le langage naturel plutôt que par une syntaxe de recherche rigide.
Implications pour les flux de produits et l'infrastructure de contenu
Pour qu'un parcours conversationnel, axé sur la vidéo, fonctionne au sein d'une interface externe comme ChatGPT, un détaillant e‑commerce doit traiter son flux de produits comme bien plus qu'une simple exportation vers des plateformes publicitaires. Plusieurs conséquences en découlent.
Premièrement, les feeds ont besoin d'attributs plus riches. Une requête telle que « robe d'été rose à fleurs pour un mariage en journée, moins de 80 £ » ne peut être bien traitée que si les produits sous-jacents sont étiquetés avec des gammes de couleurs, des motifs (fleuris), des occasions, des prix et souvent des dimensions plus subjectives telles que « été » ou « invité de mariage ». De nombreux commerçants dépendent encore de feeds limités optimisés pour les moteurs de comparaison de prix ; le commerce conversationnel les pousse vers des taxinomies d'attributs beaucoup plus granulaires et des vocabulaires contrôlés.
Deuxièmement, les feeds doivent être plus étroitement liés aux médias. La vidéo shoppable dans les moteurs de réponses nécessite une correspondance entre les SKU et les segments vidéo : quels produits apparaissent dans quelle vidéo, à quels horodatages, et dans quel contexte (look complet, gros plan, essai, conseil de style). Ce n'est généralement pas pris en compte dans les flux de produits standard, qui se concentrent sur les images et les métadonnées de base. ASOS et Bambuser traitent efficacement la vidéo comme un objet de données de premier ordre lié au catalog, plutôt que comme une ressource marketing vaguement attachée.
Troisièmement, les feeds doivent être optimisés pour une récupération en temps réel plutôt qu'une exportation par lots. Pour rester pertinentes, les recommandations présentées par un LLM doivent refléter les niveaux de stock, les changements de prix et les mises à jour de l'assortiment. Cela pousse les commerçants vers les API et les mises à jour en continu au lieu des chargements de flux nocturnes, et vers des architectures où les données produits, l'inventaire et le contenu sont suffisamment synchronisés pour être exposés en toute sécurité aux moteurs de réponses externes.
Standardisation des catalogs et lisibilité par machine
L'initiative d'ASOS met en évidence comment les standards de catalog deviennent une couche d'activation pour le shopping basé sur l'IA. La « couche d'intelligence » de Bambuser est décrite comme transformant le catalog et la bibliothèque vidéo en données structurées consommables par les LLM. En pratique, cela implique probablement plusieurs étapes qui deviennent standard dans les stacks e‑commerce avancées :
- Normalisation des attributs des produits en schémas cohérents, de sorte que « floral », « imprimé floral » et « motif fleuri » se résument en un seul concept reconnaissable par la machine.
- Enrichissement des entrées du catalog en utilisant la vision par ordinateur et les modèles de langage pour détecter la couleur, le motif, la silhouette et même les cas d'utilisation inférés lorsque les propres données des commerçants sont incomplètes.
- Indexation du contenu pour la recherche sémantique, afin que des requêtes comme « tissus d'été doux et respirants » puissent correspondre à des produits décrits comme « popeline de coton » ou « mélange de lin » même si le texte exact n'est pas présent.
Pour le marché au sens large, cela indique une direction de voyage : les catalogs passent de descriptions lisibles par l'homme mais fragiles pour la machine à des structures lisibles par la machine, conçues explicitement pour la récupération par l'IA. Les détaillants qui maintiennent des catalogs hérités et non standardisés auront plus de difficultés à participer aux moteurs de réponses et aux environnements de commerce conversationnel.
Élever les fiches produits grâce à la vidéo
L'intégration de la vidéo dans ChatGPT n'est pas qu'une question de distribution ; cela a des implications sur ce à quoi ressemble une « bonne » fiche produit (PDP). La vidéo courte a déjà prouvé son efficacité pour augmenter la conversion et diminuer les retours dans la mode en montrant la coupe, le mouvement et le contexte du style. Afficher ce même contenu directement dans la couche de découverte comprime l'entonnoir traditionnel : l'inspiration, l'évaluation et la sélection des produits se font en une seule interaction.
Pour soutenir cela, le contenu du produit sous-jacent doit être plus approfondi et plus cohérent. La vidéo doit être disponible pour une part importante de SKU, et pas seulement pour les produits phares. Les détails sur la taille, la coupe et le tissu doivent être suffisamment précis pour que les clients puissent agir en toute confiance sur ce qu'ils voient dans la vidéo. Les PDP incomplètes ou incohérentes deviennent des faiblesses plus visibles lorsque la première impression est un ensemble de vidéos shoppables sélectionnées par l'IA au lieu d'une grille d'images fixes.
Il existe également une boucle de rétroaction : les interactions des utilisateurs avec la vidéo (quels produits sont mis en pause, rejoués, cliqués) créent des signaux comportementaux supplémentaires qui peuvent être intégrés dans les modèles de classement et la priorisation du contenu. Au fil du temps, cela peut influencer quels produits reçoivent un contenu plus riche et comment les commerçants investissent dans la production vidéo.
Vitesse d'intégration de l'assortiment et automatisation du contenu
Pour les grands catalogs de mode, l'un des principaux goulots d'étranglement de l'expansion de l'assortiment est la création de contenu : titres, descriptions, attributs, images et, de plus en plus, vidéos. Le déploiement de vidéos shoppables dans les moteurs de réponses rend la vitesse encore plus cruciale : les produits nouvellement intégrés doivent devenir découvrables dans les parcours conversationnels rapidement, et non pas des semaines après leur mise en ligne initiale.
L'IA et l'automatisation deviennent essentielles pour résoudre ce problème. La vision par ordinateur peut extraire les attributs des images, tandis que les modèles de langage peuvent générer des descriptions initiales basées sur des données structurées. Les flux de travail vidéo peuvent être partiellement automatisés grâce à des modèles, des animations graphiques et une édition assistée par l'IA, les équipes humaines se concentrant sur le contenu essentiel à la marque et le contrôle qualité. Les commerçants qui systématisent ces processus peuvent réduire le temps entre les décisions d'achat et les entrées de catalog prêtes pour l'IA, ce qui leur donne un avantage dans les catégories dynamiques.
Les outils sans code jouent également un rôle. Les équipes marketing et merchandising s'appuient de plus en plus sur des interfaces qui leur permettent de définir des segments, des règles et des variantes de contenu sans intervention des développeurs. Lorsqu'ils sont connectés aux surfaces de découverte basées sur l'IA, ces outils permettent aux utilisateurs non techniques de gérer quels collections, tendances ou campagnes doivent être prioritées dans les réponses conversationnelles (« saison des fêtes », « looks de festival », « rentrée scolaire »), tandis que les systèmes centraux garantissent que le schéma et le balisage sous-jacents restent cohérents.
Les moteurs de réponses en tant que nouveau canal de distribution
Traiter ChatGPT et des systèmes similaires comme des moteurs de réponses plutôt que des canaux de médias traditionnels remodèle la distribution e‑commerce. Au lieu d'acheter des impressions ou des mots-clés, les détaillants doivent rivaliser sur la qualité des données, la pertinence et la capacité à s'intégrer en toute sécurité à des systèmes d'IA externes. L'intégration ASOS suggère un modèle dans lequel :
- Les couches de catalog et de contenu sont exposées via des API ou des widgets sécurisés que les moteurs de réponses peuvent appeler, sans leur donner un accès direct aux systèmes internes.
- Les commerçants conservent le contrôle sur les prix, le paiement et les données client en ramenant les utilisateurs vers leurs propres domaines pour la finalisation de la transaction.
- La personnalisation peut être partagée entre le moteur de réponses et les systèmes du commerçant grâce à des signaux contextuels, tout en respectant les contraintes de confidentialité.
Cette architecture a des implications pour l'analyse et l'attribution. Les analyses web traditionnelles sont mal adaptées aux parcours qui commencent à l'intérieur d'un agent conversationnel et se poursuivent sur plusieurs surfaces. Les commerçants testant de telles intégrations devront concilier les journaux des plateformes d'IA, des couches de commerce vidéo et leurs propres analyses web et applicatives pour comprendre l'impact sur la conversion, la valeur moyenne des commandes et les taux de retour.
Importance stratégique pour les écosystèmes SaaS et e‑commerce
Du point de vue du SaaS, l'initiative d'ASOS illustre un schéma : des plateformes spécialisées émergent pour se situer entre les données brutes des détaillants et les interfaces d'IA polyvalentes. Ces plateformes gèrent l'ingestion, la normalisation, l'enrichissement et l'exposition des données commerciales sous des formes que les LLM peuvent utiliser en toute sécurité et efficacement. Pour les entreprises e‑commerce, cela peut réduire la nécessité de construire une infrastructure d'IA complexe en interne, mais cela relève la barre en matière de gouvernance des données et d'hygiène des catalogs en amont.
Pour le secteur e‑commerce dans son ensemble, les déploiements de shopping conversationnel, axé sur la vidéo, au sein des moteurs de réponses accélèrent plusieurs tendances :
- Les flux de produits évoluent vers des graphes de connaissances en temps réel et richement dotés d'attributs.
- Les standards de catalog et les taxinomies deviennent des atouts concurrentiels plutôt que des préoccupations de back-office.
- La qualité des PDP est mesurée non seulement par la conversion sur site, mais aussi par la capacité des produits à être représentés dans des environnements externes pilotés par l'IA.
- La vitesse d'intégration de l'assortiment dépend de plus en plus de la production de contenu et de médias assistée par l'IA.
- Les outils sans code et l'IA deviennent la couche opérationnelle qui permet aux équipes commerciales de diriger les parcours pilotés par l'IA sans assistance constante de l'ingénierie.
Le projet pilote d'ASOS en est à ses débuts et son impact commercial reste à quantifier, mais il signale une direction dans laquelle le e‑commerce de la mode est susceptible d'évoluer : des listes statiques à la découverte conversationnelle, riche en médias, qui s'étend sur plusieurs plateformes, alimentée par un contenu structuré, lisible par machine, au cœur de la stack de commerce.
L'intégration d'ASOS avec ChatGPT souligne l'importance croissante des données produits structurées et de haute qualité. Ce passage vers le « commerce de réponses » met en évidence un besoin critique de gestion et d'enrichissement efficaces des catalogs. Pour les entreprises qui cherchent à y parvenir, NotPIM fournit une solution robuste pour garantir que les flux de produits sont précis, cohérents et prêts pour les applications basées sur l'IA. En automatisant des tâches telles que le mappage des attributs, l'enrichissement du contenu et la transformation des flux, NotPIM aide les entreprises e‑commerce à s'adapter à ce paysage en évolution, améliorant la découvrabilité des produits et facilitant une intégration transparente avec des plateformes comme ChatGPT. Cela aide nos clients à garder une longueur d'avance en optimisant leurs données pour ces nouvelles expériences e‑commerce innovantes. Ceci est particulièrement utile pour améliorer les flux de produits, ce qui est crucial pour l'intégration de l'IA. Avec l'aide de l'IA, vous pouvez créer des descriptions de produits axées sur les ventes rapidement. Comprendre le fonctionnement de ces systèmes vous permet de ne pas avoir peur des intégrations complexes. Les commerçants peuvent également bénéficier de l'utilisation d'un programme de traitement des listes de prix.