Des assistants d’achat personnalisés dans le e-commerce grâce au MCP

Trouver le bon produit en ligne peut demander davantage que la simple lecture de sa description. Lorsqu’il s’agit de répondre à un besoin précis, comme rester au frais pendant la course à pied, il devient important de confronter les promesses de la description aux expériences des clients. Toutefois, consulter de nombreux avis et repérer, parmi des opinions divergentes, celles qui répondent au besoin prend du temps. L’idée d’un assistant d’achat alimenté par l’intelligence artificielle naît de la nécessité de réduire cette surcharge d’informations.

Le MCP, ou Model Context Protocol, est un protocole qui permet aux applications d’intelligence artificielle de se connecter de manière standardisée à des sources de données et à des outils externes. Dans un contexte d’achat, les descriptions de produits et les avis peuvent constituer ces sources, sous réserve de disposer des accès appropriés. Une distinction essentielle s’impose : le MCP n’interprète pas les avis et ne choisit pas les produits lui-même. Il fournit la couche d’accès aux données ; le modèle d’intelligence artificielle se charge de leur interprétation et de la formulation des recommandations.

Imaginons une personne qui cherche sur Trendyol un survêtement dans lequel elle ne transpire pas pendant la course à pied. L’assistant envisagé pourrait d’abord préciser l’usage prévu et les priorités de cette personne, puis examiner les informations et les avis sur les produits auxquels il a accès. L’évaluation ne reposerait donc pas uniquement sur les formulations positives de la description du produit. Les expériences que la personne souhaite précisément éviter, comme une sensation de chaleur excessive, seraient également prises en compte dans la comparaison. Il ne s’agit pas de l’annonce d’une intégration existante, mais d’un scénario d’utilisation qui pourrait être conçu avec le MCP.

Pour interpréter les avis, la seule recherche de mots précis peut ne pas suffire. Un client peut écrire directement que le produit tient chaud, tandis qu’un autre décrit la même expérience en la comparant à un hammam ou à un sauna. L’analyse sémantique aide à déterminer si des formulations différentes peuvent renvoyer à une plainte similaire. Il faut néanmoins considérer ensemble les comparaisons, les conditions d’utilisation et les attentes personnelles. Plutôt que de déduire une caractéristique certaine du produit à partir d’un seul avis, une approche plus rigoureuse consiste à expliciter les fondements de la recommandation et les incertitudes associées.

Chez X Mind Solutions, nous considérons ce scénario comme un exemple de la valeur que les agents d’intelligence artificielle et les intégrations de systèmes peuvent apporter aux utilisateurs. Lors de la conception d’un tel assistant, il convient de définir dès le départ les accès autorisés aux données produits, l’actualité des avis et le périmètre d’utilisation des préférences personnelles. L’objectif n’est pas de prendre une décision définitive à la place de l’utilisateur, mais de l’aider à comparer de manière plus éclairée en réunissant, de façon explicable, les informations pertinentes pour son besoin.