Treize ans plus tard, la marketplace revendique plus de 5 000 vendeurs partenaires, 11 millions de produits et une présence dans six pays européens.
Mais en 2026, un nouvel acteur s’invite dans le funnel : l’agent IA acheteur.
Quand il reçoit la mission “trouve-moi une perceuse 18V compatible batterie Bosch Pro, livrable avant samedi pour moins de 120 €”, il ne lit pas vos articles de blog. Il interroge des bases de données produit structurées.
Celles qui répondent précisément augmentent vos chances de remporter la vente.
Le déclin du clic : Quand un agent IA exécute un achat en autonomie, il ne regarde ni votre bannière promo, ni votre photo lifestyle. Il interroge des données structurées : catalogue produit, disponibilité, prix, logistique. Une donnée manquante peut vous sortir des candidats en un instant.
13 ans de discipline data silencieuse. Le commerce agentique n’est pas une tendance futuriste : c’est ce qui a rendu ManoMano partiellement pré-compatible avec ChatGPT Instant Checkout sans que personne ne l’ait anticipé.
Un agent IA acheteur est un programme autonome qui exécute des transactions pour le compte d’un utilisateur humain.
Le commerce agentique désigne donc les achats où l’humain formule une intention (“achète-moi X avant date Y pour maximum Z euros”), et où l’IA scanne les boutiques, compare, valide et paie. L’humain récupère simplement la confirmation.
C’est le passage du click-to-buy à l’agent-to-buy. Un changement aussi profond que le passage des catalogues papier au commerce en ligne dans les années 2000.
- L’Agentic Commerce Protocol (ACP), lancé le 29 septembre 2025 par OpenAI et Stripe, alimente ChatGPT Instant Checkout. Etsy est le premier marchand live via son programme Offsite Ads. Plus d’un million de marchands Shopify sont en déploiement, dont Glossier, SKIMS, Spanx et Vuori.
- L’Universal Commerce Protocol (UCP), dévoilé par Sundar Pichai le 11 janvier 2026 à la keynote NRF, est co-développé par Google, Shopify, Etsy, Wayfair, Target et Walmart. Plus de 20 acteurs l’endorsent officiellement : Home Depot, Best Buy, Macy’s, Adyen, Mastercard, Visa, PayPal, Stripe, Zalando…
Les chiffres parlent. Shopify rapporte que depuis janvier 2025, les commandes issues des recherches IA sur ses boutiques ont été multipliées par onze. Chez OpenAI, plus de 700 millions d’utilisateurs hebdomadaires utilisent ChatGPT, et Instant Checkout est ouvert à tous (Plus, Pro, Free) dès le lancement.
Pour les e-commerçants européens, l’enjeu n’est plus de convaincre un humain hésitant. C’est de réussir un audit technique fait par un logiciel sans émotion et sans patience. Le déploiement actif reste pour l’instant cantonné aux États-Unis et n’a pas encore touché la France, mais la fenêtre de préparation européenne se compte en mois, pas en années.
Deux standards, deux philosophies : ACP couvre principalement le checkout sur ChatGPT, UCP couvre l’ensemble du parcours d’achat sur l’écosystème Google. La plupart des marchands devront supporter les deux.
OpenAI replie sa stratégie sur un modèle hybride : la découverte produit reste dans ChatGPT, mais le checkout repart sur le site du marchand ou via des apps in-app dédiées (Walmart, Target, Instacart, toutes pour l’instant uniquement aux États-Unis). En parallèle, Shopify déploie son Agentic Plan qui syndique automatiquement les catalogues marchands vers ChatGPT, Gemini et Microsoft Copilot.
Ce que ça change pour votre stratégie : rien sur le fond. La condition d’entrée reste la même, et elle est même plus exigeante. Si OpenAI a fait machine arrière, c’est précisément parce que la donnée produit des marchands n’était pas assez propre pour soutenir un checkout autonome. La rigueur Schema.org devient encore plus critique pour être visible dans la phase de découverte.
Pendant vingt ans, l’optimisation e-commerce s’est concentrée sur le visiteur humain. Tunnel de conversion fluide, photos lifestyle, preuves sociales, urgence artificielle. Tout ça reposait sur un postulat : un humain lit votre page produit, hésite, compare, se décide.
Ce postulat ne tient plus quand le décideur final est une IA.
Ce que votre visiteur humain voyait
Une belle photo. Un titre qui accroche. Un prix. Un CTA. Du social proof. Votre tunnel de conversion était optimisé pour flatter ses hésitations et réduire ses frictions.
Ce que l’agent IA scanne
Trois choses. Pas plus.
- Votre flux produit structuré (Schema.org, JSON-LD, côté serveur)
- Votre disponibilité en temps réel (pas le cache de cette nuit)
- Votre politique de retour (exposée en données structurées, pas dans un PDF)
Deux lectures pour un même produit : Le visiteur humain voit une fiche commerciale. L’agent IA lit un dictionnaire structuré de propriétés Schema.org. Si l’une manque côté code, le produit risque de ne pas exister pour l’agent.
En quelques centaines de millisecondes, il décide si vous êtes un candidat recevable. Si l’une de ces trois briques manque, vous risquez de sortir du short-list sans même le savoir.
Le paradoxe est saisissant : alors que vos photos produit n’ont jamais été aussi belles et votre copy jamais aussi lechée, un algorithme trie votre catalogue uniquement sur des champs techniques que personne dans votre équipe marketing n’a jamais ouverts.
Aucune alerte dans Search Console. Aucune erreur dans vos analytics. Juste une absence. Des ventes que vous n’avez jamais vues passer.
Tout agent IA acheteur vérifie systématiquement trois certitudes avant de valider une commande. Un site qui en rate une seule risque d’être éjecté.
Exigence 1 : La disponibilité certifiée
Le stock doit être à jour en temps réel, pas celui du cache de la nuit dernière. Les flux rafraîchis une fois par jour ne suffisent plus.
Le cas type : l’agent déclenche une commande à 14h32 et attend une confirmation immédiate sur l’état du stock à 14h32. Si votre système répond avec la photo d’hier soir, la transaction peut échouer. Votre score de fiabilité commerçant en prend un coup.
Exigence 2 : Le prix total calculable
L’utilisateur a donné un budget plafond. Si votre prix affiché est 105 €, que les frais de port ajoutent 15 €, et qu’une écoparticipation ajoute 5 €, votre vrai prix est 125 €.
L’erreur classique : les frais cachés ou calculés uniquement au checkout. L’agent n’entre pas dans votre tunnel pour voir le détail. Il peut vous exclure simplement, avant même de tester.
Exigence 3 : La logistique garantie
L’utilisateur a dit “avant samedi”. L’agent doit avoir une date de livraison mathématiquement calculable, pas un vague “Livraison rapide”.
Le détail qui tue : votre balise shippingDetails doit inclure deliveryTime avec des bornes précises par zone géographique. Les commerçants qui promettent “2 à 5 jours” sans données structurées risquent de sortir du jeu.
Un site qui coche ces trois cases, même avec un prix légèrement supérieur, peut remporter la vente.
Pour participer au commerce agentique, votre site doit implémenter quatre types de balisage Schema.org, intégrés en JSON-LD côté serveur et non côté client.
L’exemple technique : Le JSON-LD côté serveur
Vous devez exposer quatre blocs de données sur chaque page produit. Concrètement, le code (invisible pour le visiteur humain) dit à l’agent IA :
- Product + Offer : la carte d’identité du produit.
name,sku,gtin,brand,image, etoffersavecprice,priceCurrency,availability,priceValidUntil. Sansgtin, votre produit peut être considéré comme non vérifiable face à un concurrent qui l’expose. - MerchantReturnPolicy : la politique de retour structurée.
returnPolicyCategory,merchantReturnDays,returnFees. Un site qui enfouit sa politique dans un PDF risque d’être considéré comme un site sans politique de retour. - ShippingDetails : la logistique calculable.
shippingRate,deliveryTime,shippingDestination. Non négociable. - AggregateRating + Review : le facteur de priorisation entre deux offres équivalentes. Un site avec des milliers d’avis internes mais sans JSON-LD structuré part avec un handicap.
Les trois briques non négociables : Ces trois balises Schema.org forment le minimum vital pour qu’un agent IA vous considère. Manquer une seule = risque de disqualification silencieuse.
Comment auditer votre état actuel
Une fois ces briques identifiées, reste à mesurer celles qui manquent réellement sur votre catalogue. C’est le rôle d’un audit technique automatisé.
Le Site Audit d’Ahrefs crawle votre site et valide vos données structurées contre plus de 190 règles Google et Schema.org. Une fois le crawl terminé, vous trouvez les erreurs de balisage dans le rapport “Tous les problèmes”.
Pour chaque page concernée, un onglet “Structured data” dans le panneau de détails liste les propriétés en erreur, en pointant directement vers la documentation Schema.org ou les guidelines Google.
Sur un gros catalogue, c’est le moyen le plus rapide d’identifier les fiches produit qui auraient des balises Product, Offer, MerchantReturnPolicy ou ShippingDetails invalides ou incomplètes.
L’audit en pratique : Le rapport Structured Data de Site Audit liste toutes les pages avec des erreurs Schema.org. Triez par trafic organique pour prioriser les fiches qui pèsent le plus dans votre business.
Oubliez les pivots forcés en quatrième vitesse. L’histoire de ManoMano illustre parfaitement comment une discipline data installée tôt devient un actif décisif dix ans plus tard, même quand la copie n’est pas encore parfaite.
Treize ans en six points : Une trajectoire de croissance, un pic en 2021, puis une normalisation post-Covid. Mais derrière la courbe financière, l’actif data construit dès 2013 reste intact.
Phase 1 : La contrainte métier comme ADN de départ (2013-2020)
Quand ManoMano se lance en 2013, personne ne parle encore d’agents IA. Mais le bricolage est l’un des univers e-commerce les plus exigeants techniquement. Une perceuse sans compatibilité batterie précisée est invendable. Un panneau solaire sans certifications exposées est un rabais sur rien.
ManoMano impose donc dès le premier jour à ses vendeurs partenaires un cahier des charges produit draconien. Chaque référence doit exposer ses spécifications techniques complètes.
“La différence importante entre ManoMano et les autres spécialistes du bricolage, c’est notre data, qui apporte une pertinence spécifique. Nous avons 30 algorithmes propriétaires”, expliquait l’un des cofondateurs à Maddyness.
Plus de dix ans avant ChatGPT Instant Checkout, la marketplace construisait sans le savoir une partie de l’infrastructure qui rend un catalogue compatible avec le commerce agentique : granularité des attributs, cohérence des identifiants, volume de données vérifiées.
Phase 2 : Le pivot BtoB et la traversée du désert (2022-2025)
Le marché du bricolage retrouve ses magasins physiques post-Covid. La consommation s’essouffle. Après son pic de 2022, ManoMano voit sa courbe s’aplatir, puis sort du Next 40 et du FT120 en 2025.
Plutôt que de subir, l’entreprise pivote vers le BtoB avec ManoManoPro, en capitalisant sur ce qu’elle avait toujours fait de mieux : son socle data. La bascule paie vite. L’activité BtoB pèse bientôt un quart du volume d’affaires.
Le 2 avril 2026, les cofondateurs passent la main aux fonctions opérationnelles tout en restant au comité stratégique.
Une page se tourne, mais pas l’actif construit pendant treize ans.
Phase 3 : L’audit terrain, deux piliers sur quatre déjà en place
Voici la morale silencieuse de l’histoire ManoMano. Et voici aussi sa nuance.
Pour valider la thèse, nous avons audité une fiche produit en production sur ManoMano.fr (un robot tondeuse à 1 348 €) en lisant directement le JSON-LD côté serveur, là où l’agent IA pose ses questions.
Le verdict est instructif : deux des quatre piliers exigés par les protocoles ACP et UCP sont déjà parfaitement en place. Les deux autres restent en HTML lisible mais ne sont pas encore structurés.
- Product + Offer : conforme. Le bloc expose
name,sku,gtin,brand,model,category, cinq images, dimensions, poids, matériau, et un blocofferscomplet avecprice,priceCurrency,availability,itemCondition,seller. Bonus : unadditionalPropertyqui structureRecommendedUsage,UsageContextetAudience. C’est exactement ce qu’un agent IA cherche. - AggregateRating + Review : conforme.
ratingValue4.58,reviewCount55, six avis individuels avecauthor,datePublishedetreviewBody. La preuve sociale est lisible mathématiquement. - MerchantReturnPolicy : absente du JSON-LD. ManoMano affiche bien “100 jours de retours gratuits” dans ses badges visuels, mais cette promesse n’est pas encore exposée en Schema.org. Pour un agent, c’est presque un site sans politique de retour.
- ShippingDetails : absente du JSON-LD. Le service ManoExpress est mentionné en HTML, mais sans
deliveryTime,shippingRatenishippingDestinationstructurés. Un agent qui doit garantir “livré avant samedi” ne peut pas calculer.
Score brut : 2/4. Une marketplace qui paraissait pré-compatible se révèle, à la lecture du code, partiellement pré-compatible. Et c’est précisément ce qui rend la leçon plus utile que la légende.
Les choix techniques faits il y a dix ans (structurer les données produit, automatiser les flux, industrialiser le catalogue) conditionnent largement la capacité à entrer dans le commerce agentique aujourd’hui.
Mais ils ne suffisent pas : la dernière marche (politique de retour et logistique structurées) reste à monter, même pour un acteur discipliné dès le départ.
- Les e-commerçants qui ont traité leur base produit comme un actif stratégique sont éligibles à ACP et UCP sur les piliers identité produit et preuve sociale avec peu d’effort additionnel. La conversion des balises retours et livraison reste un chantier court (semaines, pas mois).
- Ceux qui ont accumulé de la dette data sur les quatre piliers ont six à dix-huit mois de travail devant eux.
Et aucune alerte ne les préviendra. Aucun mail d’OpenAI ou de Google. Juste des ventes qui n’auront jamais existé.
1. Auditer son flux produit (avant tout)
Avant de parler stratégie, mesurez la dette. Combien de vos fiches exposent un gtin ? Un priceValidUntil ? Une MerchantReturnPolicy structurée ? Un deliveryTime calculable par zone ?
Sans cette photographie initiale, tout plan d’action est aveugle. Et comme le montre le cas ManoMano, même un acteur discipliné peut découvrir des trous sur certains piliers en lisant son propre JSON-LD.
2. Prioriser les catégories à plus fort volume IA
Tous les produits ne sont pas égaux face au commerce agentique.
- Les catégories à forte traction agent : celles où les utilisateurs décrivent leur besoin en langage naturel (“perceuse 18V compatible Bosch Pro”, “casque audio à moins de 150 € avec ANC”).
- Les catégories à plus faible traction : celles à forte implication émotionnelle (vêtements haute couture, cadeaux personnels, décoration signature).
Concentrez vos efforts d’optimisation sur les premières. Le ROI y est immédiatement supérieur.
3. Tester son flux sur un agent réel
Avant de tester, encore faut-il être éligible. Quatre voies d’entrée existent aujourd’hui dans l’écosystème agentique d’OpenAI. Chacune correspond à un profil marchand différent.
| Chemin | Pour qui | Ce qu’il faut faire | Effort |
|---|---|---|---|
| Shopify Agentic Plan | Tout marchand sous Shopify (plus d’1 million éligibles) | Activer le plan dans l’admin Shopify. La syndication vers ChatGPT, Gemini et Copilot est automatique | Faible. Quelques clics |
| Stripe Agentic Commerce | Marchands déjà sous Stripe pour leurs paiements | Intégrer une ligne de code via la Shared Payment Token API de Stripe pour activer les paiements agentiques | Faible. Une journée dev |
| PayPal ACP Server | Plus de 430 millions de comptes actifs PayPal, surtout TPE et PME | Attendre l’activation côté PayPal (déploiement progressif 2026), puis connecter son catalogue | Moyen. Onboarding piloté par PayPal |
| Intégration custom ACP | Marchands hors Shopify, hors Stripe, hors PayPal | Implémenter le protocole ACP REST en suivant la spec open source sur GitHub, puis postuler sur chatgpt.com/merchants | Élevé. Plusieurs semaines de dev backend |
À noter : l’éligibilité ne garantit pas la visibilité. Une fois dans le système, ChatGPT classe les produits sur la disponibilité, le prix, la qualité du feed et la richesse des données structurées. Un marchand connecté avec un catalogue creux risque de rester invisible. C’est exactement le point de l’audit ManoMano : passer la porte ne suffit pas, il faut aussi remplir les quatre piliers Schema.org.
Restriction géographique : tous ces chemins sont pour l’instant réservés aux marchands US et aux utilisateurs ChatGPT US. La France et le reste de l’Europe ne sont pas encore concernés directement, mais l’extension internationale est annoncée pour 2026 sans calendrier ferme. Pour les e-commerçants français, le chantier est donc une préparation, pas une activation immédiate.
Une fois éligible, un test concret sur un sous-ensemble de produits permet de mesurer les écarts entre votre flux théorique et ce que l’agent voit réellement. Les leçons tirées remontent ensuite à toute la chaîne d’édition produit.
4. Piloter le commerce agentique comme un canal distinct
Le trafic IA n’est pas un avatar du trafic organique classique.
- Les KPI changent : taux de citation IA, taux d’éligibilité agent, taux d’exécution transaction.
- Les outils changent.
- La fréquence de mise à jour des flux change.
Les e-commerçants qui rattachent le commerce agentique à leur équipe SEO sans redéfinir la gouvernance perdront en vitesse d’exécution sur ceux qui en font un canal dédié.
Le mot de la fin
L’histoire de ManoMano nous laisse trois leçons concrètes :
La donnée propre est un actif quasi irrattrapable, mais jamais complet. Un concurrent ne peut pas rattraper en six mois un travail de structuration produit fait sur une décennie.
Le commerce agentique n’annonce pas, il disqualifie. Aucune alerte, aucun log, aucune trace dans Search Console. Ce n’est plus un sujet SEO, c’est un sujet d’ingénierie produit.
La vitrine ne suffit plus, le flux structuré est roi. L’effort marketing se déplace du copywriting produit vers l’ingénierie produit.
ManoMano n’a pas construit son catalogue en anticipant ChatGPT. La marketplace a simplement imposé la rigueur qu’exigeait un secteur complexe. En 2026, cette rigueur est devenue la condition d’entrée dans un canal entièrement nouveau. Le commerce en ligne n’est plus seulement une question de séduction.
C’est une question d’exactitude.
