J’ai analysé les résultats des requêtes retail sur 6 assistants IA pour mesurer la part des intentions transactionnelles (shopping) face aux intentions informationnelles (discovery).
Voici ce que les données révèlent.
- En moyenne, ~25% des requêtes retail dans les LLM sont transactionnelles (shopping). Les LLM restent majoritairement des outils de “discovery” (recherches informationnelles).
- Perplexity et ChatGPT sont les plateformes les plus orientées achat du panel, avec respectivement 28% et 24% de requêtes transactionnelles.
- AI Mode (Google) est largement navigationnel : les utilisateurs tapent le nom d’une marque, sans intention d’achat explicite.
- En France, la part shopping sur les LLM est inférieure à la moyenne mondiale : ChatGPT FR affiche 20 % vs 24 % global (−4 pts), Perplexity FR affiche 22 % vs 28 % global (−6 pts).
- Le secteur Mode concentre le plus fort volume de requêtes retail, mais aussi la plus forte proportion d’intentions d’achat.
- Le secteur Alimentaire reste très majoritairement utilisé pour chercher des informations (ce qu’on appelle ici discovery). Les LLM y sont consultés pour comprendre, moins pour acheter.
| LLM | Volumes | Part de requêtes Shopping |
|---|---|---|
| ChatGPT | ~238M | 32 % |
| Perplexity | ~120M | 28 % |
| Gemini | ~130M | 22 % |
| Copilot | ~155M | 25 % |
| AI Overviews | ~4,5M | 38 % |
| AI Mode | ~228M | 5 % |
| Total | ~875M | ~25 % |
Autrement dit : quand quelqu’un ouvre un assistant IA pour parler d’une marque ou d’un produit, il cherche avant tout à comprendre, sans forcément chercher à acheter.
Les requêtes les plus volumineuses du panel l’illustrent parfaitement :
“Why did CVS close down ?” — 5,6M req./mois
“Is IKEA owned by Amazon ?” — (requête représentative du topic IKEA — 3,58M req./mois sur la marque)
“Pourquoi Decathlon va-t-il fermer ?” — 4,2M req./mois
Ces questions n’ont pas de rapport avec un acte d’achat. Elles révèlent une curiosité sur la santé des enseignes, leurs propriétaires, leurs controverses.
Cependant, des signaux transactionnels et commerciaux émergent clairement :
“Which is cheaper, Sephora or Ulta ?” — 2,6M req./mois sur le topic parent
“How much for an iPhone 16 ?” —741K req./mois
“jordan 4″ — 86K req./mois (France)
Ce que cela signifie pour les professionnels du retail
Les LLM sont aujourd’hui une surface de recherche d’informations de marque autant que de recherche produit. Être bien positionné dans les réponses IA sur des questions de type “qui est”, “pourquoi (action)”, “est-ce fiable” est aussi stratégique que d’apparaître sur des requêtes prix.
Les 6 plateformes n’ont pas le même profil d’usage retail.
ChatGPT : parmi les plateformes les plus orientées achat du panel
Avec 24% de requêtes transactionnelles, ChatGPT est l’une des plateformes où l’intention d’achat est la plus présente. Les utilisateurs y comparent les prix, évaluent la fiabilité des marchands, cherchent des promotions.
| Intention | Part | Volume |
|---|---|---|
| Informationnelle | ~48 % | ~114M |
| Navigationnelle | ~8 % | ~19M |
| Commerciale | ~20 % | ~48M |
| Transactionnelle | ~24 % | ~57M |
| Total | 100 % | ~238M |
Exemples représentatifs :
- “Which is cheaper, Sephora or Ulta ?”
- “Is Shein trustworthy to buy from ?”
- “Which shopping app gives the most discounts ?”
Perplexity : du transactionnel et de l’informationnel
Avec 28% de requêtes transactionnelles, Perplexity est légèrement plus orienté achat que ChatGPT. Il attire des requêtes de comparaison (“Who is cheaper, Hobby Lobby or Michaels ?”) mais aussi beaucoup de questions sur la viabilité des enseignes.
| Intention | Part | Volume |
|---|---|---|
| Informationnelle | ~50 % | ~60M |
| Navigationnelle | ~6 % | ~7M |
| Commerciale | ~22 % | ~26M |
| Transactionnelle | ~22 % | ~26M |
| Total | 100 % | ~120M |
Gemini : profil nettement informationnel
Gemini affiche 18% de requêtes transactionnelles et concentre surtout des questions sur l’ownership des marques et leurs fermetures.
Copilot : proche des leaders
Copilot, avec 22%, se rapproche davantage de ChatGPT dans son profil d’usage.
| Intention | Part | Volume |
|---|---|---|
| Informationnelle | ~55 % | ~72M |
| Navigationnelle | ~7 % | ~9M |
| Commerciale | ~20 % | ~26M |
| Transactionnelle | ~18 % | ~23M |
| Total | 100 % | ~130M |
AI Overviews : une surface transactionnelle émergente
AI Overviews affiche 18% de transactionnel pour le retail. Les requêtes y sont plus courtes et factuelles (“iphone 14 pro max”, “galaxy z fold5 to buy”, “toyota rav4 price”).
Le format Google favorise les requêtes à fort volume avec une intention plus directe.
A l’heure où je publie cette étude, les AI Overviews ne sont pas déployées en France, une des rares exceptions mondiales.
AI Mode : Une intention navigationnelle avant tout
Avec seulement 2% de requêtes transactionnelles et 3% commerciale, l’index AI Mode est la plateforme la plus éloignée d’un usage transactionnel. Les requêtes sont quasi-exclusivement des noms de marque tapés seuls (“amazon”, “walmart”, “ikea”), ce qui montre un usage navigationnel et moins transactionnel ou même commercial.
| Intention | Part | Volume |
|---|---|---|
| Informationnelle | ~35 % | ~80M |
| Navigationnelle | ~60 % | ~137M |
| Commerciale | ~3 % | ~6M |
| Transactionnelle | ~2 % | ~5M |
| Total | 100 % | ~228M |
Les volumes d’AI Mode sont toutefois les plus élevés du panel avec 228M estimés, ce qui en fait une surface de visibilité majeure pour les retailers, même hors intention d’achat directe.
Dans le monde, comme en France, on ne cherche pas de la même manière sur les assistants IA pour chaque secteur :
| Secteur | Shopping | Discovery |
|---|---|---|
| Mode | ~50 % | ~50 % |
| Beauté | ~42 % | ~58 % |
| Bricolage | ~30 % | ~70 % |
| Ameublement | ~30 % | ~70 % |
| Alimentaire | ~18 % | ~82 % |
La mode : le secteur avec le plus de requêtes transactionnels
C’est la verticale où l’intention transactionnelle est la plus marquée. Les requêtes prix (“combien coûte une paire de Nike Dunk Low ?”), les comparaisons de marques et les questions d’authenticité (“comment savoir si des Dunk sont vraies ?”) dominent.
C’est le volume le plus élevé du panel. La mode est clairement la première verticale retail dans les LLM.
Trouvez les intentions recherche de votre liste de mots-clés sur Keywords Explorer
Beauté : forte composante shopping, mais discovery présente
Les questions comparatives (“Which is cheaper Sephora or Ulta ?”) côtoient des questions sur les fermetures d’enseignes (NYX, Marionnaud) et les propriétaires de marques. La beauté est un secteur où les IA jouent les deux rôles.
Bricolage : Les requêtes informationnelles sont majoritaires
Les questions portent surtout sur les enseignes elles-mêmes (fermetures, propriétaires, controverses) plutôt que sur les prix. L’achat reste peu initié via les LLM dans cette verticale.
Ameublement : Une intention informationnelle forte, quelques signaux transactionnels
IKEA est l’enseigne la plus questionnée, essentiellement sur son ownership et ses fermetures. Wayfair génère des comparaisons. La verticale reste informationnelle.
Alimentaire : le secteur où les requêtes informationnelles dominent
Les LLM ne sont quasiment pas utilisés pour acheter de la nourriture. Les requêtes portent sur les groupes propriétaires des enseignes (“Is Safeway owned by Kroger ?”), leurs problèmes financiers et leurs fermetures. L’acte d’achat alimentaire passe par d’autres canaux.
En filtrant les données sur la France, la part transactionnelle est inférieure à la moyenne mondiale respective, aussi bien sur ChatGPT que sur Perplexity.Les requêtes françaises sont dominées par des questions sur la santé des enseignes :
“Est-ce que Decathlon va fermer définitivement ?” — 4,2M req./mois
“Pourquoi Zara va-t-il fermer ?” — 1,9M req./mois
“Pourquoi Auchan va mal ?” — 995K req./mois
Cette frilosité reflète un contexte de retail français marqué par des fermetures de magasins et des restructurations, un sujet de préoccupation réelle pour les consommateurs.
Les requêtes transactionnelles existent mais restent modestes en volume :
“Jordan 4” — 86K req./mois en France
“nike dunk” — 23K req./mois en France
“MacBook Air M2” — 22K req./mois en France
| Intention | France | USA |
|---|---|---|
| Informationnelle | 99 % | ~100 % |
| Navigationnelle | 62 % | ~70 % |
| Commerciale | 93 % | ~85 % |
| Transactionnelle | 19 % | ~38 % |
En France, une stratégie de visibilité IA retail est très intéressante pour couvrir les requêtes de type “horaires”, “propriétaire”, “est fiable”.
Ce sont des requêtes qui paraissent peu commerciales mais qui touchent des millions d’utilisateurs à un moment de questionnement sur la marque. Les négliger auraient un impact sur des conversions sans aucun doute. Ce constat rejoint des préoccupations liées au SEO local qui est très important dans le retail.
Mais la tendance est là et elle ne cesse de grandir. A mesure que les utilisateurs, et notamment les plus jeunes générations qui prennent rapidement en main les nouvelles technologies, vont s’emparer des assistants IA, leur usage va continuer de changer.
Une tendance globale dans le marketing
On sent bien à travers ses données que la question de la confiance revient. Ces résultats regroupent ceux d’études sur l’influence, comme celle de Reech qui analyse l’influence et la consommation. Je remarque à travers mon étude et celle de Reech, que les utilisateurs en France cherchent un tiers ou même un filtre avant certaines décisions d’achat.
Que ce soit une figure à laquelle on s’identifie, dans le cas de l’influence, ou d’un algorithme qui s’appuie sur des quantités importantes de données, les LLM, les utilisateurs ont changé leur façon d’acheter et de consommer.
La place des LLM dans les comportements d’achat se renforcent
Ces tendances se renforcent en France et dans le monde entier. OpenAI, dont fait partie ChatGPT, en a bien conscience et a lancé début 2026, des publicités dans son chatbot. Des publicités à prix élevés dont le taux de conversion moyen n’est pas encore connu, bien que le GEO apporte des leads à des taux de conversion plus importants que Google.
Des retours qui coïncident
Un avis partagé par Julien et Guillaume de l’équipe SEO de Decathlon, qui expliquaient comment Decathlon s’adapte face aux changements de comportements d’achat liés aux IA.
Cette étude s’inscrit dans une série d’analyses qui ont pour but d’aider les marques à comprendre l’impact des LLM pour adapter leur stratégie SEO.
Cette étude s’appuie sur les données d’Ahrefs via Brand Radar, outil qui analyse en continu les requêtes adressées aux assistants IA et les réponses générées, Keywords Explorer, la fonctionnalité d’analyse et de suivi de mots-clés et Site Explorer, l’outil de suivi et d’analyse de sites web et d’URL.
Analyses des top requêtes retail par volume sur 6 plateformes (ChatGPT, Perplexity, Gemini, Copilot, AI Overviews (Google), AI Mode (Google)).
Vocabulaire de l’étude :
- Shopping = requêtes à intention transactionnelle ou commerciale
- Discovery = requêtes informationnelles ou navigationelles : propriétaires, horaires, téléphones, controverses, marque…
- LLM / IA / Index IA = les trois termes regroupent ici ChatGPT, Perplexity, Copilot, Gemini, AI Overviews et AI Mode.
- GEO = Generative Engine Optimization, c’est l’optimisation de sites web ou contenus en vue d’apparaître sur les LLM.
Pourquoi certaines données des tableaux dépassent (largement) 100%?
Certaines requêtes peuvent avoir plusieurs intentions : être à la fois transactionnelle et commerciale par exemple.
