Le magasin sait-il déjà ce que vous allez acheter ? Comment l’IA apprend à prédire nos intentions

Vous entrez dans un magasin. Vous n’avez encore rien acheté. Pourtant, selon les données dont dispose l’enseigne et les systèmes qu’elle utilise, elle peut parfois déjà estimer ce qui pourrait vous intéresser.

Pas parce qu’elle connaît votre décision future. Parce qu’elle peut transformer une partie de vos traces passées en probabilités.

Le magasin ne « sait » pas. Il calcule

La distinction est fondamentale. Lorsqu’un système recommande un produit, estime une probabilité d’achat ou détermine qu’un client pourrait être intéressé par une offre, il ne prédit pas l’avenir avec certitude : il classe des possibilités à partir de données disponibles.

La CNIL définit le profilage comme un traitement utilisant les données personnelles d’un individu pour analyser ou prédire certains aspects le concernant, notamment ses préférences, ses habitudes ou son comportement. Elle rappelle aussi que ces analyses et prédictions peuvent être inexactes.

Dans le commerce, différents signaux peuvent alimenter cette logique : historique d’achat, programme de fidélité, navigation, recherches, panier, réactions à des offres ou interactions avec le service client, selon les outils utilisés et le cadre juridique applicable.

Pris séparément, chacun de ces événements raconte peu de choses. Mis ensemble, ils peuvent aider un modèle à estimer ce qui a le plus de chances d’intéresser un client à un moment donné.

Votre historique devient une matière première

Cette capacité dépend d’abord des données disponibles. Certaines enseignes disposent d’un historique transactionnel riche grâce à leurs programmes de fidélité ; d’autres relient aussi des comportements observés sur leur site, leur application ou leurs canaux de service.

Cela ne signifie ni que toutes les enseignes disposent de toutes ces données, ni qu’elles peuvent les croiser librement. En France et dans l’Union européenne, l’utilisation de données personnelles est encadrée par le RGPD et la loi Informatique et Libertés.

La CNIL rappelle notamment que les personnes doivent être informées des usages faits de leurs données, que le consentement est requis dans certains cas — notamment pour certaines formes de prospection électronique — et qu’elles disposent de droits d’accès, de rectification, d’opposition et, selon les situations, d’effacement.

L’IA ne recommande plus seulement un produit

Les moteurs de recommandation existent depuis longtemps. Ce qui change avec l’IA actuelle, c’est la quantité de données pouvant être traitée, la vitesse d’adaptation et le nombre de décisions commerciales auxquelles ces modèles peuvent contribuer.

McKinsey cite par exemple Zalando, qui combine données comportementales en temps réel, modèles avancés de recommandation et assistants d’IA générative pour personnaliser le classement de produits, la sélection de tenues ou les recommandations de taille.

La question peut donc évoluer de « quel produit afficher ? » vers des décisions plus opérationnelles : quel produit recommander maintenant, quelle offre proposer, quel message privilégier ou quelle prochaine action est la plus pertinente.

Et le vendeur peut recevoir la recommandation

L’une des transformations les plus concrètes concerne le magasin physique. McKinsey décrit des outils de « clienteling » donnant aux vendeurs un accès en temps réel à l’historique d’achat, aux préférences d’un client, à l’inventaire et à des recommandations de type « prochaine meilleure action ».

Le vendeur n’est pas remplacé par le système : il peut recevoir davantage de contexte pour personnaliser son conseil. La prédiction devient alors une aide à la décision commerciale.

Pendant ce temps, le client utilise lui aussi l’IA

Le mouvement ne se produit pas uniquement du côté des enseignes. Les consommateurs commencent eux-mêmes à utiliser l’IA pour préparer leurs décisions.

Une étude mondiale IBM Institute for Business Value menée avec la National Retail Federation et publiée en janvier 2026, fondée notamment sur une enquête auprès de 18 000 consommateurs, indique que 72 % des répondants continuent à acheter en magasin et que 45 % utilisent l’IA pendant leur parcours d’achat.

Le commerce entre donc dans une situation nouvelle : l’enseigne utilise l’IA pour mieux comprendre ou servir le client, tandis que le client peut utiliser sa propre IA pour comparer, rechercher ou filtrer les offres.

La personnalisation devient une négociation invisible

Une bonne personnalisation peut être utile : réduire le nombre d’options sans intérêt, proposer une taille plus pertinente, retrouver plus vite un produit ou éviter de répéter des préférences déjà exprimées.

Mais exactement les mêmes mécanismes peuvent provoquer la réaction inverse : « Comment savent-ils cela ? » La perception dépend notamment de la transparence, du contexte et du degré de contrôle laissé au client.

La CNIL souligne que le profilage peut conduire à des prédictions inexactes, perpétuer des stéréotypes ou enfermer les personnes dans des choix construits à partir de comportements passés.

Prédire n’est jamais décider à votre place

Une personne qui achète habituellement une marque peut vouloir en changer. Quelqu’un qui consulte dix fois un produit peut simplement être curieux. Un panier abandonné ne révèle pas nécessairement la raison de l’abandon.

La donnée décrit un comportement observé. Elle n’explique pas toujours l’intention humaine qui l’a produit.

C’est précisément pourquoi une prédiction doit rester une probabilité et non devenir une certitude sur la personne.

Le magasin du futur pourrait surtout devenir probabiliste

Pendant longtemps, le commerce attendait une action visible : entrer, prendre un article, poser une question, passer en caisse.

Désormais, une partie du système cherche à agir en amont : avant que vous choisissiez, il estime ; avant que le vendeur conseille, il peut recommander ; avant l’achat, il calcule une probabilité.

L’enjeu n’est donc pas de savoir si le magasin peut lire dans vos pensées. Il est de savoir jusqu’où il peut transformer vos traces en hypothèses utiles sans franchir la frontière de l’intrusion.