Pendant des années, les acheteurs B2B se sont plaints de ne pas disposer de suffisamment d'informations.
Aujourd'hui, ils sont confrontés au problème inverse.
Grâce à ChatGPT, Claude, Perplexity et aux moteurs de recherche basés sur l’IA, les acheteurs peuvent comparer les fournisseurs, analyser leurs besoins, établir des listes de présélection et évaluer les alternatives en quelques minutes plutôt qu’en plusieurs semaines. Ils peuvent demander une vue d’ensemble du marché, un comparatif des fonctionnalités, une liste de contrôle pour l’achat ou une recommandation de fournisseur, et obtenir une réponse fiable presque instantanément.
La conclusion semble évidente : disposer de plus d'informations devrait permettre de prendre de meilleures décisions.
Mais est-ce vraiment le cas ?
Ou bien confondons-nous l'accès à l'information avec l'exactitude de celle-ci ?
Cette distinction est plus importante que jamais. L’IA transforme la manière dont les acheteurs recherchent, évaluent et présélectionnent des solutions. Elle peut réduire les efforts, accélérer la découverte et rendre les marchés complexes plus faciles à comprendre. Parfois, les informations qui sous-tendent une réponse générée par l’IA peuvent être incomplètes, obsolètes, biaisées ou simplement répétées suffisamment souvent pour paraître crédibles. Dans ce cas, une recherche plus rapide ne conduit pas nécessairement à de meilleures décisions.
Elle peut simplement conduire à des décisions prises avec plus d’assurance.
Le restaurant qui n’a jamais existé
Il y a quelques années, repérer une fausse entreprise en ligne était relativement facile. Peut-être que le site web semblait suspect ou que les photos paraissaient peu crédibles. Ou peut-être que sa présence sur les réseaux sociaux était limitée, ou que son histoire ne tenait pas la route.
Aujourd’hui, ce n’est plus toujours le cas.
Prenons l’exemple d’Ethos, ce restaurant d’Austin généré par l’IA qui a attiré l’attention générale alors qu’il n’existait pas réellement. Il présentait tous les signes que l’on associe généralement à la légitimité : une présence en ligne, des photos de plats d’aspect professionnel, une activité sur les réseaux sociaux, une couverture médiatique et des dizaines de milliers d’abonnés sur Instagram. De nombreux médias ont rapporté que ce restaurant n’existait pas, même si beaucoup de gens interagissaient avec son contenu comme s’il était bien réel.
Et s’il serait facile de conclure hâtivement que les gens sont simplement crédules, ce n’est pas là la leçon à retenir. La leçon, c’est que dans un monde numérique, la visibilité est souvent confondue avec la vérité.
Ethos semblait crédible car il présentait les signes auxquels nous avons appris à accorder notre confiance : le raffinement, l’activité, l’attention et la portée. Mais ces signes ne prouvaient rien concernant le restaurant, si ce n’est qu’il s’agissait d’une illusion extrêmement convaincante.
Ce même problème s'étend désormais à des décisions aux enjeux bien plus importants.
L’IA ne « sait » pas vraiment
Un acheteur pourrait supposer que si l’IA dit quelque chose, c’est qu’elle a forcément validé la réponse.
Mais ce n'est pas ainsi que fonctionnent les grands modèles linguistiques (LLM).
Les outils d’IA sont très performants pour extraire des informations, comparer des sources, synthétiser différents points de vue, identifier des tendances et résumer les conclusions. Ils peuvent synthétiser de grandes quantités de contenu plus rapidement que ne pourrait raisonnablement le faire un acheteur seul.
Ce qu’ils ne font pas toujours, c’est déterminer de manière indépendante si chaque source est factuellement exacte, à jour, objective ou pertinente dans un contexte commercial spécifique.
Si un nombre suffisant de sources reprennent le même argument, un système d’IA peut considérer cet argument comme crédible. Par exemple, si un fournisseur est fréquemment mentionné sur des pages comparatives, dans des listes, des contenus de partenaires, des pages d’avis et des articles de blog, il peut apparaître comme un leader du marché aux yeux d’un modèle de langage de grande envergure (LLM). Ou si une affirmation obsolète apparaît à plusieurs endroits, elle peut continuer à influencer les réponses futures bien après que le marché ait évolué.
En bref, l’IA excelle dans l’identification d’un consensus. Mais elle n’est pas toujours aussi performante lorsqu’il s’agit de déterminer la vérité.
Et cette différence a son importance, car les acheteurs B2B ont de plus en plus souvent recours à l’IA dès les premières étapes de leur parcours d’achat.
Gartner a constaté que les acheteurs de technologies utilisent déjà l’IA pour étayer leurs décisions d’achat, l’IA générative étant couramment utilisée lors des phases d’exploration et d’évaluation. Mais le cabinet souligne également une distinction importante : les meilleurs acheteurs utilisent l’IA pour prendre de meilleures décisions, et pas seulement pour les prendre plus rapidement.
Des faux restaurants aux recommandations de logiciels
Imaginons maintenant la version B2B du problème d’Ethos dans le domaine technologique.
Un acheteur demande à l’IA de comparer des plateformes de gestion des données de référence (MDM), de recommander la meilleure solution pour le commerce de détail ou d’établir une liste restreinte de fournisseurs pour un projet complexe de transformation numérique.
Les décisions technologiques B2B de ce type introduisent un niveau de complexité que la plupart des interactions quotidiennes avec l’IA ne requièrent tout simplement pas. Choisir un restaurant, planifier un voyage ou comparer des produits implique souvent un ensemble restreint de variables. Mais les achats d’entreprise impliquent de multiples parties prenantes, des priorités concurrentes, des résultats commerciaux à long terme, des exigences d’intégration, des considérations de gouvernance, des compromis futurs… La liste est longue. Cette complexité modifie le rôle que joue l’IA dans le processus décisionnel.
Par exemple, imaginons que vous recherchiez des solutions de gestion des données de référence (MDM). Vous pourriez poser des questions telles que :
- Quelles sont les meilleures plateformes MDM ?
- Quelle est la solution la mieux adaptée au secteur de la grande distribution ?
- Comparez le fournisseur A et le fournisseur B.
- Établissez une liste restreinte pour mon entreprise.
Les réponses que vous obtiendrez pourront sembler structurées et convaincantes. Elles pourront inclure les noms des fournisseurs, leurs points forts, leurs points faibles et des recommandations. Elles pourront même paraître objectives.
Mais que se passerait-il si les sources à l'origine de ces réponses comportaient des informations obsolètes sur les produits, omettaient certaines fonctionnalités, présentaient des classements biaisés, un positionnement inexact, des allégations émanant des fournisseurs eux-mêmes ou encore des comparatifs n’ayant jamais fait l’objet d’une évaluation indépendante ?
Un analyste humain pourrait repérer ces faiblesses. Un consultant en achats pourrait remettre en question les hypothèses. Un expert en la matière pourrait savoir quelles allégations ne sont plus exactes.
Mais un résumé généré par l’IA pourrait simplement intégrer ces informations simplement parce qu’elles figurent dans des sources qui semblent fiables.
Cela ne signifie pas pour autant qu’il faille éviter complètement le recours à l’IA dans le processus d’achat. Il s’agit plutôt d’une raison de comprendre les atouts et les limites de l’IA, afin de savoir dans quels domaines elle doit encore gagner votre confiance.
Car s’il est vrai que l’IA peut accélérer l’évaluation des logiciels, cette rapidité n’améliore pas automatiquement la qualité du jugement. Et dans certains cas — peut-être plus souvent qu’on ne le pense —, elle peut contribuer à la diffusion d’informations peu fiables ou erronées.
Le problème de la boucle de rétroaction
Il existe un autre risque, encore plus grave, qui se cache sous la surface.
L’IA est désormais capable de générer du contenu persuasif à grande échelle. Cela inclut les fiches produits, les pages de comparaison, les avis, les commentaires sur le marché et les analyses des fournisseurs. Une fois ce contenu publié, d’autres sites peuvent y faire référence, les moteurs de recherche peuvent l’indexer et les systèmes d’IA peuvent l’exploiter. Les recommandations futures peuvent alors s’appuyer sur ces mêmes informations.
Au fil du temps, la répétition peut finir par passer pour de l'expertise.
Des recherches ont déjà montré à quel point cela peut s’avérer difficile dans le contexte de la consommation. Une étude a révélé que les humains étaient incapables de distinguer de manière fiable les avis authentiques des faux avis générés par l’IA, avec un taux de précision rapporté de 53,2 %. Une autre étude a révélé que les faux avis sur les produits générés par des modèles de langage de grande envergure (LLM) étaient difficiles à distinguer des avis authentiques, tant pour les humains que pour les machines, les humains affichant une précision moyenne globale de 50,8 %.
L'équivalent dans le domaine B2B n'est pas difficile à imaginer.
L’IA génère du contenu, les sites web le publient, d’autres sites y font référence, les grands modèles de langage (LLM) l’assimilent, puis les futures recommandations générées par l’IA s’appuient sur ces mêmes informations. La boucle se poursuit alors indéfiniment, et la visibilité ainsi que la répétition finissent progressivement par être confondues avec l’expertise.
Une recommandation peut être bien rédigée, cohérente, voire utile. Mais si elle a été générée par une IA, cela ne signifie pas pour autant qu’elle repose sur les meilleures données disponibles pour étayer de véritables décisions.
Ce qui signifie qu’il existe ici un risque potentiellement plus dangereux que la simple désinformation : une confiance mal placée.
Pourquoi est-ce important aujourd’hui ?
Quoi qu’il en soit, qu’elle soit risquée ou non, l’IA s’impose de plus en plus comme un élément incontournable de la recherche et de l’évaluation B2B.
Un analyste a constaté que les décisions d’achat sont désormais prises ou influencées par l’IA et que l’adoption de l’IA devient un impératif stratégique dans toutes les initiatives, y compris la prise de décision et l’architecture d’entreprise. Forrester corrobore ces conclusions en indiquant que la recherche alimentée par l’IA est un moteur en forte croissance du trafic de recherche organique B2B et que les acheteurs utilisent l’IA générative à toutes les étapes du processus d’achat, notamment pour découvrir, évaluer et choisir des solutions.
L’IA peut être un outil d’achat puissant, mais la confiance dans ses réponses doit encore être gagnée.
L’IA devenant l’une des premières étapes du parcours d’achat, les acheteurs ont besoin d’un meilleur moyen d’évaluer non seulement ce que l’IA recommande, mais aussi si cette recommandation est suffisamment fondée pour être digne de confiance.
Cinq mesures que toute entreprise devrait prendre avant de choisir comment déployer l'IA à grande échelle
Cela s’applique à tout achat assisté par l’IA. Mais cela revêt une importance particulière lorsque ce que vous achetez constitue le fondement d’une entreprise régie par des règles, précise et dotée d’autonomie décisionnelle.
C’est là que réside le piège. Les acheteurs peuvent utiliser l’IA pour rechercher, comparer et présélectionner les solutions mêmes censées rendre leur future IA plus fiable. Mais comme nous l’avons vu, l’IA peut confondre visibilité et vérité, et consensus et précision. Ainsi, si un acheteur s’appuie trop fortement sur un système susceptible de se tromper, il risque de choisir une base inadaptée pour toutes les initiatives d’IA qui suivront.
Il en résulte une faiblesse inhérente à la couche sur laquelle tout le reste repose. Or, pour ces acheteurs, l’esprit critique n’est pas un simple atout. C’est l’essence même du jeu.
Avant de laisser une liste de présélection générée par l’IA influencer votre décision, veillez à respecter ces cinq points.
1. Examinez minutieusement la liste de présélection avant de vous y fier
Une liste de présélection générée par l'IA peut sembler faire autorité, et c'est précisément pour cette raison qu'elle mérite d'être examinée de près. Elle peut refléter les fournisseurs les plus présents dans ses sources, mais pas nécessairement ceux qui sont les plus à même de prendre en charge une IA régulée et précise à grande échelle.
Posez la même question à ChatGPT, Claude, Perplexity et d’autres outils d’IA. Observez comment les classements évoluent. Demandez ensuite à chacun d’entre eux ce qu’il a omis, quelles hypothèses il a formulées et pourquoi certains fournisseurs apparaissent tandis que d’autres n’apparaissent pas.
Les divergences entre les réponses en disent souvent plus long que n’importe quelle liste restreinte. Elles mettent en évidence les cas où la visibilité, la répétition et la disponibilité des sources peuvent influencer la recommandation davantage que l’adéquation réelle.
2. Demandez ce que l’IA mesure réellement
Lorsque l’IA qualifie une solution de « meilleure », la question qui s’impose naturellement est : « Meilleure en quoi ? »
De nombreuses recommandations générées par l’IA sont en réalité discrètement optimisées en fonction de la popularité, de la présence sur le marché, de l’étendue des fonctionnalités ou de la quantité de contenu disponible en ligne. Ces indicateurs peuvent s’avérer utiles, mais ils ne vous indiquent pas si une solution est capable de garantir que les données d’entreprise restent exactes, gouvernées, contextualisées et exploitables à grande échelle.
Exigez que les critères soient clairement exposés. La recommandation repose-t-elle sur la gouvernance des données ? La fiabilité ? La capacité à fournir un contexte fiable aux systèmes d’IA ? La cohérence entre les domaines ? Des résultats de mise en œuvre avérés ? Ou s’agit-il simplement d’un classement des fournisseurs en fonction de leur fréquence d’apparition dans les sources disponibles ?
Si l’IA n’est pas en mesure d’expliquer ce qu’elle mesure, sa recommandation risque de ne pas porter sur ce qui compte vraiment.
3. Exigez des preuves qu'un « sosie » ne peut pas fournir
Ethos semblait crédible car il présentait de nombreux signaux que les gens associent à la légitimité. Les arguments des fournisseurs peuvent fonctionner de la même manière. Un langage soigné, un positionnement général et des expressions répétées telles que « régulé », « précis » ou « compatible avec l’IA » ne suffisent pas.
Demandez des preuves qu’un faux ne pourrait pas facilement simuler.
Cela implique des références de clients professionnels nommément cités, des études de cas présentant des résultats mesurables, une validation par des analystes, une documentation produit vérifiable et des exemples clairs illustrant le fonctionnement de la gouvernance dans la pratique. Pour une infrastructure d’IA, les preuves de gouvernance revêtent une importance particulière : traçabilité des données, contrôles de qualité, modèles de propriété, processus de validation et auditabilité.
N'importe quel fournisseur peut parler de confiance, mais seule une infrastructure adaptée peut démontrer comment cette confiance est établie, maintenue et déployée à grande échelle dans des environnements d'entreprise réels.
4. Vérifiez si la solution comprend le sens, et pas seulement les données
Une IA précise a besoin de bien plus que de simples données propres. Elle a besoin de données dotées d'un contexte, de relations et d'une signification métier.
Une solution qui se contente de transférer des enregistrements, des champs et des attributs d’un système à un autre peut encore laisser l’IA dans le flou. Elle risque de reproduire les mêmes ambiguïtés, doublons et incohérences qui rendent les décisions automatisées peu fiables au départ.
Recherchez la couche qui capture le sens. La solution est-elle capable de reconnaître lorsque deux enregistrements correspondent au même client ? Peut-elle relier un produit aux réglementations, fournisseurs, marchés et canaux qui influencent son utilisation ? Peut-elle montrer comment les termes, les entités et les relations s’articulent au sein de l’entreprise ?
Ce fondement sémantique est essentiel. C’est ce qui distingue une IA capable de raisonner à partir d’un contexte structuré d’une IA qui improvise à partir de données déconnectées.
5. Évaluez les fondements, pas la liste des fonctionnalités
Les fonctionnalités font bonne impression lors des démonstrations. Les fondements permettent l'évolutivité.
Il est facile de se laisser éblouir par une seule fonctionnalité d’IA dans un cas d’utilisation contrôlé. Mais la véritable question est de savoir si des données maîtrisées, précises et riches en contexte peuvent être considérées comme fiables et réutilisées dans le cadre de la prochaine initiative d’IA — et de celle d’après.
Demandez-vous si chaque nouveau cas d’utilisation hériterait automatiquement de la même base de confiance, ou si vos équipes devraient chaque fois repartir de zéro pour mettre en place la gouvernance, le contexte et la validation. Demandez-vous si la solution peut prendre en charge l’IA dans tous les domaines, services, flux de travail et futures initiatives autonomes, et pas seulement le cas d’utilisation qui se présente à vous aujourd’hui.
Une liste de fonctionnalités montre ce qu’une solution est capable de faire aujourd’hui, mais ce sont ses fondements qui déterminent si votre IA restera fiable à mesure qu’elle évoluera.
Être mieux informé ne signifie pas toujours être mieux préparé
L’IA peut proposer une liste restreinte aux acheteurs en quelques secondes. Ce qu’elle ne peut pas toujours leur dire, c’est si les solutions figurant sur cette liste sont capables d’offrir la base réglementée, précise et riche en contexte nécessaire à une IA fiable à grande échelle.
Cette distinction est importante. Surtout lorsque la décision d’achat n’affecte pas seulement un flux de travail, mais la qualité de tous les systèmes d’IA que l’entreprise développera par la suite.
Pour y parvenir, il faut utiliser l’IA pour accélérer le processus d’achat sans pour autant laisser celui-ci se substituer au processus d’évaluation. Chaque recommandation doit encore être soumise à des tests de résistance : quelles preuves la soutiennent, quelles hypothèses l’ont façonnée, quel contexte fait défaut, et cette base permettra-t-elle de rendre les futures décisions de l’IA plus fiables ?
À mesure que l’IA formule des recommandations plus rapidement et avec davantage d’assurance, le véritable avantage réside dans la capacité à déterminer quelles réponses sont suffisamment fondées pour guider la prochaine étape.
Car à l’ère des recommandations instantanées et sûres, l’avantage réel revient à ceux qui savent quelles réponses méritent de façonner la suite des événements.
