Le pari stratégique : la donnée avant le modèle

Le sujet le plus déterminant de ce projet n'a jamais été le choix du LLM, mais la donnée elle-même. L'assistant s'appuie sur un système de recherche par similarité (RAG), construit à partir du catalogue Wonderbox transformé en base vectorielle pour comprendre l'intention plutôt que matcher des mots-clés, ce qui a demandé de nettoyer et structurer la donnée, notamment tout ce qui touche aux localités, zones et régions. Un modèle ne devine pas les relations implicites s'il n'est pas construit pour ça : le système ne comprenait pas spontanément que Paris ou les Hauts-de-Seine font partie de l'Île-de-France, et proposait des activités en Gironde ou dans le Loiret à un utilisateur cherchant quelque chose à Lyon car certaines boxes contiennent plusieurs localisations. La correction est venue d'un travail de fond sur la donnée et le scoring (affiner l'embedding, puis connecter un service de géocodage calculant en temps réel la distance entre la ville demandée et chaque activité du catalogue).

La compréhension du langage naturel réservait aussi ses surprises. Un utilisateur qui précise que sa mère n'habite pas à Paris, mais qu'il veut lui offrir une expérience en Provence et que lui habite à Rouen, oblige le moteur à bien identifier quelle information sert à quoi dans la phrase. Remettre chaque information disséminée au bon endroit dans les critères de recommandation s'est révélé moins simple qu'il n'y paraissait.

Restait la question du ranking : quels critères faire peser le plus entre budget, localisation, contenu de l'expérience, cible ? Sur un message donné, le moteur pouvait faire remonter 20 à 30 coffrets pertinents ; pour vraiment simplifier la vie de l'utilisateur, il fallait n'en proposer que 3 ou 4. Ça a demandé de vrais choix produit : décider ce qui compte selon le contexte, poser des règles strictes à certains endroits et laisser le moteur plus libre à d'autres.

Construire l'expérience : un produit qui marche, mais que personne ne va chercher

Mettre en production un assistant qui fonctionnait déjà bien, sans attendre une pertinence parfaite, a été un choix assumé : aller chercher les derniers points de précision aurait demandé un travail d'affinage disproportionné, et surtout retardé le moment de tester en conditions réelles si la fonctionnalité valait la peine d'être poussée plus loin. Résultat mesuré en production : plus de 85% de réponses jugées pleinement pertinentes.

Le travail de design s'est donc concentré sur la découvrabilité, testée par itérations et mesurée semaine après semaine. Premier sujet à trancher : où le placer ? Le réflexe du chat classique, en bas à droite de l'écran, entrait en conflit avec le chat du service client déjà positionné à cet endroit. Des utilisateurs pensaient d'ailleurs discuter avec le service client plutôt qu'avec un moteur de recommandation. Il a fallu explorer d'autres pistes (bandeau en haut de page, encart sur les pages produits, slider en accueil, remplacement de la barre de recherche, déclenchement automatique à l'arrivée sur le site) jusqu'à la création d'une page dédiée. Chaque option a été mesurée avant d'être généralisée.

Comme c'était une modalité encore nouvelle, il fallait aussi montrer plutôt que laisser un champ vide face à l'utilisateur : Wonderbox propose des suggestions de questions par défaut, pensées selon la saisonnalité : un cadeau pour la maîtresse en fin d'année scolaire, un maillot au moment de la finale de la Ligue des Champions… pour donner un premier réflexe d'usage.

Les coulisses techniques : la vitesse comme condition de l'usage

Au lancement, le temps de réponse moyen atteignait 30 secondes, avec des pointes à 50 secondes, soit un délai largement au-dessus de ce que tolère un visiteur e-commerce habitué à l'instantané. Traité comme une priorité produit et non un détail d'infrastructure, ce chantier a démarré par un changement d'endpoint de serving vers Azure, qui a fait chuter le temps de réponse à 8-10 secondes. Un test de bascule vers un modèle différent (Gemini), plus rapide et moins cher, a également été testé mais abandonné : la pertinence des réponses baissait, et il aurait fallu retravailler en profondeur les prompts et la structuration de la base pour la retrouver. Le choix du modèle le plus rapide n'est jamais neutre sur la qualité perçue par l'utilisateur final.

Autre sujet rarement anticipé dans les interfaces conversationnelles : la conformité RGPD. Rien n'est collecté de façon proactive, mais un utilisateur peut glisser de son propre chef son nom, son email ou des détails personnels dans le fil de la conversation, simplement parce qu'il discute. Ces données se retrouvent temporairement stockées comme faisant partie de l'échange, ce qui a nécessité un traitement spécifique en amont de la mise en production, avec une réflexion sur la détection automatique de données personnelles.

Les résultats

• +60% de taux de conversion chez les utilisateurs ayant cliqué sur l'assistant
• 82% des utilisateurs ayant ouvert l'assistant visitent une page produit, contre à peine plus de 50% pour les visiteurs non exposés. L'assistant fonctionne comme un vecteur d'engagement dans le parcours, pas seulement comme un outil de conversion directe
• Plus de 85% de réponses jugées pleinement pertinentes