
L’attribution cookieless avec l’IA consiste à relier les commandes aux points de contact marketing, de recherche et d’agents IA qui les ont précédées, sans s’appuyer sur des cookies tiers. Elle utilise des données first-party, des événements côté serveur, des rapports agrégés au niveau du navigateur et de la modélisation pour combler les lacunes. Pour une boutique en ligne, un deuxième problème s’ajoute au premier : une part croissante de la découverte se fait dans des agents d’achat IA, où un acheteur peut ne jamais cliquer sur une publicité et où un agent peut recommander un produit pendant que l’acheteur en achète un autre. Ce guide explique ces deux dimensions, ce qu’il faut mettre en place en priorité, et pourquoi les chiffres resteront flous sur certains points quoi que vous fassiez.
TL;DR
- L’attribution cookieless repose sur un ensemble de briques, pas sur un outil : données propriétaires, événements côté serveur, API de plateforme et estimations modélisées, chacune avec des limites connues.
- La mesure respectueuse de la vie privée sacrifie une partie de la précision et de la rapidité au profit de la conformité. Attendez-vous à des chiffres différés, agrégés et parfois approximatifs.
- Les agents IA ajoutent une nouvelle couche : vous devez d’abord savoir si un agent recommande votre produit avant de pouvoir lui attribuer une vente.
- La qualité de la fiche produit modifie le comportement des agents. Dans des expériences publiées, de petites modifications de description ont déplacé des parts de marché de plusieurs points de pourcentage.
- Commencez par une base first-party propre, identifiez séparément les sources de trafic IA et testez régulièrement vos fiches produit face à de vrais agents.
Ce qu’est réellement l’attribution cookieless
Pendant des années, les cookies tiers ont permis aux plateformes publicitaires de suivre un acheteur depuis une publicité sur un autre site jusqu’à un achat sur le vôtre. L’attribution cookieless remplace ce fil par d’autres signaux. Cela inclut les connexions et adresses e-mail que vous avez collectées avec le consentement de l’utilisateur, les données de commande de votre propre plateforme, les flux d’événements côté serveur et les rapports générés par le navigateur lui-même.
Le mot « IA » dans l’expression renvoie généralement à l’une de deux choses :
- L’IA comme moteur de mesure. Les modèles estiment quels points de contact méritent d’être crédités quand le lien direct manque. C’est la promesse de la plupart des fournisseurs d’attribution.
- L’IA comme canal. Les acheteurs demandent à ChatGPT, Gemini, Claude ou Perplexity quoi acheter, et la réponse les envoie vers une boutique, ou achète en leur nom. Ici, l’attribution consiste à déterminer quand un agent vous a choisi et ce que cela a rapporté.
La plupart des guides traitent le premier point et ignorent le second. Un marchand sur Shopify ou WooCommerce doit gérer les deux.
Où en sont aujourd’hui les cookies tiers
Le calendrier n’a cessé de bouger. Google prévoyait de supprimer progressivement les cookies tiers dans Chrome, mais en 2025 l’entreprise a déclaré qu’elle continuerait à les prendre en charge et proposerait un modèle de choix utilisateur au lieu d’une invite de consentement autonome, tout en laissant les API Privacy Sandbox disponibles. En pratique, le résultat est un environnement mixte. Certains visiteurs ont encore des cookies tiers, tandis que d’autres utilisent Safari, Firefox, des extensions de confidentialité ou des réglages de Chrome qui les bloquent.
C’est pourquoi attendre est une mauvaise stratégie. Vos données sont déjà incomplètes pour une part significative des visiteurs, et cette part varie selon l’audience. Mettre en place un dispositif de mesure qui ne dépend pas des cookies est l’option la plus sûre, quelle que soit l’évolution de la politique des navigateurs.
Les briques d’une configuration sans cookies
Données first-party
C’est la base. Votre boutique sait qui a commandé, ce qui a été acheté et quel code promo a été utilisé. Ajoutez une enquête post-achat (« Comment avez-vous entendu parler de nous ? ») et vous capterez des signaux qu’aucun pixel ne voit, y compris « J’ai demandé à ChatGPT. » L’attribution déclarative est imparfaite, mais c’est souvent le seul endroit où l’on voit apparaître la découverte assistée par IA.
Suivi côté serveur
Au lieu de déclencher chaque événement depuis le navigateur de l’acheteur, vous envoyez les événements de conversion depuis votre serveur vers les plateformes publicitaires et les outils d’analyse. Les événements survivent plus souvent aux bloqueurs de publicité, et vous gardez la main sur ce qui sort de votre boutique. Cela ne supprime pas l’obligation de consentement lorsque la loi l’exige, et cela ne rétablit pas comme par magie l’identité perdue.
API de confidentialité au niveau du navigateur
Google propose son Attribution Reporting API qui produit des rapports générés par le navigateur. Ces rapports relient les interactions publicitaires aux conversions tout en limitant le suivi entre sites. Deux types de résultats sont prévus. Comme le précise Google dans sa vue d’ensemble du système, les rapports au niveau de l’événement arrivent généralement avec un délai de 2 à 30 jours, tandis que les rapports agrégables sont envoyés avec un délai aléatoire dans l’heure, mais nécessitent un service d’agrégation pour produire des synthèses. Pour la plupart des petites et moyennes boutiques, vous y accéderez via une plateforme publicitaire plutôt que de le construire vous-même. Le point essentiel à retenir est la forme des données : différées, partielles et agrégées.
Conversions modélisées
Les plateformes publicitaires et les outils d’analyse comblent les lacunes avec des modèles statistiques. C’est utile pour orienter les budgets, mais peu fiable comme piste d’audit pour une commande donnée. Considérez-les comme des estimations avec une marge d’erreur, et comparez-les régulièrement à vos propres totaux de commandes.
Le compromis qu’aucune ingénierie ne peut éliminer
Régulateurs et chercheurs décrivent le même compromis. Une étude de cas de l’IMDA de Singapour sur l’attribution respectueuse de la vie privée décrit un équilibre entre confidentialité et utilité, ce qui signifie souvent accepter une précision réduite ou des rapports mesurés en heures ou en jours plutôt qu’en temps réel. Les techniques de confidentialité différentielle ajoutent volontairement du bruit, ce qui complique les décisions granulaires le jour même pour un marchand qui gère des promotions quotidiennes.
Une deuxième mise en garde vient du monde académique. Des chercheurs qui ont analysé la manière dont les entreprises de l’adtech définissent la confidentialité ont constaté qu’elle est largement présentée comme l’anonymat et la limitation du suivi individuel, et ils avertissent qu’il ne faut pas supposer que chaque mention « respectueuse de la vie privée » signifie une protection absolue des données. Pour vous, cela signifie lire les promesses des fournisseurs avec esprit critique, et vérifier quelles données sont collectées, où elles vont et quel consentement vous est nécessaire.
Il est aussi utile de se rappeler que l’attribution n’est qu’un angle de vue. Certaines agences estiment que l’attribution seule ne suffit pas à expliquer le retour marketing, ce qui compte d’autant plus lorsque les données sont plus bruitées qu’avant. Utilisez l’attribution pour comparer les canaux de manière directionnelle, et associez-la à des indicateurs consolidés comme le revenu total par rapport à la dépense totale.
Le nouveau défi : attribuer les achats aux agents IA
La perte des cookies est un problème connu, avec des solutions de contournement connues. Les agents IA en créent un autre. Un acheteur demande à un assistant quelle est la meilleure veste imperméable sous un certain budget. L’assistant lit les fiches produit, compare les options et en cite quelques-unes. L’acheteur peut cliquer, peut recopier plus tard le nom de la marque dans une barre de recherche, ou peut laisser un agent finaliser l’achat. Vos outils d’analyse peuvent l’enregistrer comme trafic direct, recherche de marque ou rien du tout.

Trois éléments rendent cela difficile.
Les agents ne sont pas des acheteurs humains. Des chercheurs ont créé un bac à sable appelé ACES pour tester les achats effectués par les agents IA et ont constaté sensibilités marquées et propres à chaque modèle à la structure des fiches produit, au prix et aux recommandations. Une modification qui aide un modèle peut avoir peu d’effet sur un autre.
Le dernier clic induit en erreur. Une étude sur les recommandations en e-commerce décrit le modèle « Click A, Buy B », où un utilisateur interagit avec un produit puis en achète un autre plus tard. Avec les agents, le produit qui obtient la recommandation et celui qui finit dans le panier peuvent différer ; attribuer le mérite uniquement au clic final déforme donc la réalité.
Les libellés de provenance sont incomplets. Certains produits IA ajoutent un paramètre de source aux liens sortants, d’autres non, et de nombreuses mentions ne génèrent jamais de clic. Tout ce que vous voyez dans vos analyses représente un minimum, pas le total.
Votre fiche produit est-elle seulement sélectionnée ? Mesurez cela d’abord
Avant d’attribuer une vente à un agent IA, demandez-vous si les agents vous choisissent tout simplement. C’est l’indicateur en amont que les cookies n’ont jamais capturé, et c’est aussi celui que vous pouvez améliorer directement.
Les expériences ACES constituent une référence utile. Après optimisation des descriptions, la part de marché moyenne des vendeurs a augmenté de 2,69 à 5,64 points de pourcentage, selon le modèle : +2,69 pour Claude Sonnet 4, +5,64 pour GPT-4.1 et +4,83 pour Gemini 2.5 Flash. Il s’agit de résultats de laboratoire dans une place de marché simulée, pas d’une promesse pour votre boutique, mais ils montrent que les modifications de contenu influencent les choix des agents et que les modèles diffèrent.

L’ancrage dans des sources fiables compte aussi. Une étude sur les agents conversationnels d’achat montre que citer des informations produit exactes améliore l’engagement de 3 % à 10 % et que les approches de génération de citations ont amélioré les performances d’ancrage de 13,83 %. Des informations produit claires et vérifiables sur votre page donnent à un agent des éléments fiables à reprendre.
Si vous souhaitez une vue plus large de l’usage de l’IA dans les boutiques en ligne, cette sélection d’ exemples d’IA dans l’e-commerce montre où le travail sur le contenu porte ses fruits.
Une configuration pratique pour une boutique Shopify ou WooCommerce
Cette séquence fonctionne pour la plupart des boutiques et ne nécessite pas d’équipe dédiée aux données.
- Fixez votre référence de départ. Enregistrez chaque semaine les commandes, le chiffre d’affaires, les nouveaux clients par rapport aux clients récurrents et les dépenses publicitaires depuis votre plateforme e-commerce, et non depuis les tableaux de bord publicitaires. C’est votre source de vérité.
- Ajoutez une question après achat. Incluez des options comme recherche, réseaux sociaux, ami, podcast et « assistant IA (ChatGPT, Gemini, etc.) ». Analysez les réponses chaque mois.
- Envoyez des événements côté serveur à vos principales plateformes publicitaires, avec une gestion du consentement conforme aux lois des pays où vivent vos clients.
- Segmentez les sources de trafic IA. Créez un groupe de canaux dans vos outils d’analyse pour les sources IA connues afin qu’elles ne soient plus noyées dans le trafic référent ou direct. Révisez cette liste chaque trimestre à mesure que de nouveaux produits apparaissent.
- Réalisez des tests de holdout. Mettez un canal en pause dans une région ou pendant une semaine et observez le chiffre d’affaires total. Les tests d’incrémentalité donnent les réponses les plus fiables lorsque le suivi est imprécis.
- Testez la visibilité auprès des agents. Vérifiez si ChatGPT, Gemini, Claude et Perplexity recommandent vos produits pour les questions posées par les acheteurs, puis comparez avec les concurrents qui remportent ces emplacements.
- Réécrivez, republiez, rescanez. Corrigez les lacunes révélées par les tests, puis recommencez les tests, car le comportement des modèles évolue.
Les étapes 6 et 7 sont celles pour lesquelles la plupart des boutiques n’ont aucun processus, alors que ce sont aussi celles où de petites modifications apportent les gains les plus importants.
À quoi ressemble une vue claire de l’attribution IA
| Question | Signal | Niveau de confiance |
|---|---|---|
| Un agent nous a-t-il recommandés ? | Requêtes d’agents simulées ou échantillonnées | Élevé pour les prompts testés, partiel dans l’ensemble |
| Cela a-t-il généré du trafic ? | Sources de trafic IA balisées dans les analyses | Estimation minimale uniquement, sans les visites non balisées |
| Cela a-t-il généré des commandes ? | Commandes issues des référents plus réponses aux enquêtes | Modéré |
| Cela a-t-il augmenté le chiffre d’affaires total ? | Groupes de contrôle et tendances de chiffre d’affaires consolidé | Le plus élevé, mais lent |
Aucune ligne ne donne à elle seule la réponse. Ensemble, elles permettent de raconter une histoire cohérente tout en restant honnête sur ce qui est mesuré et ce qui est déduit.
Notre point de vue
Nous avons créé ecentic parce que la question que se posent les propriétaires de boutiques a changé. Avant, c’était « quel clic mérite le crédit ? ». Aujourd’hui, c’est « l’agent IA choisit-il mon produit, et pourquoi pas ? ». L’attribution sans cookies couvre la seconde moitié du parcours, après l’arrivée d’un visiteur. Elle dit très peu de choses sur la première moitié, quand un agent décide qui sera mentionné.
C’est pourquoi nous simulons de vrais agents IA d’achat au lieu d’évaluer des pages selon des critères SEO génériques. Une fiche produit peut sembler parfaite pour un humain et pourtant perdre face à un concurrent parce qu’un agent pondère différemment la structure, les signaux de prix ou les attributs manquants. Quand vous connaissez précisément la raison de la perte, vous pouvez la corriger, publier la modification sur Shopify ou WooCommerce, puis rescanner pour voir si votre taux de sélection a évolué. Nous relions cette boucle aux commandes attribuées afin que les améliorations soient liées au chiffre d’affaires plutôt qu’à des scores de vanité.
Notre conseil en matière de mesure : n’attendez pas l’outil d’attribution parfait, car il n’existera pas. Construisez une base de données first-party solide, balisez le canal IA et concentrez vos efforts là où vous pouvez changer les résultats : la fiche produit elle-même.
— Xhurian
Testez la manière dont les agents IA voient votre boutique
Si vous utilisez une boutique Shopify ou WooCommerce, ecentic commence par un scan d’introduction gratuit qui montre comment les agents IA d’achat évaluent vos pages produit. Vous pouvez ensuite passer à une offre : Compete coûte 14,90 $ par mois, Scale 44,90 $ par mois et Dominate 149 $ par mois. Des frais de performance de 3 % par commande attribuée à l’IA s’appliquent également. Consultez les offres et tarifs, ou essayez le UCP Playground pour tester des agents sur une boutique. Pour l’aspect fiches produit, consultez l’optimisation des fiches produit pour l’IA.
Rendre les fiches produit plus faciles à citer pour les agents
L’attribution vous indique ce qui s’est passé. Le travail sur les fiches produit change ce qui se passera ensuite. Quelques habitudes sont utiles pour tous les modèles :
- Indiquez clairement les attributs : matériaux, dimensions, compatibilité, garantie et conditions d’expédition dans des champs structurés, et pas seulement dans des images.
- Gardez des titres précis. Notre guide sur les titres de produit pour l’IA explique comment les tester.
- Rendez les affirmations vérifiables. Les agents fondés sur des faits exacts et sourcés obtiennent de meilleures performances, comme le suggère la recherche ci-dessus.
- Couvrez les questions de comparaison posées par les acheteurs, par exemple la différence entre votre produit et une alternative connue.
- Rescanez après chaque modification. Pour une approche étape par étape, découvrez comment optimiser les fiches produit pour les agents IA d’achat et comment obtenir des pages produit lisibles par l’IA.
Une nuance concernant le type de produit. Des recherches sur les réactions des consommateurs ont montré que les personnes considèrent l’IA comme plus transparente et plus crédible pour les biens de recherche, c’est-à-dire les articles bien définis, tandis que cette préférence s’atténue ou s’inverse pour les produits d’expérience qui nécessitent un jugement subjectif. Si vous vendez ce second type de produits, associez des spécifications adaptées aux agents à des avis, des démonstrations et des voix humaines.
Erreurs courantes à éviter
- Faire confiance à un seul tableau de bord. Chaque plateforme évalue ses propres résultats. Comparez-les aux totaux de votre boutique.
- Attendre une précision en temps réel. Les rapports respectueux de la vie privée sont volontairement retardés et agrégés.
- Ignorer le consentement. Le côté serveur ne signifie pas absence de consentement. Vérifiez les règles de chaque marché où vous vendez avec un professionnel de la protection des données.
- Traiter tous les agents de la même manière. Les expériences montrent que différents modèles réagissent différemment à une même modification.
- Compter uniquement les clics. Une mention par un agent peut générer une recherche de marque le lendemain. Les enquêtes et les groupes de contrôle capturent ce que les clics ne montrent pas.
FAQ
L’attribution sans cookies est-elle moins précise que l’attribution basée sur les cookies ?
En général, elle est moins granulaire et plus lente, mais pas inutile. Les méthodes respectueuses de la vie privée acceptent souvent une précision réduite et des rapports différés en échange de la conformité. Vous obtiendrez de meilleures réponses en combinant données first-party, estimations modélisées et tests de holdout plutôt qu’en vous appuyant sur une seule source.
L’IA peut-elle combler les lacunes laissées par l’absence de cookies ?
Partiellement. Les modèles peuvent estimer la répartition du crédit entre les points de contact, mais ils déduisent au lieu d’observer, ce qui introduit des erreurs. Utilisez-les pour orienter les décisions budgétaires et vérifiez-les avec vos propres données de commandes.
Comment savoir si ChatGPT ou Gemini m’apportent des ventes ?
Identifiez les sources de trafic IA connues dans vos outils d’analyse, ajoutez une option IA à votre enquête post-achat et suivez les tendances des recherches de marque. Cela vous donne un minimum, car de nombreuses mentions d’agents ne génèrent jamais de clic balisé. Tester si les agents recommandent vos produits tout court donne une vision en amont.
Ai-je besoin d’un nouvel outil d’attribution pour me préparer au shopping par IA ?
Pas nécessairement. Commencez par une base first-party propre et des événements côté serveur. Ce qui manque à la plupart des boutiques, c’est une visibilité sur la manière dont les agents classent leurs fiches produit, ce qui est un travail distinct de l’attribution des clics.
Sources
- Google Privacy Sandbox : vue d’ensemble de l’API Attribution Reporting
- Google Privacy Sandbox : vue d’ensemble du système Attribution Reporting
- JENTIS : Google ne supprimera pas les cookies tiers
- IMDA : étude de cas sur l’attribution et la mesure respectueuses de la vie privée
- Attributs privés : significations et mécanismes de l’adtech respectueuse de la vie privée
- What Is Your AI Agent Buying? (arXiv)
- Click A, Buy B: Rethinking Conversion Attribution in E-Commerce Recommendations (arXiv)
- Cite Before You Speak (arXiv)
- L’impact des recommandations humaines vs IA sur les réactions des consommateurs
Sujets à explorer