E-commerce 12 000 references : pipeline d'agents IA pour fiches produits et SEO
Marchand specialise piscine et spa, 12 000 references actives. Avant l'IA : 4 redacteurs externes, 5 EUR par fiche, 2 ans de retard sur le catalogue. Apres : un pipeline d'agents, 0,02 EUR par fiche, catalogue a jour en 6 semaines.
Contexte
E-commerce specialise piscine, spa, accessoires, 12 000 references actives. Le catalogue change de 15 % par an (nouveautes, remplacements). Avant l'IA : equipe interne de 1 personne + 4 redacteurs externes. Couts redactionnels : ~60 000 EUR/an. Et toujours un backlog de 2 000 fiches en retard.
Architecture du pipeline
- Agent ingest : lit le PIM (Akeneo), recupere les donnees structurees du produit (titre fabricant, caracteristiques techniques, images, prix).
- Agent recherche : cherche dans les manuels constructeurs, fiches concurrentes, avis clients pour enrichir le contexte.
- Agent redaction : Claude Sonnet 4.7 avec un system prompt de 25 k tokens (charte editoriale, guide style, exemples) en cache. Produit titre, description, bullet points, paragraphes longs.
- Agent SEO : genere meta title, meta description, FAQ schema, alt text des images. Verifie unicite et longueur.
- Agent verif : Claude Haiku (modele moins cher) qui relit en mode "juge" et signale les eventuelles incoherences (donnees techniques).
- Validation humaine : la redactrice interne valide en mode rapide (5 a 30 secondes par fiche) au lieu de tout rediger.
Choix techniques cles
- Cache prompt sur le system prompt de 25 k tokens : -90 % du cout d'entree.
- Sortie en JSON structure : champs separes (title, intro, paragraphs, faq, meta) pour publication directe via API Shopify.
- Schema validation obligatoire de la sortie. Si echec : retry avec message d'erreur.
- Modeles differents par sous-tache : Sonnet pour la redaction, Haiku pour la verification. Economies importantes.
Resultats
| Indicateur | Avant | Apres 6 mois |
|---|---|---|
| Cout par fiche | 5 EUR | 0,02 EUR (API) + ~0,80 EUR (validation interne) |
| Delai de production | 2 jours/fiche | 3 minutes/fiche |
| Backlog | 2 000 fiches | 0 (a jour en 6 semaines) |
| Trafic organique (Google) sur les fiches refondues | — | +85 % (mois 6) |
| Taux de conversion | 1,8 % | 2,3 % |
Couts API et ROI
- 12 000 fiches generees : ~240 EUR API total (vs 60 000 EUR avant).
- Cout du projet (dev pipeline, ingenierie de prompt, integration Shopify + Akeneo) : 35 000 EUR.
- ROI : amorti en 9 mois sur les couts redactionnels seuls. Avec le gain SEO et conversion, ROI x4 sur 12 mois.
Ecueils evites
- Pas de publication automatique sans validation humaine au debut : les hallucinations sur les donnees techniques (puissance, dimensions) ont ete detectees lors de la phase de calibration.
- Charte editoriale precise dans le system prompt : sans cela, les fiches deraient en ton "publicitaire" generique et perdent en credibilite.
- FAQ schema sur chaque fiche : gain SEO important (rich snippets Google), generation automatique des FAQ par l'agent.
Learnings transferables
- Pattern reutilisable pour tout e-commerce avec catalogue volumineux.
- L'humain reste indispensable pour la validation — mais 50 secondes par fiche au lieu de 2 jours.
- Le cache prompt change l'economie du projet (cout/10 sur l'entree).
- La sortie structuree (JSON) permet l'integration directe avec le PIM ou la plateforme e-commerce.
Pour aller plus loin : agents IA dans le commerce, l'agent hierarchique (pattern multi-agents utilise ici), et creer son agent IA.