Make or Buy : la grille de décision pour choisir l’architecture agentique d’un agent IA e-commerce
Thibauld Vian Deguille, Principal Digital, Data & IA chez Converteo, accompagne les entreprises dans la maximisation de leurs performances digitales et e-commerce.
À retenir
- Le choix Make or Buy n’est pas une question de budget, c’est une question de maturité data, de différenciation métier et de capacité à maintenir dans la durée. Ces trois dimensions doivent être évaluées séparément avant de prendre une décision.
- Les solutions SaaS du marché français (iAdvize, Dialog, et quelques acteurs internationaux) ont considérablement progressé. Elles couvrent 80 % des cas d’usage standard et restent la bonne réponse pour la majorité des acteurs.
- Le vrai différenciateur n’est pas le modèle LLM sous-jacent, mais la qualité de la connexion aux données métier. Un agent construit sur un LLM standard mais bien connecté au catalogue, aux stocks et à l’historique client battra presque toujours un agent générique plus puissant mais déconnecté du contexte.
Architecture agent IA e-commerce : dépasser le Make or Buy
La décision d’architecture d’un agent IA e-commerce est souvent présentée comme un choix binaire : soit on achète une solution clé en main, soit on construit en interne. Cette formulation est trompeuse, parce qu’elle occulte le vrai enjeu : ce n’est pas la technologie qu’on achète ou qu’on construit, c’est la capacité à connecter cette technologie à la réalité métier de l’entreprise.
Dans notre baromètre de 170 sites e-commerce français, nous observons une corrélation forte entre le score obtenu par les agents et leur niveau de connexion aux données propriétaires : catalogue enrichi, historique client, stock en temps réel, politique commerciale. Les acteurs qui performent le mieux — Sephora (80/100), ManoMano (76/100) — ne se distinguent pas nécessairement par le modèle LLM qu’ils utilisent, mais par la profondeur d’intégration de leurs données dans le parcours conversationnel.
La grille de décision qui suit part de ce constat. Elle ne cherche pas à désigner un vainqueur universel entre Make et Buy, mais à identifier, pour chaque organisation, quel choix maximise la valeur générée à horizon 18-24 mois.
Grille de décision Make or Buy : 4 critères pour votre agent IA
#1 Maturité data et capacité d’intégration (pondération : 30 %)
C’est le critère le plus déterminant, et le plus souvent sous-estimé.
| Indicateur | Score Make | Score Buy |
|---|---|---|
| Catalogue produit structuré, enrichi, exposé en API | +3 | 0 |
| Historique client accessible et exploitable en temps réel | +3 | 0 |
| Stock et pricing dynamique disponibles via API | +2 | 0 |
| Data team capable de maintenir les pipelines d’alimentation | +2 | -1 |
| Absence de référentiel produit unifié | -3 | +2 |
Une organisation avec un catalogue riche, une CDP opérationnelle et des APIs exposées tire un avantage net d’une architecture Make ou hybride. Une organisation dont les données sont en silos, non structurées ou inaccessibles programmatiquement a peu de chances de construire un agent performant — et fera mieux de démarrer par une solution SaaS qui ne dépend pas de cette maturité.
#2 Différenciation métier et cas d’usage cibles (pondération : 25 %)
Tous les cas d’usage ne justifient pas le même niveau d’investissement.
| Cas d’usage | Architecture recommandée |
|---|---|
| FAQ, service client, réassurance générique | Buy (SaaS) |
| Conseil produit standard, guidage dans le catalogue | Buy ou hybride |
| Personnalisation basée sur l’historique d’achat | Hybride (SaaS + connecteurs propriétaires) |
| Virtual try-on, diagnostic, conseil basé sur image | Make ou partenariat spécialisé |
| Commerce agentique (délégation d’achat, renouvellement automatique) | Make |
La règle de base : si le cas d’usage est générique et que la différenciation concurrentielle est faible, le Buy est presque toujours plus rapide et plus économique. Si le cas d’usage est le reflet d’un savoir-faire métier unique (formulation, expertise technique, service premium), la valeur réside dans la propriété et l’évolution continue du dispositif.
#3 Capacité à maintenir et faire évoluer (pondération : 25 %)
Un agent IA n’est pas un projet : c’est un produit. Il doit être alimenté, évalué, corrigé et enrichi en continu. Cette dimension est souvent négligée dans les business cases initiaux.
| Critère | Favorise Make | Favorise Buy |
|---|---|---|
| Équipe produit IA interne constituée | ✓ | |
| Budget récurrent identifié pour l’itération | ✓ | |
| Capacité à évaluer la qualité des réponses (LLM-as-judge, panel utilisateurs) | ✓ | |
| Pas de ressources internes dédiées | ✓ | |
| Organisation sans culture produit tech | ✓ | |
| Besoin de go-to-market rapide (< 3 mois) | ✓ |
Le piège : sous-estimer le coût de maintenance d’une solution sur-mesure. Un agent développé en interne sans équipe dédiée finit souvent figé à sa version initiale, et se retrouve rapidement dépassé par des solutions SaaS qui évoluent trimestriellement.
#4 Économie du projet et coût total de possession (pondération : 20 %)
Le TCO d’un agent IA inclut trois composantes que la comparaison Make vs Buy doit intégrer sur 24 mois minimum.
- Coût de construction : pour une solution SaaS, c’est le coût d’intégration (souvent 3 à 6 mois de consulting et de développement connecteurs). Pour une solution Make, c’est la somme des coûts de développement, de l’infrastructure, et des licences LLM.
- Coût d’inférence : variable selon les modèles et les volumes, il doit être intégré dans les deux scenarios. Certaines solutions SaaS mutualisent ce coût via leur pricing ; d’autres le répercutent directement. Lire attentivement les conditions contractuelles.
- Coût d’évolution : c’est la dimension la plus sous-estimée. Une solution SaaS inclut généralement les mises à jour du moteur LLM et les nouvelles fonctionnalités. Une solution Make fait peser ce coût entièrement sur l’organisation.
La matrice de décision synthétique
| Profil de l’organisation | Architecture recommandée |
|---|---|
| Maturité data faible, pas d’équipe IA, besoin rapide | Buy SaaS |
| Maturité data moyenne, équipe data existante, différenciation standard | Buy SaaS + connecteurs propriétaires |
| Maturité data forte, équipe produit IA, cas d’usage différenciant | Hybride (SaaS pour le socle, Make pour les couches de valeur) |
| Maturité data forte, équipe IA constituée, propriété stratégique | Make |
Interpréter le scoring pour choisir l’architecture de son agent IA
Cette grille n’est pas un algorithme : c’est un cadre de structuration de la décision. En pratique, quelques questions permettent de l’activer rapidement.
Question 1 – Où est la valeur dans deux ans ? Si la différenciation de votre agent repose sur des données que vous seul possédez (historique client, expertise produit, données comportementales propriétaires), investir dans une architecture qui vous en donne le contrôle a un sens stratégique. Si la valeur est dans la qualité du modèle LLM sous-jacent, vous ne serez jamais meilleur qu’Anthropic ou OpenAI à ce jeu.
Question 2 – Quel est votre vrai horizon ? Un go-to-market à 3 mois et un programme à 3 ans ne répondent pas aux mêmes contraintes. Les solutions SaaS permettent de démarrer, d’apprendre et de mesurer. Elles ne ferment pas la porte à une évolution vers une architecture plus propriétaire une fois les cas d’usage validés.
Question 3 – Avez-vous les ressources pour maintenir ? C’est la question qui tue la plupart des projets Make ambitieux. Un agent IA qui ne s’améliore pas se dégrade — les attentes utilisateurs évoluent, les modèles progressent, les concurrents itèrent. Si vous ne pouvez pas garantir une itération trimestrielle minimum, une solution SaaS maintenue par un éditeur sera presque toujours meilleure à 18 mois qu’une solution interne figée.
Architecture hybride, le futur de l’agent IA e-commerce ?
Le marché va progressivement converger vers un modèle hybride : une couche SaaS pour le socle conversationnel, la gestion des sessions et les fonctions génériques ; une couche propriétaire pour les données, la personnalisation et les cas d’usage différenciants.
C’est déjà la direction prise par les acteurs les plus avancés du baromètre. Et c’est cohérent avec l’économie du secteur : mutualiser ce qui peut l’être, différencier là où la donnée propriétaire crée un avantage durable.
