Les grandes entreprises ont investi des années et des millions dans des systèmes logiciels sophistiqués. Et si l’IA permettait aux PME de rattraper une partie de ce retard sans suivre le même parcours ? En rendant accessibles des capacités autrefois coûteuses, elle pourrait redistribuer certains avantages concurrentiels. Mais le commerce agentique introduit une nouvelle incertitude : disposer des mêmes outils ne signifie pas avoir les mêmes chances d’être choisi. La concurrence pourrait désormais se jouer moins dans les logiciels que dans la maîtrise des données et l’accès aux clients.
L’avantage logiciel des grandes entreprises pourrait perdre une partie de sa valeur
Pendant deux décennies, l’équipement logiciel a constitué une manière d’industrialiser des compétences. Un CRM permettait d’organiser le suivi commercial ; un ERP coordonnait les flux de commandes, de stocks et de facturation ; les outils d’analyse transformaient les données en décisions. Les grandes entreprises pouvaient financer davantage d’intégrations, former des équipes spécialisées et répartir ces dépenses sur des volumes importants. Leurs concurrents plus modestes achetaient souvent des versions simplifiées de ces capacités, ou s’en passaient.
Les logiciels SaaS ont déjà abaissé les coûts d’accès à ces fonctions. L’avantage des grands groupes ne réside donc pas dans leur possession exclusive de logiciels, mais dans l’étendue des processus couverts, leur personnalisation et leur intégration. Ce capital organisationnel peut être précieux ; il peut aussi devenir coûteux à faire évoluer.
L’IA générative introduit une modification supplémentaire : certaines opérations auparavant réparties entre des applications spécialisées peuvent être exécutées au moyen d’un assistant commun. Analyser un portefeuille de clients, préparer une campagne, comparer des documents ou interroger des données ne suppose plus toujours de maîtriser l’interface de chaque logiciel. La fonction devient accessible sans que l’entreprise reproduise nécessairement toute l’architecture logicielle qui la rendait possible.
Selon la Banque de France, dans son enquête de septembre 2026, 64 % des entreprises de 20 à 49 salariés utilisent l’IA générative, contre 83 % de celles d’au moins 1 000 salariés. Les usages déclarés sont cependant souvent limités ou expérimentaux. La diffusion d’un outil ne renseigne pas encore sur la profondeur de son intégration.
La question économique devient alors précise : lorsqu’une capacité autrefois coûteuse se banalise, quelle part de l’avantage concurrentiel provenait de cette capacité, et quelle part provenait de l’organisation construite autour d’elle ?
Une PME peut acquérir des capacités sans reproduire vingt ans d’investissements SaaS
Le mécanisme de rattrapage repose sur un changement de coût et de délai. Une entreprise qui souhaitait auparavant automatiser des comptes rendus commerciaux, produire des analyses ou adapter ses fiches produits devait acquérir un (ou plusieurs) logiciel(s), paramétrer un workflow et former ses collaborateurs. Une partie de ces tâches peut maintenant être réalisée avec un assistant et des connexions relativement légères. L’économie est particulièrement sensible quand le besoin est circonscrit, le volume modeste et le processus déjà maîtrisé.
L’effet ne concerne pas seulement la production de contenus. Dans une étude publiée en 2025 dans le Quarterly Journal of Economics, Erik Brynjolfsson, Danielle Li et Lindsey Raymond analysent le déploiement d’un assistant auprès de 5 172 employés du support client. La productivité, mesurée en problèmes résolus par heure, progresse de 15 % en moyenne. Les employés moins expérimentés améliorent davantage leur vitesse et la qualité de leurs réponses. Ce résultat montre qu’une technologie peut rendre une partie du savoir opérationnel accessible à ceux qui en disposent le moins. Il ne démontre toutefois aucun rattrapage entre entreprises de tailles différentes.
Une preuve plus proche du commerce vient des expérimentations de terrain présentées par Columbia Business School. En 2023 et 2024, sept applications d’IA ont été testées sur une grande plateforme de vente internationale. Selon l’application, les effets sur les ventes s’échelonnent de zéro à 16,3 %. Les vendeurs petits ou récents bénéficient proportionnellement davantage de certaines améliorations, notamment celles qui facilitent la découverte des produits et les décisions d’achat. L’étude est présentée comme un travail de recherche à paraître ; ses résultats concernent un environnement où l’infrastructure est fournie par la plateforme.
Ces vendeurs n’ont pas eu à développer chacun leur propre moteur conversationnel. L’investissement a été mutualisé, tandis que ses bénéfices ont pu être plus importants pour ceux qui disposaient initialement de moins de moyens pour renseigner et présenter leurs produits. Une technologie commune a ainsi réduit certaines frictions qui favorisaient les acteurs mieux établis.
Cela ouvre une possibilité de contournement. Une PME pourrait disposer d’un niveau fonctionnel satisfaisant en combinant un logiciel de gestion fiable, quelques services spécialisés et des assistants capables de traiter des tâches auparavant dispersées entre plusieurs abonnements. Mais la réduction du nombre d’applications ne signifie pas automatiquement une réduction du coût total : supervision, formation, protection des données et correction des erreurs restent à financer.
Le rattrapage porterait d’abord sur le coût d’obtention d’un résultat défini, non sur la capacité générale d’une PME à égaler l’ensemble des fonctions d’un grand système d’information.
Les systèmes existants peuvent aussi devenir une contrainte
Une infrastructure informatique accumulée au fil des années apporte de la fiabilité, des historiques et des contrôles. Elle peut en contrepartie imposer des interfaces hétérogènes, des données dupliquées, des dépendances contractuelles et de longues procédures de modification. L’automatisation d’une tâche transversale exige souvent davantage de travail de coordination que de développement.
Imaginons une petite marque commercialisant 150 références, avec un catalogue cohérent et un seul outil central pour les commandes. Elle peut théoriquement connecter rapidement un agent chargé de répondre aux questions des clients ou de préparer des mises à jour de fiches produits. Face à elle, un grand distributeur gère plusieurs enseignes, entrepôts et systèmes historiques. L’automatisation de la même fonction requiert de résoudre les divergences entre les sources, de répartir les responsabilités et de vérifier des règles métier plus nombreuses.
Ce scénario illustre une condition, pas une supériorité constatée des PME. La petite entreprise peut également souffrir d’un catalogue tenu manuellement, de fichiers contradictoires ou d’une dépendance totale à un prestataire. Inversement, un grand groupe qui possède des données bien gouvernées et des interfaces robustes peut déployer une même amélioration sur des millions de transactions. Son échelle redevient alors un avantage.
La nouveauté est que la taille et la maturité technique ne se superposent pas nécessairement. Un système simple mais cohérent peut être plus facile à adapter qu’un ensemble très sophistiqué et fragmenté. Cet avantage éventuel relève des coûts de transformation, pas du niveau absolu des moyens financiers.
Il serait néanmoins imprudent d’en conclure que l’IA rend les ERP superflus. Dans son analyse Can AI Replace My ERP?, publiée en juin 2026, Gartner recommande d’augmenter les ERP par l’IA plutôt que de tenter de les remplacer intégralement, en raison notamment des risques techniques et de conformité. Un assistant peut faciliter l’interrogation d’un stock ; il ne garantit pas, à lui seul, l’intégrité des mouvements de stock. Il peut préparer une facture ; cela ne lui confère pas les mécanismes de contrôle d’un système comptable.
Le domaine dans lequel une PME pourrait aller plus vite est donc celui des processus délimités et vérifiables. La rapidité cesse d’être un avantage dès lors qu’elle dégrade la fiabilité des opérations.
L’accès à une intelligence commune ne produit pas des performances communes
Le principal obstacle à la thèse du rattrapage vient des résultats empiriques sur l’usage de l’IA. Donner le même outil à deux entreprises ne revient pas à leur donner les mêmes capacités de jugement, de diagnostic et d’exécution.
Une expérimentation publiée en 2026 dans Management Science est particulièrement révélatrice. Des entrepreneurs kenyans ont reçu, par tirage au sort, un accès à un assistant de conseil commercial fondé sur GPT-4. Les chercheurs ne constatent pas d’effet moyen statistiquement significatif sur les revenus et les profits. Mais les résultats varient selon la performance initiale : les entrepreneurs les moins performants subissent une dégradation relative, tandis que les plus performants enregistrent des gains possibles. L’analyse des échanges indique que la différence tient davantage à la sélection et à l’application des recommandations qu’au contenu des conseils reçus.
La portée de ce résultat est limitée : il concerne des microentreprises au Kenya, suivies pendant quelques mois, et non des PME européennes intégrant des agents à leur système d’information. Il met néanmoins en évidence une difficulté fondamentale. Un conseil pertinent au regard d’une question générale peut être inadapté à la situation particulière d’une entreprise. Une baisse de prix, par exemple, peut accroître les ventes tout en dégradant une marge déjà insuffisante.
Cette distinction rejoint les constats de l’OCDE dans son enquête D4SME publiée en avril 2026. Dans un échantillon non représentatif de plus de 2 000 PME de douze pays, l’adoption des produits d’IA standardisés progresse, mais l’intégration stratégique et sécurisée aux opérations demeure inégale. Les difficultés portent notamment sur le temps disponible, la maintenance et les compétences.
Le Baromètre France Num 2026 indique que 40 % des TPE-PME interrogées utilisent au moins une solution d’IA, mais seulement 11 % déclarent automatiser des tâches grâce à elle et 9 % l’employer pour l’analyse de données, la prévision ou l’optimisation des ressources. Ces catégories déclaratives ne mesurent ni les mêmes niveaux de sophistication ni un résultat économique.
Le facteur discriminant pourrait être la capacité à formuler un problème exploitable, fournir des données correctes, contrôler les sorties et modifier effectivement les processus. Sur ce terrain, une grande entreprise organisée conserve un avantage ; une PME disciplinée peut aussi en construire un. L’IA abaisse le prix de certaines réponses, pas celui de toutes les bonnes questions.
Le commerce agentique déplace le problème vers l’accès effectif aux clients
Le commerce agentique permet de tester cette distinction dans une situation concrète. Un marchand souhaite qu’un agent d’achat trouve ses produits, comprenne les variantes, vérifie les disponibilités et accompagne éventuellement une commande. Il pourrait sembler nécessaire de financer des interfaces complexes avec chaque fournisseur d’agent. Or plusieurs acteurs cherchent précisément à mutualiser ce travail.
La documentation du plan Agentic de Shopify indique qu’un marchand peut conserver sa plateforme de commerce existante tout en diffusant ses produits vers des canaux agentiques. Le plan ne comporte pas d’abonnement mensuel, mais des frais transactionnels ou de services peuvent s’appliquer. Pour une PME éligible, l’accès technique peut donc devenir beaucoup moins coûteux que la construction d’une infrastructure spécifique.
D’autres initiatives poursuivent une logique comparable. Le Universal Commerce Protocol présenté par Google vise à standardiser les échanges entre agents et commerçants, du catalogue aux étapes transactionnelles. De son côté, OpenAI documente un protocole de commerce agentique accessible aux développeurs, tout en soumettant certaines fonctions de paiement intégré à une approbation. Ces initiatives attestent un effort de standardisation ; elles ne prouvent pas que tous les marchands bénéficient déjà des mêmes débouchés ni que tous les dispositifs sont disponibles en France.
Le point décisif apparaît dans les conditions d’éligibilité publiées par Shopify. Des produits peuvent être mis à disposition des agents sans être affichés dans leurs réponses. L’éligibilité technique, la découverte et la recommandation relèvent de mécanismes distincts. Shopify précise d’ailleurs que chaque canal décide des produits qu’il présente à l’utilisateur.
Cette dissociation pourrait produire une forme nouvelle d’inégalité. Un commerçant qui n’avait ni équipe informatique importante ni boutique particulièrement sophistiquée peut devenir compatible avec plusieurs agents. Mais il ne maîtrise pas nécessairement les règles selon lesquelles ceux-ci constituent leur sélection. Son investissement dans la qualité du catalogue peut améliorer sa lisibilité sans garantir qu’il figure parmi les offres proposées.
Une autre difficulté tient à la manière dont les agents comparent les produits. Si leurs critères privilégient des attributs facilement structurables — prix, délai, disponibilité —, certaines qualités plus difficiles à représenter peuvent peser moins lourd : durabilité réellement constatée, qualité d’un service local ou accompagnement spécialisé. Il s’agit ici d’un risque conditionnel, non d’un biais systématiquement démontré des agents. Son importance dépendra des préférences exprimées par les acheteurs et de la capacité des systèmes à vérifier ces caractéristiques.
Ainsi, la réduction du coût d’intégration ne suffirait pas à égaliser les chances commerciales. Les entreprises les mieux capables de mesurer leur présence dans les réponses, de corriger leurs données et d’expérimenter différents canaux pourraient à nouveau prendre de l’avance. L’inégalité ne se formerait plus seulement dans la possession des outils, mais aussi dans l’observation d’un marché filtré par des intermédiaires algorithmiques.
Le rattrapage dépendra des choix d’architecture, puis des règles du marché
Pour une PME, la stratégie rationnelle ne consiste ni à reconstituer l’empilement logiciel d’une grande entreprise ni à confier sans contrôle ses opérations à un agent généraliste. Elle consiste à déterminer quelles fonctions créent effectivement de la valeur, à quel coût et avec quel niveau de fiabilité.
Le premier investissement serait souvent moins spectaculaire qu’un agent autonome : disposer d’identifiants produits cohérents, d’un historique commercial exploitable, de prix à jour et de règles de validation claires. Sans ce socle, les assistants multiplient potentiellement les erreurs ou les vérifications manuelles. Avec lui, une entreprise peut tester une automatisation limitée, mesurer les heures économisées, les erreurs introduites et l’effet sur la marge avant d’élargir son périmètre.
Le second choix concerne l’architecture. Conserver un système transactionnel qui fait autorité, privilégier des données exportables et éviter les dépendances exclusives laisse la possibilité de changer d’agent ou de canal. Cette réversibilité peut coûter davantage à court terme, mais elle réduit le risque qu’une interface devenue indispensable impose ses conditions commerciales. Les standards ont donc une valeur concurrentielle qui dépasse leur simplicité technique.
L’Autorité de la concurrence, dans son avis de juillet 2026, recommande justement une gouvernance transparente, ouverte et collaborative des standards du commerce agentique ainsi qu’une meilleure interopérabilité. Ces recommandations visent des risques identifiés, non une exclusion déjà mesurée des PME. Leur efficacité dépendra aussi de la possibilité, pour un marchand, de détecter les problèmes d’accès à un canal et de faire corriger des informations erronées.
Le critère pertinent pour évaluer le rattrapage ne sera donc pas le nombre de licences supprimées ou d’agents déployés. Il faudra comparer, à activité et qualité de service comparables, le coût d’exécution d’une fonction, sa fiabilité et sa contribution aux ventes. Puis vérifier si les commerçants qui deviennent techniquement accessibles aux agents rencontrent effectivement leurs clients.
L’IA peut réduire le prix d’entrée dans certaines capacités autrefois coûteuses. Elle ne redistribuera durablement l’avantage concurrentiel que si les entreprises les moins équipées peuvent convertir cet accès en opérations solides et en débouchés réels. La partie la plus incertaine du rattrapage commence précisément là où le logiciel cesse d’être le principal obstacle.