Leroy Merlin dispose déjà de plusieurs points d’appui. La prochaine étape : vérifier comment ils fonctionnent ensemble dans un vrai projet client.
Voir votre première scorecardVoici ce que je retiens de notre échange, et la question qu’il ouvre pour Leroy Merlin.
Un coach de vente testé en magasin, puis des solutions alternatives en appel d’offres. Le coût du premier format freine la généralisation : l’industrialisation n’est pas encore acquise.
Un temps de rédaction des fiches divisé par 25 est déclaré lors de l’échange. L’harmonisation côté marketplace reste à faire. Ce gain n’a pas été audité et ne mesure pas la qualité des réponses d’un agent.
Mindex et Jellyfish ont été testés. Mindex n’a pas été retenu dans le contexte décrit. Un outil déjà en place avait évolué pour couvrir le besoin. Ces essais ne démontrent pas un effet sur les ventes.
Collaborateurs, clients, opérations : trois piliers structurent le programme IA. Les relier autour d’un parcours client agentique est une piste à partager avec les équipes, pas une coordination déjà démontrée.
Éléments déclarés dans l’entretien du 21 septembre 2026. Leur périmètre et leur état actuel restent à confirmer ; les bénéfices évoqués ne sont pas des résultats audités.
Une lecture d’analyste issue de l’entretien, distincte du diagnostic technique du site.
Donnée produit et organisation IA décrites.
Tests de visibilité dans les réponses IA.
Interprétation réelle des produits à tester.
Préparation du panier à observer.
Commande et paiement à documenter.
Ces pourcentages sont des paliers conventionnels de maturité, pas des taux de réussite mesurés ni un benchmark. Estimation provisoire d’Adrien, à challenger lors des prochains échanges. Gris = inconnu, jamais « mauvais ». Aucun score global n’est calculé.
SALSA examine ce qu’un agent peut trouver, lire et faire sur les interfaces publiques. Voici la lecture qualitative du 28 octobre 2026, à consolider par des tests tracés.
Exploration et sitemaps signalés dans la première lecture. La pertinence des réponses IA reste à tester.
Aucun blocage global des principaux robots IA signalé dans la lecture initiale. Cela ne garantit pas chaque parcours.
Prix, disponibilité et identifiants relevés. Variantes, livraison et retours à approfondir.
Aucune interface agent confirmée dans cette lecture. À vérifier avec l’IT, sans conclure à son absence.
Pas de validation de bout en bout de la sélection, du panier et des conditions de livraison.
Le nombre de critères réellement vérifiables, les pondérations et le traitement des inconnus ne sont pas reconstitués. Le score historique de 56/100 n’est donc pas repris comme résultat validé.
Source : première lecture externe du 28.10.2026, pas un nouveau scan. Une observation publique ne prouve ni la capacité de production ni l’absence d’une solution interne.
Je veux repeindre ma salle de bains. Quels produits compatibles me faut-il, en quelle quantité, et sont-ils disponibles dans mon magasin ?
Une intention client, plusieurs décisions à fiabiliser.Surfaces à peindre, état des supports, humidité, dimensions et finition souhaitée. L’agent doit poser les bonnes questions.
Peinture, préparation et accessoires compatibles, avec les bonnes quantités à partir des données recueillies.
Bonnes variantes, prix, stock du magasin choisi, retrait ou livraison.
Un panier explicable que le client vérifie avant toute commande. Le paiement reste sous son contrôle.
Rendre explicites les usages, les compatibilités et les variantes qui changent le choix du produit.
Vérifier que prix, stock, retrait, livraison et retours sont compréhensibles dans le contexte du magasin et du client.
Observer un agent qui prépare un panier : ce qu’il réussit, ce qu’il interprète mal et ce qui exige une validation.
Leur lisibilité par les machines reste à approfondir dans la première analyse.
L’agent pourrait recommander sans connaître toutes les conditions de l’achat.
Sur une sélection de produits, comparer sa réponse aux conditions réellement affichées au client.
Compléter cette première lecture avec les équipes qui connaissent les parcours, les projets et les contraintes techniques.
Quels besoins clients et quels parcours méritent d’être testés en premier ?
Choisir les cas d’usage utiles.Quelles initiatives existent déjà, avec quels responsables et quelles dépendances ?
Relier les travaux et les équipes.Quelles données et actions sont accessibles, avec quelles règles et quelles limites ?
Définir ce qui peut être testé.Pour chacune : le parcours à tester, les équipes à mobiliser, les conditions à réunir et les critères de réussite. Les points non vérifiables resteront explicites.
Le raisonnement, les limites et la méthode restent accessibles sans alourdir la lecture.
SALSA est le référentiel technique de cette démarche : Site Agentic Layer Scan & Assessment. Il aide à examiner comment un agent trouve l’offre, accède aux informations, les comprend et peut avancer dans un parcours.
Le scan du site et les entretiens répondent à deux questions différentes : ce que les interfaces publiques permettent d’observer et ce que l’organisation peut réellement mettre en œuvre.
Aucun score global n’est présenté ici : le périmètre vérifiable, la pondération et le traitement des inconnus doivent accompagner tout score destiné à la décision.
Consulter le référentiel SALSALa première lecture externe date du 28 octobre 2026. Ces pistes sont à confirmer sur les pages et parcours retenus avec les équipes.
Les assistants interviennent déjà dans la recherche et la comparaison de produits. L’enjeu est de comprendre ce qui change pour les parcours de Leroy Merlin, sans confondre conseil assisté par IA et achat autonome.
Les intentions et usages déclarés ne sont pas des transactions observées. Les données américaines ne décrivent pas le marché français ; un écart de performance entre canaux ne prouve pas un effet causal de l’IA.