La plateforme de vente en direct Whatnot a acquis la startup d’IA Shaped, spécialisée dans les recommandations et la recherche en temps réel. L’opération vise à renforcer la personnalisation, la découverte de produits et la pertinence des résultats pendant les livestreams, au moment où Whatnot élargit ses catégories.
Dans le live shopping, quelques secondes suffisent pour perdre un acheteur. L’enjeu se joue sur la capacité à proposer le bon produit, au bon prix, au bon moment, sans casser le rythme d’un direct.
Whatnot intègre Shaped pour personnaliser recommandations et recherche
L’acquisition de Shaped par Whatnot s’inscrit dans une course à la personnalisation qui touche l’ensemble du commerce en ligne, avec une contrainte supplémentaire propre au livestream, la décision d’achat se prend pendant une émission, sous l’effet de la rareté, de l’animation et de l’interaction. Dans ce contexte, la recommandation ne peut pas se limiter à un historique d’achats ou à des catégories consultées la veille. Elle doit réagir à des signaux immédiats, le type de show en cours, les produits montrés à l’écran, les enchères, le chat, la vitesse de vente, ou la disponibilité des stocks.
Shaped est présenté comme un spécialiste du machine learning appliqué aux recommandations et à la recherche en temps réel. Pour Whatnot, l’objectif est double, améliorer l’expérience de découverte pour les acheteurs et augmenter la conversion pour les vendeurs. Le premier volet concerne la navigation, faire émerger des émissions pertinentes, des vendeurs similaires à ceux déjà suivis, ou des produits alignés sur les centres d’intérêt du moment. Le second touche à la monétisation, si un acheteur voit plus rapidement des articles susceptibles de l’intéresser, la probabilité d’enchérir ou d’acheter augmente, ce qui soutient le volume de transactions.
Sur une plateforme de vente en direct, la recherche est également un point sensible. Une requête sur une marque, un type de carte à collectionner ou un accessoire de mode doit renvoyer des résultats utiles même quand les annonces sont éphémères ou que les vendeurs décrivent différemment un même produit. L’intégration d’une brique IA peut aider à gérer la synonymie, les fautes de frappe, la personnalisation par profil, et la priorisation de résultats qui ont un sens dans l’instant, par exemple des émissions qui démarrent, ou des lots dont l’enchère est active.
Whatnot n’a pas détaillé publiquement les modalités financières de l’opération dans les éléments disponibles. Pour l’entreprise, le message central reste l’accélération produit, avec une équipe et une technologie conçues pour industrialiser des systèmes de recommandation, puis les adapter aux usages spécifiques du live. De ce fait, l’acquisition ressemble à une stratégie de renforcement interne plutôt qu’à un simple partenariat logiciel, avec la perspective d’une intégration plus profonde dans l’app, côté feed, recherche, suggestions et notifications.
Des recommandations en temps réel pour suivre le rythme du livestream
Les recommandations dans un environnement live posent des problèmes différents de ceux d’un site e-commerce classique. Sur une boutique traditionnelle, l’algorithme peut s’appuyer sur des sessions longues, des comparaisons de produits et des paniers. Sur un direct, l’utilisateur passe d’un show à l’autre, interagit, réagit à une mise en scène, et peut acheter impulsivement. Un système de recommandation doit donc gérer des signaux courts et souvent bruyants, tout en évitant de sur-personnaliser au point d’enfermer l’utilisateur dans une bulle de contenus répétitifs.
Le positionnement de Shaped sur le temps réel suggère une capacité à recalculer fréquemment les classements et suggestions. Concrètement, cela peut se traduire par un feed qui s’adapte pendant la session, par exemple si un utilisateur regarde plusieurs ventes de sneakers, l’application peut pousser des shows similaires en cours, ou des créneaux à venir. Si au contraire il quitte rapidement des contenus d’une catégorie, le système peut réduire leur présence dans les recommandations. Cette réactivité est un levier pour réduire la friction, car l’utilisateur n’a pas besoin de chercher longtemps pour retrouver un contenu pertinent.
L’autre enjeu est la qualité des recommandations quand l’offre s’étend. Whatnot a bâti une partie de sa notoriété sur des verticales comme les cartes à collectionner et les objets de collection, où les communautés sont structurées et les signaux de préférence assez lisibles. En se développant vers de nouvelles catégories, la plateforme doit gérer des comportements plus variés, des cycles d’achat différents, et parfois des attentes plus proches du retail traditionnel. L’IA peut aider à accélérer la phase d’apprentissage sur des catégories récentes, en reliant des produits proches, en identifiant des vendeurs dont l’offre correspond à un style, ou en détectant des corrélations entre audiences.
Pour les vendeurs, l’algorithme est aussi un arbitre de visibilité. Un système plus précis peut favoriser des émissions mieux ciblées vers les bonnes audiences, ce qui améliore les taux de conversion et limite la dépendance à la promotion externe. Mais cette mécanique suppose des garde-fous, transparence minimale sur les critères, lutte contre le spam, et prévention des abus comme le bourrage de mots-clés. Les plateformes qui misent sur la recommandation en temps réel doivent équilibrer performance et équité, afin de ne pas décourager les nouveaux vendeurs.
Enfin, l’IA en temps réel peut servir à la modération et à la confiance, même si ce n’est pas l’angle principal annoncé. La détection de comportements anormaux, de manipulations d’enchères ou de schémas de fraude peut s’appuyer sur des signaux temps réel. Whatnot n’a pas communiqué sur cet usage dans l’annonce citée, mais l’intégration d’une équipe ML avancée ouvre souvent ce type de chantiers, car les mêmes pipelines de données peuvent alimenter plusieurs produits.
Whatnot vise de nouvelles catégories et renforce la découverte produit
L’expansion vers de nouveaux univers de produits impose un effort particulier sur la découverte. Dans un live shopping, la vitrine n’est pas une page catalogue, c’est une succession de directs, de vendeurs et de lots. Pour un nouvel utilisateur, la difficulté consiste à comprendre rapidement ce qui est disponible, à qui faire confiance, et comment repérer les bonnes affaires. Les fonctions de découverte, recommandations, recherche, suggestions de comptes, notifications, deviennent donc des éléments structurants de la croissance.
Avec l’acquisition de Shaped, Whatnot cherche à renforcer cette couche de découverte, au moment où la concurrence sur l’attention est forte. Les plateformes sociales intègrent des fonctionnalités shopping, tandis que des acteurs spécialisés tentent de capter des niches. Whatnot se différencie par l’interactivité et la dynamique de vente en direct. Pour maintenir cet avantage, la plateforme doit éviter que l’utilisateur ne se perde dans une offre trop large. Les recommandations en temps réel peuvent servir de guide, en mettant en avant des contenus pertinents, sans exiger une recherche active.
Le défi augmente quand les catégories se multiplient, car la taxonomie devient plus complexe. Un même article peut appartenir à plusieurs segments, par exemple mode et luxe, sneakers et streetwear, ou vintage et décoration. Un système ML performant peut mieux gérer ces frontières, en apprenant des comportements plutôt qu’en imposant des catégories rigides. Il peut aussi aider à traiter le problème des descriptions variables, certains vendeurs utilisent des termes très techniques, d’autres un vocabulaire grand public. L’IA peut normaliser, enrichir et relier les informations pour améliorer la recherche.
Pour l’entreprise, la personnalisation a aussi un impact sur la rétention. Un utilisateur qui reçoit des recommandations pertinentes a plus de chances de revenir, de suivre des vendeurs, et de participer à des enchères. Le live shopping dépend d’un effet réseau, plus il y a d’acheteurs engagés, plus les vendeurs sont incités à diffuser, ce qui augmente l’offre, et renforce l’attractivité. Une meilleure découverte nourrit donc la boucle de croissance. À l’inverse, des recommandations perçues comme répétitives ou hors-sujet peuvent accélérer le churn.
Cette acquisition peut également être lue comme une volonté de maîtriser une technologie clé plutôt que de s’appuyer sur des solutions génériques. Les systèmes de recommandation à grande échelle sont souvent un avantage compétitif, car ils se construisent sur des données propriétaires et sur des ajustements fins au produit. En internalisant l’expertise de Shaped, Whatnot peut itérer plus vite, tester des modèles, mesurer l’impact sur des indicateurs comme le temps passé, le taux d’achat, et la diversité des catégories consommées, puis optimiser en continu.
Concurrence du live shopping et bataille de l’IA de recommandation
Le live shopping est devenu un terrain d’expérimentation pour de nombreux acteurs, avec des approches différentes selon les marchés. Les plateformes sociales misent sur la force de leurs audiences, tandis que des spécialistes comme Whatnot mettent l’accent sur la vente en direct, l’animation et la communauté. Dans ce paysage, la recommandation est une brique stratégique, car elle détermine une part importante de la distribution, qui est vu, par qui, et à quel moment.
Le rachat de Shaped illustre une tendance plus large, l’IA n’est plus seulement un outil d’optimisation, elle devient un socle produit. Les utilisateurs attendent des moteurs de recherche tolérants aux erreurs, des recommandations pertinentes et une personnalisation qui ne demande pas d’effort. Les plateformes qui ne progressent pas sur ces points risquent de voir l’attention se déplacer vers des services plus fluides. Mais l’IA de recommandation comporte aussi des risques, comme la sur-optimisation pour la conversion à court terme, au détriment de la diversité des contenus et de la satisfaction à long terme.
Pour les vendeurs, la montée en puissance des algorithmes peut modifier les règles du jeu. Si la visibilité dépend davantage des signaux d’engagement, certains peuvent être tentés de privilégier les formats les plus accrocheurs, parfois au détriment de la qualité de présentation ou de la transparence sur les produits. Les plateformes doivent donc articuler recommandation et politiques de confiance, contrôle des descriptions, lutte contre les contrefaçons, gestion des litiges. Whatnot n’a pas annoncé de changement de règles dans l’annonce, mais l’amélioration de la découverte peut mécaniquement augmenter les volumes, ce qui rend ces sujets plus sensibles.
La question de la donnée est centrale. Un système en temps réel suppose une collecte et un traitement rapides des événements, vues, clics, enchères, achats, abandons, et interactions sociales. Cela implique une infrastructure robuste, des métriques claires, et des tests A/B continus. L’acquisition d’une startup spécialisée peut accélérer cette industrialisation, notamment si Shaped apporte des outils et des méthodes déjà éprouvés. Mais l’intégration reste un défi classique, aligner les équipes, unifier les pipelines, et éviter que la technologie ne reste isolée.
À court terme, les utilisateurs devraient surtout percevoir des améliorations progressives, suggestions plus pertinentes, recherche plus utile, et recommandations plus cohérentes pendant les directs. À moyen terme, l’IA pourrait permettre des expériences plus contextualisées, par exemple des notifications basées sur des signaux d’intention, ou des sélections éditorialisées automatiquement selon les préférences. L’évolution reste incertaine sur le rythme de déploiement, car elle dépend des cycles d’intégration et des arbitrages produit, mais Whatnot a clairement choisi d’investir dans la recommandation comme levier de croissance.
