Agents IA e-commerce cross-border : du support à l’after-sales en passant par sourcing et pubs

Les équipes cross-border manquent rarement d’un compte ChatGPT—elles souffrent surtout de cinq filières à demi automatisées : copier-coller au helpdesk, sourcing dans des tableurs, acheteurs médias qui surveillent le ROAS, entrepôt qui exporte l’ERP, SAV qui alterne e-mails et tickets marketplace. Relier tout cela avec des agents IA en une pipeline auditable repose sur trois piliers : un bus d’événements unifié, des agents métier à permissions d’outils explicites, et des portes d’approbation humaine (remboursements, prix, délistings, gros budgets).

Ce guide suit l’ordre zéro → production : architecture et contrats de données, cinq agents (support, sourcing, publicité, commandes, SAV), orchestration, observabilité, conformité. Exemples Shopify + Amazon Seller + Meta/Google Ads ; stack maison possible avec webhooks, files et API LLM. Pour un gateway 24/7, faites tourner l’orchestration sur un Cloud Mac en région fixe (cron, scripts locaux) tout en gardant les API métier officielles.

Architecture : bus, orchestrateur, outils

Ne mettez pas toutes les API dans un « super agent ». Le modèle durable : orchestration légère, outils épais :

• Bus d’événements : Kafka, Redis Streams, SQS ou table Postgres outbox. Normaliser l’entrant en schémas JSON (order.created, ticket.opened, ads.campaign.overspend).
• Orchestrateur : routage par type d’événement vers des workers ; machine à états par commande (réponse en attente → expédition → exception → clos).
• Agents métier : outils limités au domaine (support lit la KB, commandes lit le WMS) ; profil client partagé en lecture seule.
• File d’approbation : remboursements, prix, délistings, budget au-dessus du seuil dans pending_approvals ; cartes Slack/Feishu avant exécution.

Données et identifiants : source unique de vérité

Les réponses incohérentes viennent souvent de données divergentes. Avant mise en prod :

1. Référentiel produit : SKU, variantes, douane, pays interdits—ERP/PIM fait foi ; admin boutique en sync lecture seule.
2. État commande : ID marketplace ↔ order_id interne ↔ numéro de suivi via table de mapping ; les agents interrogent uniquement cette couche.
3. Fil client : e-mail, messages onsite, WhatsApp, marketplace sous un customer_id.
4. Secrets : tokens Shopify Admin API, Amazon SP-API, Meta Marketing API dans Vault/KMS ; jetons courts à l’exécution—jamais dans le prompt.

Agent support : canaux, intentions, base de connaissances, escalade

Entrées : webhooks Gorgias, Zendesk, Shopify Inbox, Amazon Buyer-Seller Messaging. Outils : KB politiques (délai retour, garantie), suivi colis, notes ticket. Règles :

• Taxonomie : suivi / article manquant / qualité / annulation / menace d’avis—liste blanche d’actions par intention.
• RAG versionnée : incrémenter la version à chaque changement de politique.
• Faible confiance ou ton agressif → escalate_to_human avec les faits commande déjà récupérés.

La langue de réponse suit la boutique de l’acheteur ; un modèle d’intention structuré multilingue, pas un agent par langue.

Agent sourcing : signaux, scoring, pool humain

L’agent sourcing ne « valide pas les fiches »—il compresse l’information (tendance, prix concurrent, marge, conformité) en fiche décision.

• Signaux : tendances marketplace, estimations tierces, bibliothèque pub, recherche brevet/marque sommaire (validation juridique).
• Scoring : règles + résumé LLM ; score, risks[], suggested_moq.
• Pool humain : score au-dessus du seuil → comité achats ; tableaux comparatifs auto, pas de bon de commande auto.

Agent publicité : créa, enchères, coupe-circuit

La pub brûle le budget le plus vite. Droits plutôt lecture que écriture :

• Monitoring lecture seule : spend, CTR, ROAS horaires ; pics → ads.anomaly.
• Mode recommandation : cartes « réduire budget / changer créa / élargir audience »—pas de budget auto par défaut.
• Mode auto (option) : si ROAS > objectif et spend < plafond journalier, micro-ajustements ±5 % ; hausses toujours approuvées.
• Textes pub en flux séparé : trois jeux headline + texte principal ; l’humain choisit avant Meta/Google.

Agent commandes : expédition, exceptions, rapprochement

Écoute order.paid, inventory.low, shipment.exception :

1. Valider adresse (code postal, surcharges zones isolées), listes noires, doublons.
2. Routage entrepôt selon stock, délai, coût entrant ; rupture → split ou agent support prévient l’acheteur.
3. Réécrire le suivi boutique et marketplace ; exceptions ouvrent ticket pré-SAV.
4. Fin de journée : règlement marketplace ↔ passerelle paiement ↔ créances ERP ; alerte si écart > seuil.

Agent SAV : RMA, remboursements, litiges

Partage le fil client avec le support, outils plus sensibles :

• RMA : fenêtre retour, colis ouvert, retour cross-border—suggestion approve_rma, exécution après approbation.
• Remboursements : partiel / total / frais port en table de politique ; l’agent propose les montants seulement.
• Litiges plateforme : Amazon A-to-z, PayPal—dossier de preuves (livraison, chat, captures politique) soumis par un humain.

Orchestration : n8n, FSM maison, frameworks d’agents

Chemin conseillé : semaine 1 n8n « nouveau ticket → commande → brouillon » ; semaines 2–3 machine à états commande en code ; semaine 4 monitoring pub en lecture seule.

Observabilité, coût, socle sécurité

• Traçage : chaque appel journalise trace_id, modèle, jetons, outil, approbation ou non.
• Rejeu : conserver événements entrants + sorties structurées pour prouver « conforme à la politique ».
• Coût : petit modèle pour classifier le support, grand modèle pour les brouillons ; digests sourcing/pub en batch.
• Conformité : minimisation RGPD ; interdiction faux avis et manipulation de classement—listes blanches lisibles par le juridique.

Plan sur quatre semaines

1. Semaine 1 : schémas d’événements + mappings ; support lecture seule + brouillons (envoi humain).
2. Semaine 2 : routage entrepôt auto + suivi réécrit ; exceptions → préparation SAV.
3. Semaine 3 : digest sourcing + alertes pub ; approbations Slack/Feishu.
4. Semaine 4 : suggestions RMA + alertes rapprochement ; trace bout-en-bout et rapport ROAS/CSAT hebdo.

FAQ

FAQ structurée dans le JSON-LD de la page. En résumé : un seul agent ?, support Shopify/Amazon partagé ?, pubs 100 % auto ?, injection de prompt, où héberger les workers.