Leroy Merlin (Adeo)
enrichissement genAI des attributs et fiches produit
Avec Gemini et Artefact, Adeo (Leroy Merlin) a porte la couverture des attributs de ses fiches produit de 27% a 87%, avec plus de 96% d'exactitude et 63% des produits au-dela de 96% de precision.
L'essentiel
- Enrichissement automatise des fiches produit par IA generative, avec Artefact.
- Classification DistilBERT puis extraction d'attributs par Gemini avec auto-verification.
- Couverture des attributs passee de 27% a 87%, plus de 96% d'exactitude.
- Preuve B, statut vivant confirme en production.
Objectif
Rendre les fiches produit completes et fiables a grande echelle, pour ne pas perdre de ventes a cause d'un contenu produit insuffisant et pour ameliorer la recherche et le filtrage sur le site.
Le déploiement
Adeo, la maison mere de Leroy Merlin, a industrialise l'enrichissement de ses fiches produit avec l'IA generative, en partenariat avec Artefact et sur Google Cloud. Le catalogue couvre environ 3 600 categories, avec 50 a 60 attributs en moyenne par produit et une bibliotheque de 11 000 attributs. Un modele de classification DistilBERT range les produits, puis Gemini extrait les valeurs d'attributs avec une etape d'auto-verification integree. La couverture des attributs est passee de 27% a 87%. Sur un lot mesure, environ 32 000 predictions ont ete faites, dont plus de 20 000 entierement automatisees, avec plus de 96% d'exactitude et un taux d'erreur de 3,6%, contre environ 8% pour l'humain. 63% des produits atteignent une precision superieure a 96%.
Résultats Preuve B
Etude de cas chiffree publiee par l'integrateur Artefact et par Google Cloud (sources officielles interessees), avec des mesures de couverture, d'exactitude et de taux d'erreur sur un lot de production. Chiffres venant des partenaires du projet, pas d'un audit tiers, ce qui place a B.
Comment ça fonctionne
Architecture documentéeLa stack en détail
- llm Google Gemini Modeles Gemini de Google utilises pour extraire les valeurs d'attributs produit, avec une etape d'auto-verification integree.
- llm DistilBERT Modele de classification open source (version distillee de BERT) qui range chaque produit dans une des 3 600 categories du referentiel.
- plateforme Google Cloud Socle cloud sur lequel tourne le pipeline d'enrichissement du catalogue Adeo.
- integrateur Artefact Partenaire de mise en oeuvre du pipeline de classification et d'extraction d'attributs.
- infra Pipeline custom Adeo Orchestration maison : referentiel de 11 000 attributs, seuils de confiance et bascule vers la revue humaine.
Comment ça tourne, concrètement
Pour les équipes ops-
1Classification IA
DistilBERT range chaque produit dans une des 3 600 categories du referentiel.
-
2Extraction d'attributs IA
Gemini extrait les valeurs d'attributs a partir des documents et libelles produit.
-
3Auto-verification IA
Une etape de verification integree filtre les predictions peu sures avant automatisation.
-
4Controle et bascule equipe data
Les predictions sures sont automatisees, les cas incertains passent en revue humaine avant publication.
La qualite des sources produit (documents fournisseurs, libelles) et le referentiel d'attributs. Si la source est pauvre, l'extraction se degrade et le taux d'erreur monte.
Comment vos clients perçoivent ce type d'usage
Études sourcéesUn ecart net separe les annonceurs des consommateurs : 77% des annonceurs voient l'IA positivement contre 38% des consommateurs (Yahoo/Publicis, 2024). Les mesures implicites confirment le rejet declare : en EEG, les pubs generees par IA produisent une activation memorielle plus faible que les pubs traditionnelles et sont decrites comme agacantes, ennuyeuses et confuses (NIQ, 2024). La disclosure a un effet ambivalent : elle augmente fortement la confiance quand elle est remarquee (Yahoo/Publicis), mais 27% des jeunes consommateurs disent faire moins confiance a une entreprise dont la pub est creee par IA (IAB, 2024).
Conditions d'acceptation
- Une disclosure visible : quand la mention IA est remarquee, la confiance globale envers l'entreprise augmente de 96% (Yahoo/Publicis 2024)
- Une qualite visuelle suffisante : les visuels IA de basse qualite augmentent l'effort cognitif et distraient du message (NIQ 2024)
Lignes rouges
- Le contenu IA non declare puis identifie : 72% des consommateurs disent que l'IA rend l'authenticite difficile a etablir (Yahoo/Publicis 2024) et les marques utilisant des pubs IA sont plus souvent jugees inauthentiques ou non ethiques par les consommateurs que par les dirigeants (IAB 2024)
- Les mannequins et personnes generes par IA : 46% des consommateurs n'en veulent pas dans la publicite, l'inquietude premiere etant les standards de beaute irrealistes (Attest 2025)
Sources : Yahoo / Publicis Media (terrain Ebco) 2024 · IAB (avec Attest) 2024 · NIQ (NielsenIQ) 2024 · Attest 2025
Voir l'acceptation complète : par pays, par usage, par génération
Comment répliquer
Inférence - non sourcéPrérequis data
- Referentiel d'attributs et taxonomie de categories
- Documents et libelles produit fournisseurs exploitables
- Jeu de validation pour mesurer precision et erreur
Prérequis orga
- Regle de bascule automatique vers revue humaine sur les cas incertains
- Equipe catalogue pour arbitrer les cas limites
- Metrique de couverture et d'erreur suivie
Stack possible
- Modele de classification produit
- LLM generatif pour l'extraction d'attributs
- Etape d'auto-verification et seuil de confiance
Le plan, étape par étape
- Étape 1Choisir une categorie a fort volume et fiches pauvres, auditer le referentiel d'attributs et la qualite des sources fournisseurs.Livrable : Perimetre pilote arrete + jeu de validation annote
- Étape 2Mettre en place la classification produit (modele type DistilBERT) sur le referentiel de categories.Livrable : Classifieur evalue sur le jeu de validation
- Étape 3Brancher l'extraction d'attributs par LLM avec auto-verification et seuil de confiance.Livrable : Pipeline d'extraction avec taux d'erreur mesure face a la saisie humaine
- Étape 4Cabler la bascule : predictions sures automatisees, cas incertains envoyes en file de revue humaine.Livrable : File de revue outillee et regle de bascule documentee
- Étape 5Passer la categorie pilote en production, suivre couverture et taux d'erreur, arbitrer l'extension.Livrable : Tableau de bord couverture/precision et plan d'extension aux categories suivantes
Première étape : Choisir une categorie a fort volume et fiches pauvres, brancher classification puis extraction genAI, et fixer un seuil d'automatisation avec revue des cas incertains.
Sources
- S1 ADEO: Improving product referencing speed and quality with AI Officiel intéressé archive à générer
- S2 ADEO case study - Google Cloud Officiel intéressé archive à générer
- S3 Leroy Merlin entraine ses vendeurs avec une IA conversationnelle Secondaire archive à générer
Une erreur, une info plus récente, une source ?
Cette fiche vit de sa justesse. Si un chiffre a bougé, si le déploiement a changé, ou si vous avez une source de meilleure qualité, dites-le nous. Toute correction sourcée est vérifiée avant publication.