eBay
generation genAI de fiche produit a partir d'une photo
Avec Magical Listing (2023), eBay genere une fiche produit complete depuis une photo : 30% des vendeurs US de l'app l'ont essaye et plus de 95% d'entre eux ont utilise la description generee par l'IA.
L'essentiel
- Generation genAI d'une fiche produit a partir d'une simple photo, avec revue du vendeur.
- Outil Magical Listing, modeles vision et LLM eBay in-house dans le Seller Hub.
- 30% des vendeurs US de l'app l'ont teste, plus de 95% ont garde la description IA.
- Niveau de preuve B, statut vivant confirme.
Objectif
Reduire la friction de mise en vente, en particulier pour les vendeurs debutants confrontes au probleme du cold start, en generant automatiquement une fiche complete.
Le déploiement
L'outil Magical Listing genere une annonce a partir d'une simple photo prise ou televersee dans l'app eBay. L'IA analyse l'image et produit titre, description, date de sortie, categorie et sous-categorie, et se combine aux autres briques d'eBay pour suggerer prix et frais de port. Le vendeur revoit et edite avant publication. Objectif direct : accelerer la creation de fiches detaillees et coherentes, surtout pour les nouveaux vendeurs. Deploye a partir de fin 2023 dans le Seller Hub et l'app mobile.
Résultats Preuve B
Metriques d'adoption et de retention communiquees par eBay et rapportees par la presse specialisee (Retail Dive, TechCrunch). Chiffres d'usage a l'echelle de la marketplace, mais pas de resultat financier direct.
Comment ça fonctionne
Architecture documentéeLa stack en détail
- llm Modeles vision + LLM eBay (in-house) Reconnaissent l'objet sur la photo et generent titre, description, categorie et attributs; eBay ne detaille pas publiquement les modeles.
- infra Seller Hub et app mobile vendeur Points d'entree de Magical Listing: photo prise ou televersee, puis revue et edition par le vendeur avant publication.
- outil Taxonomie catalogue et moteur de suggestion prix Briques eBay existantes combinees a la generation: mapping categorie et sous-categorie, suggestions de prix et de frais de port.
Comment ça tourne, concrètement
Pour les équipes ops-
1Prise de photo client
Le vendeur photographie ou televerse une image du produit dans l'app.
-
2Analyse et generation IA
L'IA reconnait l'objet et genere titre, description, categorie et attributs.
-
3Suggestions complementaires IA
La plateforme propose prix et frais de port a partir de ses autres briques.
-
4Revue et publication client
Le vendeur edite si besoin puis publie l'annonce.
La qualite de la photo et la reconnaissance de l'objet. Sur un produit mal cadre ou peu identifiable, la fiche generee derape et le vendeur doit tout reprendre.
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
- images produit
- taxonomie de categories
- referentiel d'attributs
Prérequis orga
- modele vision-langage ou API
- boucle de validation vendeur
Stack possible
- modele multimodal image vers texte
- mapping vers taxonomie catalogue
- moteur de suggestion prix
Le plan, étape par étape
- Étape 1Cadrer les champs a generer (titre, description, categorie, attributs) et la taxonomie cible.Livrable : Spec de la fiche generee et jeux de photos de test
- Étape 2Brancher un modele multimodal (API) sur le flux de creation de fiche.Livrable : Prototype photo vers fiche sur le catalogue de test
- Étape 3Construire le mapping vers la taxonomie et l'ecran de revue vendeur.Livrable : Fiche pre-remplie editable en pre-production
- Étape 4Ouvrir une beta a un segment de vendeurs et mesurer l'essai et la retention de la description.Livrable : Chiffres d'adoption et de retention sur la beta
- Étape 5Generaliser et suivre completude des fiches et temps de mise en vente.Livrable : Fonction en production avec tableau de bord d'adoption
Première étape : Brancher un modele multimodal sur le flux de creation de fiche et laisser le vendeur editer la sortie.
Sources
- S1 EBay's new AI tool generates product listings from photos Presse établie archive à générer
- S2 eBay rolls out a tool that generates product listings from photos Presse établie archive à générer
- S3 Selling is now even easier with AI Officiel intéressé 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.