Les données produit étaient autrefois une préoccupation de back-office. En 2026, elles déterminent la vitesse de lancement d'une entreprise, la surface d'un produit par un assistant IA et le franchissement des douanes de l'UE. La discipline est passée du tri des feuilles de calcul à la gestion de la couche de données qui alimente chaque canal, agent et régulateur.
Le marché reflète ce changement. Les estimations varient selon la façon dont chaque analyste trace les limites, mais la direction est cohérente. Precedence Research estime le marché mondial du PIM à 20,95 milliards de dollars en 2025, projettant 121,48 milliards d'ici 2035 à un TCAC de 19,22 %. Mordor Intelligence estime 19,95 milliards de dollars en 2026, atteignant 37,39 milliards d'ici 2031. Les chiffres diffèrent. La croissance à deux chiffres, non.
Ci-dessous figurent les tendances qui portent un poids pratique pour 2026, avec les données et les conséquences opérationnelles pour les équipes qui gèrent l'information produit.
Points clés à retenir
- Le marché mondial du PIM avoisine 20 milliards de dollars en entrant 2026, avec une croissance à deux chiffres prévue pour la décennie.
- L'IA dans le PIM passe de suggestions isolées à l'exécution multi-étapes sur l'onboarding, l'enrichissement, la classification et la validation.
- Les acheteurs font leurs recherches via des assistants IA, donc les attributs lisibles par machine décident ce qui apparaît et ce qui est filtré.
- Le registre du passeport numérique de produit de l'UE est devenu opérationnel le 20 juillet 2026. Les batteries ont le premier délai obligatoire le 18 février 2027.
- La qualité des données est la contrainte qui limite toutes les autres tendances. Les agents, la découverte par IA et les passports échouent tous sur des enregistrements mal tenus.
L'IA passe de l'assistance à l'exécution
L'enrichissement par IA a quitté la phase pilote pour de nombreuses équipes au cours des deux dernières années. Les cas d'usage pratiques sont établis : extraction d'attributs à partir de PDF et d'images de fournisseurs, classification des produits entrants par rapport à une taxonomie, traduction et localisation des descriptions à grande échelle, et signalisation des anomalies dans de grands catalogues. Ces tâches réduisent la charge manuelle et libèrent les gens pour le contrôle de qualité.
Le changement en 2026 est l'étendue de ce que l'IA fait en une seule passe. Les fournisseurs passent d'un modèle où l'IA suggère une description ou remplit un champ à un modèle où les agents exécutent une tâche du début à la fin. Un agent intègre un flux de fournisseur, le mappe à votre modèle de données, enrichit les enregistrements minces, valide l'exhaustivité et prépare le résultat pour examen. La personne gouverne le résultat au lieu d'effectuer chaque étape.
Cela ne fonctionne que sur une fondation sur laquelle l'agent peut agir. L'exécution autonome dépend de données propres et structurées ainsi que d'une API qui expose les opérations au niveau dont un agent a besoin. Un agent qui décide quoi faire au moment de l'exécution ne peut pas fonctionner avec une seule clé d'administration noctée. Il a besoin de points de terminaison granulaires et de permissions granulaires, pour pouvoir modifier un seul attribut sur un seul marché sur exactement les produits qui en ont besoin.
La dépendance fonctionne aussi dans l'autre sens. Les données sales cassent l'exécution autonome plus vite qu'elles ne cassent un humain, car une personne remarque le désordre et un agent le propage.
Ce modèle apparaît à plusieurs reprises dans la distribution. Les clients arrivent avec des flux de fournisseurs dans des formats incohérents, remappés à la main chaque fois qu'un nouveau fournisseur s'inscrit. Un modèle de données configurable et des règles basées sur les événements suppriment ces étapes manuelles, ce qui rend l'onboarding piloté par agent réaliste plutôt qu'aspirationnel. Cela reflète ce que nous voyons dans les implémentations, pas un benchmark contrôlé, donc pesez-le comme un contexte praticien plutôt que comme une preuve mesurée.
Les données produit deviennent l'entrée pour la découverte par IA
Les acheteurs recherchent maintenant des produits via des outils IA avant de se rendre sur une page produit. Selon l'enquête 2026 sur les consommateurs de Salsify, 22 % des acheteurs utilisent des outils de recherche IA tels que ChatGPT pour les recherches de produits, devançant les sites d'avis de produits à 19 % et les forums en ligne à 14 %. L'adoption penche vers les plus jeunes, 30 % des millennials et 26 % de la génération Z, contre 5 % des baby-boomers. Lisez la source avec son intérêt à l'esprit. Salsify vend un logiciel de gestion de l'expérience produit, donc sa recherche mesure la demande pour une capacité qu'elle vend aussi. La répartition générationnelle et le classement par rapport à d'autres sources de recherche s'alignent avec les données d'enquête plus larges, ce qui rend la direction crédible même si les parts exactes portent un intérêt maison.
La confiance traîne l'adoption. Seulement 14 % des acheteurs font confiance à une recommandation d'IA seule, et 27 % autres lui font confiance mais la vérifient ailleurs avant d'acheter. Ce qui ferme l'écart, c'est le détail. Quand les outils d'IA présentent des spécifications et des descriptions complètes, 31 % des acheteurs disent que cela les convainc d'acheter. Les mauvaises données font le contraire. Chez les jeunes acheteurs, 55 % ont retourné un article parce que les données produit étaient incorrectes.
Les données de trafic montrent pourquoi cela compte commercialement. Adobe Analytics a rapporté que le trafic provenant de l'IA vers les sites de vente au détail américains a augmenté de 393 % en glissement annuel au premier trimestre 2026, et ces visiteurs se sont convertis 42 % mieux que le trafic non-IA en mars, avec 37 % de revenus supérieurs par visite. Un an plus tôt, le même canal se convertissait 38 % plus mal.
Ces chiffres ont besoin d'une mise en garde. La croissance mesurée par rapport à une petite base 2024 semble dramatique par construction, et Adobe n'a commencé à suivre les références IA que fin 2024, donc les comparaisons en glissement annuel mélangent la croissance réelle à une méthodologie encore en maturation. Adobe vend aussi des analyses de commerce et un outil de visibilité IA, ce qui lui donne un intérêt dans l'histoire de la découverte IA. Les données de plateforme indépendantes de Shopify et d'autres pointent dans la même direction, donc la direction est solide. Les magnitudes exactes sont mieux lues comme directionnelles plutôt que précises.
Le canal est passé d'une des pires sources de conversion au détail américain à la meilleure, et a continué à croître en le faisant.
Adobe a également mesuré ce que les modèles d'IA peuvent réellement lire. Environ 34 % du contenu de la page d'accueil des détaillants était invisible pour les modèles d'IA, et les pages produit avaient une visibilité moyenne de 66 %. Le contenu que le modèle ne peut pas analyser n'est pas affiché.
Une nouvelle pratique découle de ceci. L'optimisation pour moteur de réponses, ou AEO, structure les données produit pour que les systèmes d'IA puissent les lire, les comparer et les recommander. Les attributs incomplets ou non structurés sont filtrés avant qu'un acheteur ne les voie. Les produits avec des spécifications riches et lisibles par machine sont affichés. Le travail se fait dans le PIM, car c'est là que les attributs, les valeurs, les unités et les relations sont définis. La copie marketing seule ne décide plus de la visibilité. Les attributs structurés le font.
Les passports numériques de produits transforment la conformité en responsabilité PIM
L'information produit porte maintenant un poids réglementaire dans l'UE. Le règlement (UE) 2024/1781 relatif à l'écoconception pour la durabilité des produits est entré en vigueur en juillet 2024 et crée le passeport numérique de produit, un enregistrement numérique lié à un produit physique via un porteur de données tel qu'un code QR. Le passeport contient la composition matérielle, le contenu recyclé, l'empreinte carbone, les informations de réparation et de démontage, les déclarations de substances dangereuses, l'origine de la chaîne d'approvisionnement et les instructions de fin de vie.
2026 est l'année de l'infrastructure. Le registre du passeport numérique de produit de l'UE est devenu opérationnel le 20 juillet 2026, ainsi qu'un environnement de test où les opérateurs économiques peuvent s'inscrire et explorer les flux de travail d'enregistrement. Le registre stocke l'identifiant unique de chaque produit et les données d'enregistrement obligatoires, et les autorités douanières et de surveillance du marché l'utilisent pour l'application.
Aucun produit n'a besoin d'un passeport aujourd'hui selon l'ESPR seul, car la Commission introduit les exigences groupe de produits par groupe de produits par le biais d'actes délégués, chacun avec une période de transition d'au moins 18 mois. Le premier délai fixe vient d'une loi distincte. Selon le règlement (UE) 2023/1542 relatif aux piles, un passeport numérique devient obligatoire pour certaines piles le 18 février 2027, couvrant les piles pour véhicules électriques, moyens de transport légers et piles industrielles.
Le calendrier indicatif de la Commission pour les groupes prioritaires est le suivant :
- 2026 — Acte délégué sur le fer et l'acier, plus droits d'accès aux piles
- 2027 — Textiles, pneumatiques et aluminium ; produits de construction selon le CPR révisé
- 2028 — Meubles
- 2029 — Matelas, produits TIC et règles sur le contenu recyclé
Les produits liés à l'énergie sont traités un par un entre 2026 et 2029, et certains peuvent continuer à utiliser le registre EPREL existant au lieu d'un passeport distinct. Les aliments, les médicaments et les plantes et animaux vivants sont en dehors du champ d'application de l'ESPR.
Pour les fabricants d'un groupe couvert, le point opérationnel est clair. Les données du passeport doivent provenir de quelque part de structuré, versionné et lié à l'enregistrement du produit. Les feuilles de calcul et les PDF éparpillés dans les départements ne peuvent pas alimenter une entrée de registre ou un porteur de données lisible par machine. Cela tire les données de durabilité et de cycle de vie dans le même système qui contient déjà les attributs et les actifs, qui pour la plupart des entreprises est le PIM. Les équipes dans les chaînes d'approvisionnement du fer et de l'acier, des textiles et des piles qui commencent à structurer ces données en 2026 évitent une bousculade quand leur acte délégué arrive.
L'architecture se tourne vers le composable et prêt pour les agents
Le PIM monolithique construit sur une grande base de code unique devient un goulot d'étranglement à mesure que les catalogues et les canaux se développent. Les mises à jour prennent plus de temps, les intégrations s'accumulent, et les équipes passent plus de temps à maintenir les connecteurs qu'à améliorer les données.
L'architecture composable répond avec les principes MACH : microservices, API-first, cloud-native et headless. Le PIM devient une couche de données produit qui s'asseoit à côté de l'ERP, du PLM et du MDM qu'une entreprise exécute déjà, en tirant d'eux et en façonnant les données pour chaque canal en aval. Le même enregistrement validé alimente la vitrine, les marchés, le catalogue imprimé et les agents IA, au lieu d'être piégé derrière un seul écran.
La composabilité porte son propre coût, et il vaut la peine de le nommer avant de s'engager. Assembler les meilleurs services de race veut dire posséder l'intégration, l'orchestration et la surveillance qu'un monolithe gérait en interne. Les petites équipes et les catalogues simples naviguent souvent plus vite sur une seule suite bien intégrée que sur une pile de services faiblement couplés qu'elles doivent câbler ensemble et maintenir. Le cas composable devient plus fort à mesure que le nombre de canaux, la complexité des catalogues et le besoin d'échanger des composants augmentent. En dessous de ce seuil, la surcharge peut dépasser la flexibilité.
L'API-first porte plus de poids en 2026 qu'auparavant, et la raison est les agents. Une API de syndication de backend avec quelques points de terminaison larges a été construite pour un travail nocturne avec personne qui attend. Un agent fonctionne différemment. Il appelle les opérations au moment de l'exécution, a besoin de points de terminaison au niveau des tâches, a besoin de permissions délimitées plus étroitement qu'une clé tout ou rien, et a besoin de réponses assez rapides pour piloter une boucle de raisonnement. Une architecture où chaque opération d'interface a un équivalent appelable par machine est le test pratique pour savoir si un PIM est prêt pour les agents et les piles composables.
PIM, MDM et DAM convergent vers les plateformes de données produit
Les lignes entre les disciplines voisines s'amincissent continuellement. Le PIM gère le contenu produit, la gestion des données de référence gère les enregistrements faisant autorité partagés dans tous les systèmes, et la gestion des actifs numériques gère les images, vidéos et documents. En 2026, ceux-ci fonctionnent de plus en plus sur une plateforme et un modèle de données unique plutôt que sur trois outils cousus ensemble.
Deux forces poussent la convergence. Les fournisseurs regroupent MDM et IA générative dans des suites uniques, ce qui augmente le coût d'exécution de systèmes séparés. Et les nouvelles demandes tirent les types de données ensemble. Un passeport numérique de produit a besoin d'attributs produit, d'enregistrements de fournisseurs, de documents techniques et d'actifs au même endroit, liés et gouvernés comme un seul. L'optimisation pour moteur de réponses a besoin d'attributs et de médias riches décrits de manière cohérente. Ni l'un ni l'autre ne fonctionne bien quand les données vivent dans des outils déconnectés.
Le modèle de plateforme unique correspond à ce changement. AtroCore gère les données produit sur un modèle configurable qui contient également les enregistrements de fournisseurs, les actifs et les entités personnalisées, pour qu'une entreprise puisse ajouter des domaines sans passer à un autre système. Dans les projets que nous avons implémentés, les équipes qui ont commencé avec un catalogue produit ont ensuite ajouté l'intégration des fournisseurs et la gestion des actifs sur la même instance, ce qui a maintenu la propriété et l'historique d'audit au même endroit.
L'approche de plateforme unique n'est pas la bonne réponse partout, et c'est là que la décision tourne réellement. Une entreprise exécutant une DAM spécialisée mature ou un MDM de meilleure race déjà réglé à ses flux de travail peut perdre de la capacité en repliant ceux-ci dans un seul système. La convergence déplace la complexité autant qu'elle la supprime. Un modèle unifié nécessite une gouvernance disciplinée, et la consolidation des outils augmente les coûts de commutation et la dépendance du fournisseur. Le compromis dépend de la complexité des catalogues, des investissements existants et de la proximité avec laquelle les domaines doivent partager les données. Où les données de produit, fournisseur, actif et conformité sont étroitement liées, une plateforme unique réduit la friction. Où ils ne le sont pas, des outils meilleure race séparés peuvent toujours être le meilleur choix.
La qualité des données devient le facteur limitant
Chaque tendance ci-dessus repose sur la même fondation, et c'est celle dans laquelle les entreprises investissent le plus souvent insuffisamment. Les agents échouent sur les enregistrements incomplets. La découverte par IA filtre les produits avec des attributs minces. Un passeport numérique de produit a besoin de données vérifiables et structurées sur le cycle de vie. Aucun de ceux-ci ne réussit sur des données incohérentes, dupliquées ou manquantes.
Le travail pratique est sans glamour et décisif. L'évaluation de l'exhaustivité montre ce qui manque avant qu'un produit ne soit lancé. Les règles de validation détectent les erreurs à l'entrée plutôt qu'aux douanes ou sur l'étagère numérique. La gouvernance attribue la propriété pour qu'un attribut mauvais ait une personne responsable de lui. Les unités standardisées, les taxonomies et les listes de valeurs permettent à une machine de comparer les produits sans deviner.
Les équipes qui traitent la qualité des données comme l'habilitateur obtiennent des rendements composés, car les données propres rendent l'automatisation, la découverte par IA et la conformité tous moins chers à la fois. Les équipes qui la sautent trouvent que l'achat d'un agent ou d'une fonctionnalité IA ne répare pas le désordre sous-jacent. Il l'étend.
La syndication basée sur les normes reste essentielle
L'histoire IA ne remplace pas celle industrielle. Les distributeurs et fabricants déplacent toujours les données par le biais des normes B2B établies, et ces normes importent plus maintenant, non moins. Les formats tels que BMEcat, ETIM, ECLASS et GS1 restent l'épine dorsale de l'échange de catalogues entre fournisseurs, distributeurs et détaillants.
Mapper les attributs à une norme une fois, puis générer le fichier requis selon un calendrier, remplace l'export reconstruit à la main qui mange du temps avant chaque cycle de catalogue. Le même mappage structuré qui produit un fichier ETIM ou GS1 conforme produit aussi les données lisibles par machine sur lesquelles la découverte par IA et les passports numériques de produits dépendent. Les disciplines se renforcent mutuellement. Une entreprise qui entretient déjà des données propres et mappées selon les normes a fait la plupart du travail que l'AEO et la DPP requièrent maintenant.
Priorités pratiques pour 2026
Les tendances pointent vers des actions concrètes plutôt qu'une attente vigilante. Pour les équipes planifiant l'année :
- Auditez l'exhaustivité des attributs et la lisibilité par machine maintenant, en utilisant vos propres données comme test de ce que les systèmes IA peuvent lire.
- Corrigez le modèle de données, la validation et la gouvernance avant d'ajouter des agents, car l'automatisation étend quelle que soit la qualité avec laquelle elle commence.
- Vérifiez si vos groupes de produits relèvent du calendrier ESPR ou de la réglementation sur les piles, et commencez à structurer tôt les données de cycle de vie et de conformité.
- Passez à une architecture API-first avec un accès granulaire au niveau des tâches, pour que les piles composables et les agents puissent fonctionner contre vos données.
- Traitez les données produit comme une infrastructure partagée entre le marketing, le merchandising, la chaîne d'approvisionnement et la conformité, non comme un actif d'une seule équipe.
Le modèle dans tout cela est simple. Les informations produit sont devenues opérationnelles, puis stratégiques, et en 2026 elles sont devenues l'entrée que les systèmes IA et les régulateurs lisent directement. Les entreprises qui investissent dans des données propres, structurées et bien gouvernées se déplaceront plus vite sur chaque tendance qui découle de cela.