Traduit de l’original anglais. Les chiffres et les sources sont inchangés. Lire l’original en anglais
JD.com
JD.com exploite CogSearch, une recherche IA multi-agents fondée sur de petits modèles Qwen3
Les chercheurs de JD.com décrivent CogSearch, un mode de recherche IA de JD.com qui aide les acheteurs à décider pour les achats complexes, fondé sur des modèles Qwen3 à poids ouverts. Lors d’un test de deux semaines sur 10 % du trafic réel, JD indique une baisse de 5 % du coût de décision et une hausse de 0,41 % de la conversion.
Chiffres clés
Repris tels quels des sources. Copiez n’importe quel chiffre avec sa citation.
5 %
Baisse du coût de décision (nombre moyen de recherches et de clics par transaction) lors d’un test A/B en ligne de deux semaines sur 10 % du trafic réel ; l’article ne précise pas s’il s’agit d’une variation relative ou absolue1
0,41 %
Hausse moyenne du taux de conversion des utilisateurs (commandes finalisées par visiteur unique) lors du même test A/B ; l’article ne précise pas s’il s’agit d’une variation relative ou absolue1
plus de 30 %
Hausse du taux de conversion pour les intentions à forte décision, comme l’interprétation d’un produit, le choix d’un cadeau et la comparaison fonctionnelle, lors du même test ; variation relative ou absolue non précisée1
1,3
s
Latence moyenne de bout en bout de CogSearch, à comparer à 800 ms pour la recherche traditionnelle1
Ce que cela a demandé
Le coût, la taille de l’équipe et le calendrier ne sont pas communiqués dans les sources.
Le problème
La recherche des boutiques en ligne est conçue pour retrouver et classer des produits. Les acheteurs qui ont une question plus difficile, comme quel cadeau choisir ou en quoi deux produits diffèrent, finissent par enchaîner les recherches et les clics. L’équipe de JD.com voulait que la recherche aide les acheteurs à décider, et pas seulement à trouver.
Ce qu’ils ont construit
CogSearch est un groupe d’agents IA coopératifs au sein de la recherche de JD.com. Un Planner découpe le besoin de l’acheteur en tâches, un Executor rassemble des informations sur les produits et sur le web, un Guider pose des questions de suivi pour resserrer le choix, et un Decider produit une recommandation d’achat structurée. Les acheteurs y accèdent par une entrée facultative « AI Search ».
Comment ils s’y sont pris
Le Planner et le Guider reposent sur Qwen3-4B, le Decider sur Qwen3-8B. Ce sont deux modèles à poids ouverts (open-weight), c’est-à-dire dont les fichiers sont publiés afin qu’une entreprise puisse les adapter et les exécuter. JD a entraîné ces petits modèles par distillation, ce qui consiste à leur apprendre à imiter un modèle plus grand, ici DeepSeek-R1. Pour respecter les limites de vitesse, JD a aussi recouru à une compression des modèles en 8 bits, à la mise en cache et à un ordonnancement parallèle. L’article n’indique ni le coût ni la taille de l’équipe.
Résultats
Lors d’un test A/B en ligne de deux semaines sur 10 % du trafic réel, les acheteurs ayant accès à CogSearch ont eu besoin de 5 % de recherches et de clics en moins par transaction (le coût de décision). Leur taux de conversion global a augmenté en moyenne de 0,41 %. Pour les intentions à forte décision, la conversion a augmenté de plus de 30 %. L’article ne précise pas s’il s’agit de variations relatives ou absolues. La latence moyenne était de 1,3 s, contre 800 ms pour la recherche traditionnelle. L’article indique que CogSearch a depuis été entièrement déployé.
Enseignements pour votre projet
Visez avec un mode IA les requêtes où les acheteurs peinent. Le gain annoncé se concentre sur les intentions à forte décision, pas sur l’ensemble du trafic.
Mesurez l’effort autant que les ventes. JD suit le coût de décision, c’est-à-dire les recherches et les clics nécessaires par achat, à côté de la conversion.
Utilisez de petits modèles là où la vitesse compte. JD a retenu des modèles de 4 et 8 milliards de paramètres pour respecter ses limites de latence, et reste pourtant plus lent que la recherche ordinaire.
Lisez avec prudence les tests facultatifs. Les utilisateurs ont choisi d’utiliser le nouveau mode, ce qui peut fausser la comparaison.
Réserves
- Les chiffres proviennent d’un article rédigé par le personnel de JD.com lui-même et ne sont pas confirmés de façon indépendante.
- L’article ne précise pas si les variations de 5 %, de 0,41 % et de plus de 30 % sont relatives ou absolues. Il ne donne pas non plus d’intervalles de confiance ni de dates de test.
- L’accès se faisait par une entrée facultative « AI Search » ; les utilisateurs qui l’ont essayée peuvent donc différer de ceux qui ne l’ont pas fait. L’article n’aborde pas ce point.
- CogSearch est plus lent que la recherche ordinaire : 1,3 s contre 800 ms en moyenne, atténué par l’affichage progressif des réponses.
- L’article ne donne pas de date de déploiement. Il indique que CogSearch « has since been fully deployed » (traduction : « a depuis été entièrement déployé »). La date de déploiement affichée est celle de la soumission de l’article, le 12 mars 2026 (la date d’annonce) ; la mise en production réelle est antérieure ou inconnue.
- Le coût d’entraînement, la taille de l’équipe et l’ampleur du déploiement au-delà du test sur 10 % ne sont pas précisés.
Sources
- CogSearch: A Cognitive-Aligned Multi-Agent Framework for Proactive Decision Support in E-Commerce Search
arXiv (authors from JD.com) · 2026-03-12 · Article de recherche · arxiv.org
Résumé dans nos propres mots à partir des sources ci-dessus. Une erreur ? Consultez les corrections.