Amazon utilise l’intelligence artificielle générative pour offrir aux clients une vue plus rapide des caractéristiques du produit.
Réduire de longs textes à l’essentiel est une discipline fondamentale pour les grands modèles de langage. Cela fonctionne de manière assez fiable, et Amazon est suffisamment confiant pour appliquer cette capacité aux évaluations de produits.
Les nouveaux « points forts générés par l’IA » résument les aspects les plus importants et les opinions des clients souvent citées dans les évaluations écrites, en un paragraphe concis sur la page de détails du produit, comme annoncé par l’entreprise. Cela peut aider les acheteurs à obtenir une vue plus rapide d’un produit sans avoir à lire toutes les évaluations.
L’IA pourra également mettre en évidence des aspects spécifiques sur demande de l’utilisateur. Par exemple, si un utilisateur recherche un produit en fonction de sa facilité d’utilisation, il peut filtrer les avis en fonction de ce sujet, puis recevoir un résumé uniquement des déclarations d’évaluation concernant ce sujet.
La mise en œuvre par phases commence aux États-Unis
Les résumés d’avis par IA sont progressivement déployés pour les clients sélectionnés aux États-Unis via l’application mobile d’Amazon. Amazon prévoit de recueillir des commentaires, puis d’étendre la fonctionnalité des Points forts de l’IA à davantage de clients et de catégories.
De plus, on s’attend à ce que l’IA aide à identifier les avis frauduleux, un problème qui gagne également en importance avec l’IA générative, qui permet la création rapide et plausible de contrefaçons. Selon Amazon, les mises en avant générées par l’IA n’auront accès qu’à un « corps fiable d’avis d’achat vérifiés ».
Amazon ne mentionne pas les risques potentiels de la nouvelle fonctionnalité dans l’annonce. Le plus grand risque semble être qu’un modèle de langage puisse refléter de manière imprécise ou incomplète, ou interpréter incorrectement les avis des clients.
De plus, la fonction de résumé peut être facilement manipulée grâce à l’entraînement du modèle ou, en fonction de la méthode d’entraînement, elle pourrait être intrinsèquement biaisée en mettant trop l’accent sur les aspects positifs et en relativisant les opinions négatives ou critiques, même si elles sont valables.
D’un autre côté, le risque de générer des informations incorrectes devrait être moindre dans ce contexte spécifique – si les modèles de langage se réfèrent à un ensemble fixe de contenus, en l’occurrence des évaluations de produits, il est moins probable que des « hallucinations » se produisent.
