OpenAI a lancé le 1er octobre 2026 une fonctionnalité d'essayage virtuel dans ChatGPT, déployée mondialement. L'utilisateur envoie un selfie ou une photo en pied, demande à voir une veste ou une paire de baskets sur lui, et ChatGPT génère la visualisation. Google avait sorti un équivalent l'année précédente, et les filtres AR façon Snapchat existent depuis des années. Ce qui change avec ChatGPT, c'est le volume d'utilisateurs qui posent déjà des questions produit dans l'app sans passer par Google Shopping ni Amazon. Pour un e-commerçant mode, c'est une nouvelle vitrine à auditer, pas un gadget à ignorer.
Si tu démarres ou que tu veux reprendre les bases, lis d'abord le guide complet pour apprendre Claude. Cet article suppose que tu as déjà une boutique en ligne et que tu veux comprendre quoi changer concrètement.
L'essayage virtuel dans ChatGPT, concrètement c'est quoi
Le flux est simple côté utilisateur. Dans une conversation ChatGPT, il décrit ce qu'il cherche ("une veste en jean oversize pour homme autour de 100 euros"). ChatGPT affiche des résultats shopping. Un bouton "Try On" apparaît sur les fiches compatibles. L'utilisateur envoie une photo de lui (selfie buste ou photo en pied), et le modèle génère une image de lui portant le vêtement. Il peut aussi uploader la capture d'écran d'un produit vu ailleurs et demander à l'essayer. Les visualisations se classent dans une bibliothèque "Library" qui garde l'historique des produits et des essayages.
La techno sous-jacente s'appelle ChatGPT Images 2.5. OpenAI met en avant un éclairage plus naturel et des textures mieux rendues que la version précédente. Ce n'est pas de la réalité augmentée temps réel comme un filtre Snapchat, ni de la 3D paramétrique comme ce que fait Zara avec ses mannequins virtuels. C'est de la génération d'image statique, à partir de ta photo et de la photo produit du marchand. La différence compte parce qu'elle détermine ce que ton catalogue doit fournir pour que ça marche sur TES fiches.
Pourquoi OpenAI pousse le shopping dans ChatGPT
ChatGPT devient une surface de découverte produit. L'utilisateur qui tape "quelle est la meilleure veste imperméable pour randonner cet automne" obtenait jusqu'ici des articles de blog, des forums, parfois une réponse générique. Il obtient désormais une sélection d'articles achetables, filtrée par ses contraintes, avec essayage virtuel sur les catégories compatibles. C'est frontalement concurrent de Google Shopping et des résultats Amazon.
Le modèle de monétisation n'est pas encore clair publiquement. OpenAI teste par ailleurs la publicité sur les comptes gratuits et évolue vers des mécaniques d'affiliation ou de commission probables. Pour un marchand, ce qui compte c'est le constat : une partie croissante des recherches produit passe par un assistant conversationnel, pas par un moteur. Et dans ce canal, c'est l'IA qui sélectionne les résultats affichés, à partir de ton flux produit et de la qualité de tes données structurées.
Ce qui change pour le taux de retour en mode
Le prêt-à-porter en ligne vit avec un taux de retour structurellement élevé. Les motifs sont connus : taille qui ne va pas, coupe différente de ce qui était imaginé, couleur décevante à l'écran. L'essayage virtuel attaque directement le deuxième point. Voir une veste sur soi plutôt que sur un mannequin de 1m82 change la décision d'achat et devrait réduire les retours liés à la perception visuelle.
Il faut nuancer. La techno ne te dira pas si le tissu gratte, si la coupe taille petit, si l'ourlet tombe à mi-mollet alors que tu voulais mi-cuisse. Les retours liés à la matière et à la taille réelle restent. Aucun chiffre consolidé et vérifié ne permet aujourd'hui de mesurer l'impact réel de l'essayage virtuel sur le taux de retour : attends-toi au mieux à une baisse des retours "je ne me voyais pas comme ça", pas à une suppression du problème. Le vrai gain business dépendra surtout de la qualité des visuels que TU fournis au modèle.
Les fiches produits à repenser pour être compatibles
Un système de try-on génératif a besoin d'un référentiel propre. Les fiches qui remonteront bien dans ChatGPT, et dont l'essayage virtuel donnera un résultat crédible, ont trois caractéristiques.
D'abord, des photos packshot sur fond neutre. Le modèle a besoin d'isoler le vêtement de son contexte. Une photo lifestyle avec mannequin en mouvement devant un mur graffé donne un rendu dégradé. Un packshot sur fond blanc ou gris uni, de face et de dos, avec vue détail des matières, est le standard qui fonctionne.
Ensuite, des données structurées schema.org Product complètes. Taille, matière, coupe (slim, regular, oversize), composition, instructions de lavage, pays de fabrication. Ce sont les attributs que les moteurs IA lisent pour décider si ton produit correspond à la requête. Un flux Google Merchant Center propre est un bon point de départ, mais regarde surtout les attributs étendus (size_type, age_group, material, pattern) que beaucoup de marchands remplissent par défaut avec "Adult" ou laissent vides.
Enfin, une description cohérente avec les photos. Si ta fiche dit "coupe droite" mais que la photo montre une coupe cintrée, le modèle génère un essayage qui ne correspond ni à l'un ni à l'autre.
C'est là que Claude est utile pour un catalogue existant. Tu peux lui faire auditer une fiche, puis réécrire les descriptions avec les bons attributs, à l'échelle de centaines ou de milliers de références. Un prompt de départ qui marche :
Analyse cette fiche produit mode et évalue sa compatibilité avec les moteurs de recherche IA (ChatGPT, Google AI, Perplexity).
Fiche actuelle :
[colle ta fiche]
Donne-moi :
1. Les attributs schema.org Product manquants ou mal renseignés
2. Les ambiguités entre la description et les photos décrites
3. Une version réécrite de la description (120 à 180 mots) qui expose explicitement : coupe, matière, tombé, occasion de port, entretien
4. 5 attributs structurés à ajouter en JSON-LDSi tu veux pousser l'automatisation de ce travail sur un catalogue entier, le pilier utiliser Claude pour l'e-commerce regroupe les workflows connexes (feed produit, fiches, emails post-achat).
Préparer ses visuels produits pour l'IA générative
Les visuels sont le facteur limitant numéro un. Un bon catalogue de descriptions avec de mauvaises photos donne un essayage virtuel raté, et un rendu raté détruit la conversion sur ce canal.
Ce qui fonctionne : vêtement photographié à plat ou sur mannequin neutre (silhouette blanche ou mannequin photo peu expressif), éclairage uniforme sans ombres marquées, fond blanc ou gris clair, résolution minimum 1500 px sur le plus grand côté, format carré ou portrait. Idéalement une vue de face, une de dos, et un détail matière.
Ce qui pose problème : photos lifestyle avec mannequin en pleine action, accessoires qui parasitent (sac, chapeau, bijoux), fond texturé ou coloré, watermarks sur l'image, mannequin en contre-plongée ou en plan serré qui coupe le vêtement.
Si tu as un catalogue existant avec surtout des photos lifestyle, tu n'es pas obligé de tout reshooter. Des outils IA permettent de générer des packshots neutres cohérents à partir de photos existantes, en isolant le vêtement et en le re-posant sur un fond propre. Claude peut piloter ce pipeline en combinaison avec un outil de génération d'image, et le pilier générer des visuels produits cohérents avec Claude détaille les workflows possibles.
Trois actions à lancer cette semaine
Tu peux attendre que l'essayage virtuel "se stabilise" avant d'agir, ou faire les trois choses qui te positionnent dès maintenant.
1. Audite ton flux Merchant Center. Exporte ton feed produit et compte combien de références ont ces attributs renseignés correctement : material, pattern, size_type, color, age_group, gender. Si tu es sous la barre des 80 % de complétion, c'est ton premier chantier. Livrable mesurable : un tableau avec le taux de complétion par attribut, et la liste des 20 produits les plus consultés qui ont des trous.
2. Retravaille 10 fiches best-sellers avec Claude. Utilise le prompt donné plus haut sur tes 10 produits qui font le plus de chiffre. Compare la fiche réécrite à l'originale sur un critère simple : combien d'attributs schema.org précis chaque version contient. Livrable mesurable : 10 fiches publiées, avec le JSON-LD étendu, et un suivi des impressions ChatGPT/Google sur ces produits sur 30 jours.
3. Teste ta marque dans ChatGPT. Ouvre ChatGPT et formule les requêtes qu'un acheteur taperait pour trouver tes produits ("veste en lin blanche pour homme à moins de 150 euros", "baskets runnings colorées femme"). Note ce qui remonte, où tu es classé, quelles marques concurrentes passent devant. Livrable mesurable : un document avec 10 requêtes testées, les 5 premiers résultats pour chacune, et ta position si tu apparais.
Ces trois actions ne demandent pas de budget, juste du temps. Elles te donnent une base factuelle pour décider ce que tu reshootes, ce que tu réécris, et où tu investis pour les 6 mois qui viennent. Si tu veux structurer ce travail dans une démarche plus large (setup Claude, pipeline éditorial, automatisations CRM), Maîtriser Claude au quotidien t'accompagne sur 5 semaines avec un projet concret par module (setup, site web, blog, automatisation, marketing), directement applicable à ta boutique en ligne.