top of page

Risques liés aux achats avec ChatGPT : une étude signale de faux sites de vente

il y a 8 minutes
13 min de lecture
Illustrative photograph. Photo: Sanket Mishra / Pexels.

Les risques liés aux achats avec ChatGPT ont été mis en évidence dans une étude de Podqi ayant identifié des liens de vente risqués dans des réponses de ChatGPT, Gemini et Perplexity. Sur 6 795 réponses, 9 % incluaient un site web que l’entreprise a classé comme risqué. Cette catégorie couvrait des sites soupçonnés d’usurpation ou de contrefaçon, ainsi que des domaines inactifs.

Le fournisseur de protection de marque a recueilli des réponses via Gauge, une entreprise de recherche IA, à l’aide de cinq questions d’achat portant sur 151 marques. Son étude sur les achats avec l’IA a examiné des services grand public utilisés sans connexion lors de deux vagues en septembre 2026. Les chercheurs ont analysé 4 437 domaines et en ont classé 718 comme risqués : 351 sites potentiellement faux et 367 sites inactifs.

Ces conclusions révèlent une tension précise : trouver une destination d’achat plausible et vérifier son exploitant sont deux tâches différentes. Un assistant peut répondre avec aisance à une question sur un produit tout en laissant l’identité du vendeur non résolue. Pour les acheteurs, les marques et les développeurs de chatbots, cet écart compte précisément lorsque la recherche se transforme en décision d’achat.

Ce que l’étude sur les risques liés aux achats avec ChatGPT a réellement mesuré

Podqi a signalé des liens risqués dans 15 % des réponses de Perplexity, 8 % des réponses de ChatGPT et 4 % des réponses de Gemini. Parmi les réponses contenant des sites risqués, 57 % les recommandaient, 34 % les mentionnaient sans commentaire et 9 % avertissaient les utilisateurs. Ces pourcentages décrivent le sous-ensemble risqué, et non l’ensemble des réponses d’achat.

La conclusion porte sur les destinations et les recommandations, et non sur un taux mesuré de fraude d’achat effectivement réalisée.

Cette distinction sépare plusieurs questions que les lecteurs pourraient autrement confondre. Une réponse contenait-elle une destination inadaptée ? Sa formulation encourageait-elle une visite ? Quelqu’un a-t-il suivi le lien, saisi des informations de paiement ou perdu de l’argent ?

Les chiffres principaux de l’étude concernent les premières étapes. Ils ne doivent pas devenir l’affirmation qu’une même part des acheteurs a subi une fraude. L’exposition, la persuasion, l’achat et la perte sont des résultats distincts.

Une adresse inactive présente également un problème immédiat différent de celui d’une boutique d’usurpation en activité. Les deux compromettent une réponse d’achat, mais exigent des descriptions différentes. Qualifier chaque destination signalée d’arnaque active exagérerait les éléments disponibles.

Inversement, décrire le problème comme de simples liens défectueux ignorerait les conclusions relatives aux usurpations présumées. L’interprétation utile préserve les deux catégories. Un système de recommandation doit proposer des destinations fonctionnelles et disposer d’éléments crédibles sur les personnes qui les contrôlent.

Le contexte d’échantillonnage compte également pour les comparaisons. Ces résultats décrivent les expériences grand public, les requêtes, les marques et la période de collecte testées. Ils n’établissent pas un classement permanent de sécurité pour toutes les configurations ou fonctionnalités d’achat.

Par exemple, une réponse de chatbot généraliste et une intégration dédiée à un marchand doivent être évaluées séparément. Le test d’une expérience ne peut pas automatiquement certifier ou condamner une autre. Cette limite importe lorsque les lecteurs comparent des noms de produits connus à des implémentations moins familières.

L’étude offre donc un point de départ concret pour l’examen, plutôt qu’un tableau de bord universel. Elle attire l’attention sur la transition entre la réponse à une question d’achat et la recommandation d’un vendeur. Cette transition mérite d’être évaluée à part entière.

Une lecture utile consiste à se demander quels éléments justifieraient la recommandation à ce moment précis. Le système sait-il que l’adresse appartient à la marque ? A-t-il vérifié une relation d’autorisation ? Ou a-t-il simplement trouvé un texte correspondant à la demande ?

Ces questions analytiques sont soulevées par les résultats, plutôt que des mécanismes établis de manière concluante par l’étude. La différence compte. Observer un résultat discutable ne révèle pas toutes les étapes internes qui l’ont produit.

La conséquence pratique est une conclusion plus limitée et plus défendable : les acheteurs ne devraient pas considérer une recommandation commerciale conversationnelle comme une vérification complète du vendeur.

Une réponse d’achat a plus de poids qu’un résumé de produit

La recherche sur les produits et la sélection d’un vendeur impliquent différents types de jugement. Un assistant peut aider quelqu’un à comparer des matériaux, des tailles ou des catégories de produits sans décider où cette personne doit dépenser son argent.

Dès lors qu’il fournit une destination d’achat, la tâche change. La réponse relie une préférence de produit à une entreprise qui recevra un paiement et des informations personnelles. L’exactitude inclut désormais l’identité du vendeur.

Une description de produit pertinente n’établit pas une relation commerciale légitime.

Prenons l’exemple illustratif d’un acheteur à la recherche d’une veste d’une marque donnée. Un assistant peut correctement identifier les caractéristiques de la veste tout en proposant une boutique sans lien avec elle. Les informations sur le produit et la destination d’achat nécessitent des vérifications distinctes.

La même distinction s’applique lorsqu’une réponse qualifie une boutique d’« officielle » ou d’« autorisée ». Ces mots expriment une relation, non une ressemblance. Un logo familier ou une photo de produit correspondante ne peuvent pas établir cette relation à eux seuls.

La présentation conversationnelle rend cette distinction particulièrement importante. Une réponse directe peut donner l’impression d’un jugement achevé, même lorsque les éléments sous-jacents restent incomplets. L’utilisateur reçoit une recommandation dans la voix de l’assistant.

Cela pousse les développeurs de chatbots à clarifier ce que leur formulation promet. « Cette page mentionne le produit » est une affirmation limitée. « Achetez ici » invite à agir et exige des éléments plus solides.

Les marques font face à un autre problème : une mention correcte de leur nom peut tout de même s’accompagner d’une destination erronée. La visibilité seule ne peut donc pas décrire la qualité d’une réponse d’achat. L’endroit vers lequel la réponse envoie quelqu’un compte autant que la présence de la marque.

Pour un détaillant, une recommandation non autorisée soulève des questions de confusion chez les clients et de responsabilité. Un acheteur pourrait associer une mauvaise expérience à la marque dont le nom apparaissait tout au long de la réponse. Il s’agit d’un risque commercial plausible, et non d’une perte mesurée par cette étude.

Les implications s’étendent également aux achats en milieu professionnel. Un employé qui recherche du matériel ou des marchandises peut apporter un lien de vendeur non vérifié dans une discussion d’approvisionnement. Un résumé soigné peut alors circuler séparément de la conversation initiale.

Dans cette situation, le dossier important comprend la source et son statut de vérification. Une liste restreinte indiquant l’origine d’une recommandation reste plus facile à contester. Une simple liste de boutiques suggérées masque le jugement non résolu.

Pour les équipes qui maintiennent une base de connaissances consultable, les sources d’achat approuvées ont leur place aux côtés des recherches pertinentes. Un lien conservé nécessite toujours une vérification ; l’enregistrer ne certifie pas son exploitant.

La pression commerciale est donc précise. Les assistants qui aident à identifier des produits doivent aussi fixer des limites à la recommandation de vendeurs. Les marques doivent examiner les destinations associées à leurs noms. Les acheteurs ont besoin d’une distinction visible entre découverte et approbation.

Les citations établissent une source, tandis que l’identité du vendeur exige des éléments distincts

Une citation peut aider les lecteurs à examiner l’origine des informations d’une réponse. Elle n’établit pas automatiquement qu’une entreprise citée mérite leur argent.

Cette différence devient claire lorsqu’on sépare les affirmations contenues dans une réponse d’achat. Une page peut étayer une spécification de produit, afficher une fiche article ou décrire une politique de retour. Aucune ne prouve indépendamment une autorisation du fabricant.

La preuve qu’une page existe est plus faible que la preuve que son exploitant est le vendeur que l’acheteur voulait atteindre.

C’est le renversement central de cette histoire. Les fonctionnalités qui rendent les réponses vérifiables en apparence peuvent coexister avec une confiance commerciale non résolue. Un lien ajoute un élément que les lecteurs peuvent examiner, mais cet examen doit encore avoir lieu.

Le risque apparaît particulièrement dans une demande d’achat international illustrative. Un utilisateur peut raisonnablement s’attendre à ce qu’une marque exploite des boutiques distinctes selon les pays. Une adresse à l’apparence régionale peut correspondre à cette attente sans établir sa propriété.

La question devient alors relationnelle : comment cette adresse est-elle liée à la marque connue ? Un lien depuis le site établi de la marque étayerait une affirmation différente de celle de mots correspondants dans une adresse.

C’est pourquoi demander à un chatbot de répéter qu’une boutique est légitime apporte une assurance limitée. Une seconde affirmation n’est utile que si elle introduit de meilleurs éléments. La confiance et la vérification ne doivent pas devenir interchangeables.

Le même principe s’applique aux avertissements. Un rappel général sur les arnaques en ligne laisse la recommandation précise non résolue. Un avertissement associé à une destination particulière indique à l’acheteur quelle action doit être reconsidérée.

La conception des réponses devrait préserver cette précision. Si le système ne peut pas vérifier une boutique, son langage de recommandation devrait refléter l’incertitude. Sinon, la charge est silencieusement transférée à la personne qui a demandé de l’aide pour choisir.

Les conseils de protection des consommateurs distinguent déjà la présentation de la légitimité. Le guide d’achat en ligne du Centre canadien pour la cybersécurité déconseille de se fier uniquement à l’apparence d’un site web ou aux icônes de cadenas.

Ce conseil importe ici parce que la confiance peut s’accumuler à travers plusieurs signaux faibles. Un assistant semble certain, la boutique paraît soignée et la connexion semble sécurisée. Ensemble, ces détails peuvent sembler plus solides que les éléments sous-jacents relatifs à l’identité.

Pour les développeurs, le défi analytique consiste à évaluer l’affirmation que l’interface communique réellement. Un système qui récupère une adresse pertinente a accompli une étape de découverte. Il doit encore disposer d’une base pour décrire cette adresse comme un lieu d’achat approprié.

Cela ne signifie pas que chaque recommandation exige un traitement identique. Les détaillants établis, les boutiques indépendantes, les places de marché et les boutiques exploitées par des marques ont des relations différentes. Le système devrait décrire la relation qu’il peut étayer.

Une réponse prudente peut rester utile. Elle peut identifier un vendeur potentiel tout en précisant ce qui reste non vérifié. Cette approche préserve la valeur de la recherche sans présenter l’incertitude comme une recommandation achevée.

La comparaison des chatbots est utile, mais elle ne tranche pas la question de la sécurité des achats avec l’IA

Les différences entre ChatGPT, Gemini et Perplexity méritent attention. Elles montrent que les services testés n’ont pas produit des résultats interchangeables. Elles invitent également à se demander ce que chaque comparaison capture réellement.

Un assistant peut faire apparaître moins de destinations douteuses parce qu’il choisit des sources différentes, propose moins de boutiques ou gère autrement l’incertitude. Les seuls taux de sortie ne peuvent pas distinguer pleinement ces explications.

Un taux d’exposition observé plus faible étaye une conclusion plus limitée qu’une affirmation générale selon laquelle un chatbot est sûr.

Le comportement en matière d’avertissement ajoute une autre dimension. Éviter une destination et identifier un problème après l’avoir mentionnée sont deux capacités différentes. Une évaluation utile devrait montrer les deux, ainsi que l’utilité de la réponse obtenue.

Sinon, un assistant pourrait sembler prudent simplement en refusant les questions d’achat. Cela réduirait l’exposition tout en apportant peu d’aide. Un produit d’achat doit équilibrer une découverte utile avec des recommandations justifiées.

La source commerciale de cette recherche mérite également un examen attentif. Podqi vend des services de protection de marque, ce qui lui confère un intérêt commercial dans le problème qu’elle décrit. Cet intérêt n’invalide pas les observations.

Il rend toutefois importante une classification transparente. Des évaluateurs indépendants auraient besoin de suffisamment d’éléments pour comprendre les cas contestés. Un vendeur soupçonné de contrefaçon, un revendeur non lié et un site web indisponible ne devraient pas devenir des étiquettes indifférenciables.

Les évaluateurs devraient aussi se demander comment l’incertitude a été traitée. Certaines relations commerciales sont plus faciles à vérifier que d’autres. Une méthodologie doit laisser de la place aux cas non résolus plutôt que de forcer chaque adresse vers un verdict catégorique.

Il existe une autre frontière entre identifier un problème et démontrer l’efficacité d’une solution proposée. Un fournisseur peut documenter des recommandations douteuses sans établir que son propre service corrige chaque cause sous-jacente.

La même norme s’applique aux fournisseurs de chatbots. Une déclaration sur des améliorations de sécurité nécessiterait des preuves liées aux destinations d’achat. Des affirmations générales sur la qualité des réponses laisseraient cette question particulière sans réponse.

Cet article n’a pas reproduit l’expérience de manière indépendante. L’étude doit donc rester attribuée tout au long du texte, et ses classifications doivent rester celles des chercheurs. Ses résultats constituent une raison d’enquêter, non une autorisation à exagérer le degré de certitude.

La comparaison doit également être rattachée à une période. Un résultat observé appartient à une période de collecte donnée. Le comportement ultérieur d’un produit exige de nouveaux tests, plutôt que des hypothèses fondées sur le nom d’une entreprise connue.

Pour les acheteurs qui s’interrogent sur la sécurité des achats assistés par IA, la réponse la plus utile est donc conditionnelle. L’étude identifie des raisons de faire preuve de prudence avec les services testés. Elle n’établit pas que chaque recommandation échoue ni que chaque adresse signalée cause un préjudice.

Une réponse pertinente rendrait plus facile l’identification incertaine d’un vendeur. Elle faciliterait aussi la reproduction et la correction des résultats contestés. Ces changements répondraient au déficit de confiance précis mis en évidence ici.

Les protections existantes pour les achats restent applicables lors du passage de relais par l’IA

L’étude soulève une nouvelle question d’interface autour d’un problème de consommation bien établi. Un assistant peut présenter un vendeur, mais l’acheteur a toujours besoin d’une base pour faire confiance à cette entreprise.

Les conseils de la Federal Trade Commission sur la vérification des vendeurs recommandent de se renseigner sur les entreprises inconnues et de consulter des avis provenant de plusieurs sources. Ils avertissent également que les avis et évaluations peuvent être trompeurs.

Une recommandation de chatbot devrait déclencher une vérification du vendeur, plutôt que constituer son élément de preuve final.

Ce principe n’exige pas de considérer chaque boutique inconnue comme frauduleuse. Les petits détaillants et les entreprises indépendantes peuvent être légitimes. La question pertinente est de savoir si les éléments disponibles étayent l’achat précis envisagé.

Une distinction utile sépare l’incertitude de l’accusation. « Je ne peux pas vérifier ce vendeur » exprime une limite. « Ce vendeur est frauduleux » allègue une faute et nécessite des preuves plus solides.

Les assistants devraient préserver cette distinction lorsqu’ils répondent à des questions de suivi. Un système qui passe d’une recommandation enthousiaste à une accusation non étayée n’a pas résolu le problème de vérification. Il a changé le sens de sa confiance.

Pour les acheteurs, le passage de la conversation au site web mérite une attention délibérée. L’adresse de destination doit correspondre au vendeur évalué. Des éléments concernant une entreprise ne doivent pas être transférés à une autre entreprise au nom similaire.

Les conseils du FBI pour les achats de fin d’année soulignent eux aussi l’importance de vérifier les vendeurs inconnus avant un achat. Leurs avertissements couvrent notamment les cas où des consommateurs paient des biens qui ne sont jamais livrés.

Ces protections établies restent pertinentes, quelle que soit la manière dont la destination a été découverte. Une recommandation de chatbot ne modifie pas les obligations du vendeur ni n’établit son historique. Le canal de découverte et le marchand sont deux éléments distincts de la transaction.

Pour les organisations, il s’agit moins d’interdire les assistants que d’attribuer clairement les responsabilités. La recherche de produits peut recourir à des outils conversationnels, tandis que l’approbation du vendeur suit un processus d’achat établi.

La personne qui examine un achat devrait pouvoir voir si la boutique est déjà approuvée. Si elle est inconnue, le dossier devrait indiquer ce qui a été vérifié. Cela crée une décision responsable plutôt qu’une hypothèse héritée.

Il existe aussi ici une opportunité de conception produit. Un assistant pourrait distinguer les relations commerciales vérifiées des simples suggestions issues du web. La formulation devrait expliquer le fondement réel de cette distinction.

Une étiquette seule ne suffirait pas. « Vérifié » exige un périmètre défini : propriété vérifiée, autorisation vérifiée, ou autre chose. Sans cette explication, l’étiquette risque d’ajouter une nouvelle impression de certitude.

La question des politiques suit la même logique. Il devient plus difficile d’évaluer les responsabilités lorsqu’une interface mélange recherche, recommandation et promotion commerciale. Des frontières claires aideraient les utilisateurs à comprendre à quelles affirmations ils sont invités à se fier.

Les risques liés aux achats avec ChatGPT concernent donc davantage que la simple ouverture d’un lien. Ils concernent les preuves et le langage qui entourent une suggestion d’achat. Le passage de relais final devrait rendre visibles les questions de confiance non résolues avant que l’utilisateur n’agisse.

À surveiller ensuite : vérification, tests répétés et résultats concrets

Les prochains développements utiles seront des changements observables dans les réponses d’achat et la qualité des preuves. Un langage plus assuré ne résoudrait pas le problème. Des recommandations mieux étayées le feraient.

Le progrès consiste à améliorer la destination, l’aval donné et les éléments permettant d’examiner les deux.

Premièrement, surveillez les changements produits qui distinguent la découverte de marchands des relations vérifiées. Les changements pertinents incluraient des étiquettes de vendeur plus claires, des avertissements précis et des explications de ce qui a réellement été vérifié.

Le signal le plus fort relierait une recommandation à des éléments vérifiables sur l’entreprise. Une mise en garde générique sous une recommandation par ailleurs assurée d’une boutique apporterait un soutien plus faible.

Cette distinction devrait aussi apparaître dans le comportement de correction. Si un utilisateur signale une destination inadaptée, la réponse devrait traiter cette adresse précisément. Répéter de larges conseils d’achat laisserait la recommandation initiale sans réponse.

Deuxièmement, surveillez les tests répétés indépendants avec des classifications transparentes. Une évaluation reproductible devrait distinguer les destinations indisponibles, les usurpations présumées, les contrefaçons présumées et les cas incertains.

Elle devrait également conserver le contexte nécessaire à l’interprétation des comparaisons. L’expérience testée, la période de collecte et la formulation de la recommandation comptent. Sans ces détails, un classement risque de paraître plus universel que ne le permettent les preuves.

Une réplication utile testerait si les améliorations se maintiennent au-delà d’un ensemble familier de questions. Elle examinerait si un système reste utile tout en devenant plus prudent quant à l’identité du vendeur.

C’est une norme plus exigeante que de supprimer chaque résultat inconnu. Elle récompense une assistance justifiée plutôt que le silence. Elle donne aussi aux développeurs une cible d’amélioration plus claire.

Troisièmement, surveillez les éléments reliant les recommandations aux résultats réels pour les acheteurs. Les clics, les tentatives d’achat, les plaintes et les pertes confirmées répondent à des questions différentes. Ils devraient rester des mesures distinctes.

Les données sur les résultats aideraient à établir les conséquences pratiques d’une recommandation douteuse. Elles pourraient aussi révéler où les interventions comptent le plus. Un avertissement avant de visiter une boutique et un avertissement après avoir saisi des informations de paiement ont des finalités différentes.

Inversement, des éléments limités sur des préjudices effectivement subis limiteraient les affirmations concernant leur prévalence. Cela ne rendrait pas les recommandations incorrectes acceptables. Cela rendrait la description de leurs conséquences plus précise.

La réponse des marques comptera autant que les changements apportés aux chatbots. Des informations claires et accessibles sur les boutiques officielles et les relations autorisées offriraient aux efforts de vérification des éléments concrets à examiner.

Toutefois, publier ces informations et faire en sorte que les assistants les utilisent correctement sont deux étapes distinctes. Le secteur a besoin de preuves du lien entre les deux. Annoncer une source d’informations fiables ne prouve pas son utilisation cohérente.

Pour les lecteurs, l’idée essentielle immédiate est une limite à la confiance. Les risques liés aux achats avec ChatGPT n’effacent pas la valeur de la recherche de produits par IA. Ils montrent pourquoi un vendeur suggéré mérite sa propre évaluation.

Avant votre prochain achat assisté par IA, examinez le passage de la recommandation à la transaction. La réponse établit-elle qui exploite la destination, ou présente-t-elle simplement une boutique plausible ? Si les éléments s’arrêtent à la pertinence, gardez la décision d’achat ouverte. Comparez l’adresse avec des informations provenant d’une source de marque fiable, examinez des informations indépendantes sur le vendeur et conservez les éléments sur lesquels repose votre décision. Pour les achats professionnels, intégrez ces éléments au processus d’approbation au lieu de transmettre un simple lien. La question à poser est précise : qu’est-ce qui justifie de faire confiance à cette entreprise pour cette transaction ? Considérez une réponse assurée comme une affirmation à examiner, puis décidez si les preuves méritent la recommandation.

 
 

Commencez pour Gratuit

Un premier assistant IA local avec gestion des connaissances personnelles

Pour une meilleure expérience IA,

remio ne supporte que Windows 10+ (x64) et M-Chip Macs actuellement.

Votre partenaire IA au travail
Faites-en plus avec remio

Planifiez. Créez. Livrez.
Tout au même endroit.

bottom of page