Non, elle l’enrichit. Nous considérons que la recherche doit être améliorée par l’IA. Pour chaque requête, Algolia AI Ranking utilise les actions des utilisateurs afin de reclasser une liste de résultats déjà générée et ordonnée selon votre configuration de pertinence.

Oui. Via notre Visual Editor ou l’API Rules, vous pouvez piloter vos stratégies de merchandising ou éditoriales en complément des résultats optimisés par l’IA.

Le résultat peut sembler similaire (modification du classement produit), mais la logique diffère :

• Les règles de boost/bury nécessitent une configuration manuelle par les équipes merchandising et ne visent pas à améliorer la performance du moteur de recherche, mais à forcer certains résultats (ex. : pousser un stock à faible rotation).

• Elles restent efficaces pour des objectifs précis nécessitant un ajustement manuel.

• En revanche, si l’objectif est de maximiser un KPI (conversion, revenu, marge…), l’utilisation de signaux permet à l’algorithme de réaffiner automatiquement les classements produits et d’augmenter la probabilité de conversion.

Le classement par AI combine différents signaux pour optimiser la conversion et les objectifs business :

• Événements : clics, conversions

• Données métier issues des enregistrements Algolia : marge, chiffre d’affaires offline, disponibilité, délais de livraison, marques sponsorisées, promotions

• Scores de pertinence : pertinence textuelle (algorithme de tie-breaking d’Algolia)

• Signaux textuels : nombre de fautes de frappe, distance entre les mots

Le modèle de machine learning exploite un ensemble diversifié de signaux pour optimiser un objectif. Exemple : il peut apprendre que plus les mots d’une requête sont éloignés, moins les résultats sont pertinents. Même si leur impact est moins évident que celui des interactions utilisateurs ou des métriques business, ces signaux garantissent un modèle de classement plus équilibré et performant.