Chatbot e-commerce sans catalogue : pourquoi il ne vend pas

La plupart des chatbots e-commerce échouent pour une raison simple : ils ne connaissent pas assez bien ce qu'ils sont censés vendre.

Un chatbot classique sait répondre à un nombre limité de questions génériques :

• il connaît les horaires ;
• il explique la politique de retour ;
• il donne parfois une information de livraison ;
• il renvoie vers une FAQ ;
• il escalade vers un humain.

C'est utile, mais ce n'est pas un vendeur.

Un vrai vendeur comprend le besoin, interroge le catalogue, vérifie les contraintes, compare les produits, explique les différences, tient compte du stock et oriente vers une décision. Un chatbot déconnecté du catalogue ne peut pas faire ça : il peut parler, mais il ne peut pas vendre correctement.

C'est un sujet business, pas simplement un sujet technique.

Le e-commerce français a atteint 196,4 milliards d'euros en 2025, avec 3,2 milliards de transactions, selon la Fevad. Mais le panier moyen baisse de 3 % à 62 euros. Autrement dit : plus de commandes, mais des commandes plus petites.¹

Dans le même temps, le coût de la visite progresse. Contentsquare indique dans son benchmark 2025 que le coût d'une visite augmente de 9 % sur un an et de 19 % sur deux ans, pendant que la conversion recule de 6,1 %.²

Donc chaque visite coûte plus cher. Si le visiteur pose une question produit et que le chatbot répond vaguement, renvoie vers une page ou invente une recommandation, le site perd une occasion de convertir. Pire : il peut dégrader la confiance.

Le problème n'est pas "le chatbot". Le problème est le chatbot non connecté au réel métier.

Cet article s'inscrit dans le silo "Agent vendeur IA pour e-commerce". Pour la vue d'ensemble, voir le pillar Agent vendeur IA e-commerce : du catalogue au conseil d'achat. Article connexe : Fiche produit e-commerce : pourquoi passer au conversationnel.

Un chatbot FAQ n'est pas un agent vendeur

Il faut distinguer trois niveaux de bot e-commerce, qui ne jouent pas le même rôle.

Niveau 1 — Chatbot FAQ

Le chatbot service client répond à des questions générales :

• "Quels sont les délais de livraison ?" ;
• "Comment faire un retour ?" ;
• "Où est ma commande ?" ;
• "Quels sont vos horaires ?" ;
• "Comment contacter le service client ?".

C'est utile, mais c'est du service client, pas de la vente. Il a une vraie valeur opérationnelle (réduction des demandes répétitives, baisse du délai de réponse, désengorgement des équipes), mais il ne faut pas le confondre avec un agent vendeur.

Niveau 2 — Chatbot produit basique

Il peut rechercher dans quelques contenus produit ou renvoyer vers des fiches. C'est mieux, mais souvent insuffisant.

S'il n'a pas accès aux attributs, aux variantes, aux règles de compatibilité, au stock, aux prix, aux avis, aux motifs de retour ou aux règles commerciales, il répond de manière générique. Il peut dire :

"Ce produit semble adapté.".

Mais il ne peut pas expliquer sérieusement pourquoi.

Niveau 3 — Agent vendeur connecté

Le chatbot vendeur virtuel connecté s'appuie sur l'ensemble des données métier :

• catalogue ;
• PIM (Product Information Management, référentiel produit) ;
• stock ;
• prix et promotions ;
• règles métier ;
• compatibilités ;
• documentation produit ;
• avis clients ;
• motifs de retour ;
• questions SAV récurrentes ;
• politique commerciale ;
• disponibilité et livraison ;
• conditions de retour ;
• escalade humaine.

Il ne se contente pas de répondre — il conseille. C'est exactement le sujet du pillar Agent vendeur IA pour e-commerce : du catalogue au conseil d'achat.

Le mot important n'est pas "IA". Le mot important est "connecté".

Pourquoi la connexion catalogue change tout

Le catalogue est la source de vérité commerciale, mais il ne suffit pas qu'il existe : il faut que l'agent puisse l'interroger proprement. Sinon, trois problèmes apparaissent.

1. L'agent recommande des produits indisponibles

C'est l'erreur la plus visible. Le client demande un produit, l'agent recommande une référence, le client clique — et le produit est indisponible.

Confiance perdue.

Un vendeur humain ne recommande pas volontairement un produit absent du stock, sauf s'il propose une alternative ou un délai clair. L'agent IA doit faire pareil.

2. L'agent ne comprend pas les variantes

Les variantes sont souvent plus importantes que le produit parent :

• taille ;
• couleur ;
• puissance ;
• contenance ;
• format ;
• version ;
• compatibilité ;
• bundle ou lot.

Un agent qui recommande "le bon produit" mais pas la bonne variante laisse le client dans le doute. Et le doute bloque l'achat.

3. L'agent ne sait pas comparer

Comparer deux produits ne consiste pas à réciter deux descriptions. Il faut expliquer plusieurs dimensions :

• différence d'usage ;
• différence de performance ;
• différence de compatibilité ;
• différence de durabilité ;
• différence de garantie ;
• différence de prix ;
• différence de risque ;
• différence de retour probable.

Sans données structurées, l'agent compare mal — il paraphrase. Et la paraphrase ne vend pas.

Le PIM ne suffit pas toujours

Le PIM est indispensable. Il centralise les attributs produits, les descriptions, les médias, les variantes et les canaux de diffusion.

Un PIM classique n'est pas toujours conçu pour le conseil. Il contient en général ce qui décrit le produit, mais pas toujours ce qui aide à le vendre.

Voilà pourquoi un chatbot connecté uniquement au PIM peut encore être mauvais. Il lit les données, mais il ne sait pas forcément conseiller.

Un bon projet d'agent vendeur IA nécessite donc une couche de connaissance commerciale au-dessus du PIM. Pas une montagne de contenu, mais une structure utile :

• "si le client cherche X, demander Y" ;
• "si usage intensif, éviter l'entrée de gamme" ;
• "si pièce humide, vérifier telle contrainte" ;
• "si chien stérilisé avec digestion sensible, recommander telle famille" ;
• "si achat cadeau, prioriser simplicité et facilité de retour" ;
• "si compatibilité incertaine, poser telle question" ;
• "si produit souvent retourné pour taille, prévenir avant achat".

C'est cette couche qui transforme le PIM en vendeur.

→ Pour le détail de la stack technologique e-commerce 2026 (PIM, OMS, CDP, IA conversationnelle), voir Stack e-commerce 2026 : pourquoi PIM, OMS et IA ne suffisent pas.

Le stock et l'OMS sont des données commerciales

Beaucoup d'entreprises traitent le stock comme une donnée logistique. C'est trop réducteur : le stock est une donnée de vente.

Un agent vendeur doit savoir, pour chaque produit recommandé :

• s'il est disponible ;
• sous quel délai de livraison ;
• dans quelle variante précise ;
• en livraison à domicile ;
• en retrait magasin ;
• avec quelles alternatives proposables ;
• avec quelle substitution possible ;
• avec quel risque de rupture ;
• avec quelles conditions de retour.

Un client ne veut pas seulement "le meilleur produit" — il veut le meilleur produit disponible dans ses contraintes.

Exemple 1 : "Je pars vendredi, j'ai besoin d'un produit livré avant jeudi." Le meilleur produit théorique n'a aucun intérêt s'il arrive dans dix jours.

Exemple 2 : "Je veux remplacer une pièce compatible avec mon installation." Si la bonne référence est en rupture, l'agent doit proposer une alternative compatible ou recommander un contact humain.

Sans connexion au stock ou à l'OMS (Order Management System, orchestration des commandes), le chatbot donne un conseil incomplet. Et un conseil incomplet peut générer plusieurs effets négatifs en chaîne :

1. abandon du panier ;
2. appel au service client ;
3. email de réclamation ;
4. retour produit ;
5. insatisfaction et avis négatif ;
6. remboursement.

Le stock n'est donc pas une donnée secondaire — c'est une condition de confiance.

Les règles de compatibilité sont le cœur des produits techniques

Dans les produits techniques, la compatibilité est souvent plus importante que la préférence. Le client ne demande pas :

"Quel produit est le plus populaire ?".

Il demande :

"Quel produit fonctionne dans mon cas ?".

C'est vrai dans de nombreux secteurs :

• bricolage ;
• outillage ;
• chauffage ;
• pièces détachées ;
• matériaux ;
• électronique ;
• accessoires ;
• équipements professionnels ;
• produits d'installation ;
• consommables spécialisés.

Un chatbot non connecté aux règles de compatibilité peut faire deux erreurs symétriques.

Première erreur — rester vague :

"Nous vous conseillons de vérifier les dimensions.".

Merci. Le client le savait déjà.

Deuxième erreur — affirmer trop vite :

"Oui, ce produit est compatible.".

Si c'est faux, le coût peut être lourd : retour, litige, avis négatif, ticket service client, perte de confiance.

Un agent vendeur sérieux doit avoir accès à des règles métier, parfois simples (dimension, référence, gamme, marque, année, standard, usage), parfois plus complexes :

• combinaison d'attributs ;
• exclusions ;
• dépendances ;
• contraintes d'installation ;
• normes ;
• niveaux de risque ;
• besoin d'escalade humaine.

L'objectif n'est pas que l'agent réponde à tout, mais qu'il sache quand il peut répondre et quand il doit demander une précision ou transférer.

Un bon agent vendeur sait dire :

"Je ne peux pas confirmer avec certitude sans cette information.".

C'est beaucoup plus professionnel qu'une hallucination confiante.

Les motifs de retour doivent nourrir les recommandations

Un catalogue dit ce que le produit est. Les retours disent ce que les clients ont mal compris. C'est une donnée extrêmement précieuse.

Baymard indique que 58 % des utilisateurs ont retourné au moins un achat en ligne au cours des douze derniers mois, et que 15 % ont abandonné au moins un achat au cours du dernier trimestre à cause d'une politique de retour insatisfaisante. Les retours sont donc à la fois un levier de confiance et un coût potentiel.³

Un agent vendeur connecté aux motifs de retour peut mieux conseiller. Quelques exemples typiques de motifs récurrents :

• produit souvent retourné car "taille petit" ;
• produit souvent retourné car "couleur différente de la photo" ;
• produit souvent retourné car "incompatible" ;
• produit souvent retourné car "trop complexe à installer" ;
• produit souvent retourné car "ne correspond pas à l'usage attendu".

Ces informations doivent changer le dialogue avant achat :

• si un produit revient souvent pour taille, l'agent pose une question supplémentaire sur le gabarit ;
• si un produit revient souvent pour compatibilité, l'agent vérifie systématiquement le contexte ;
• si un produit revient souvent pour complexité, l'agent prévient le client et propose une alternative plus simple.

C'est là que le mailbot relation client, le chatbot service client et le callbot relation client deviennent utiles au-delà du support : ils captent les motifs.

Ces motifs doivent enrichir l'agent vendeur. Sinon, l'entreprise répète les mêmes erreurs.

→ Pour le détail de la chaîne de coûts d'un retour, voir Coût des retours e-commerce.

Les questions SAV sont une carte des trous du catalogue

Chaque question client est un indice de la qualité du parcours. Quelques exemples :

• si 500 clients demandent si un produit est compatible, la fiche produit ne répond pas assez clairement ;
• si 300 clients demandent quelle taille choisir, le guide de taille est insuffisant ;
• si 200 clients demandent pourquoi un modèle est plus cher, la différence de gamme est mal expliquée ;
• si 150 clients demandent si le produit peut être retourné, la réassurance est mal placée.

Le SAV n'est pas seulement une charge — c'est une base de connaissance vivante.

DHL indique que 42 % des acheteurs citent le manque d'information produit comme frustration, et que 46 % veulent de meilleures descriptions produit.⁴

La réponse n'est pas uniquement de rédiger plus, mais de structurer les vraies questions. Un agent vendeur connecté aux questions SAV peut répondre mieux que la fiche produit, parce qu'il connaît les doutes réels des clients. Et s'il est bien conçu, il alimente ensuite l'amélioration des fiches.

C'est une boucle vertueuse en six étapes :

1. les clients posent des questions ;
2. les bots et équipes les captent ;
3. les motifs sont structurés ;
4. l'agent vendeur répond mieux ;
5. les fiches produit sont améliorées ;
6. les questions diminuent.

C'est ça, l'IA utile — pas une démo.

Le chatbot non connecté peut dégrader la confiance

Un mauvais chatbot ne fait pas seulement "rien". Il peut faire pire que rien, en générant plusieurs comportements destructeurs :

• répondre à côté de la question ;
• inventer une information ;
• recommander un produit indisponible ;
• ignorer une contrainte exprimée par le client ;
• mal comprendre une compatibilité ;
• renvoyer vers une page déjà consultée ;
• répéter une FAQ inutile ;
• créer une frustration ;
• augmenter les escalades humaines ;
• faire perdre une vente chaude.

Dans un contexte de hausse du coût de visite, c'est grave. Si vous payez plus cher pour faire venir un visiteur et que le chatbot le déçoit au moment où il exprime une intention, vous détruisez de la valeur.

Un chatbot médiocre est parfois pire qu'un formulaire clair. La confiance est fragile, surtout quand l'IA est impliquée. Le client tolère une limite si elle est claire, mais il tolère moins une réponse fausse ou vague donnée avec assurance.

Un agent vendeur doit donc être conçu avec des garde-fous explicites :

• sources de données maîtrisées ;
• règles de réponse documentées ;
• citations internes quand utile ;
• seuils de confiance ;
• escalade humaine ;
• logs (journaux d'événements) ;
• supervision humaine ;
• tests de régression ;
• amélioration continue.

Ce n'est pas un sujet accessoire — c'est le cœur de la fiabilité.

Le bon agent vendeur ne répond pas toujours

C'est contre-intuitif, mais un bon agent vendeur IA ne doit pas toujours répondre. Il doit savoir, selon le contexte :

• demander une précision ;
• proposer deux options ;
• reconnaître qu'il ne peut pas confirmer ;
• transférer à un conseiller humain ;
• orienter vers un devis ;
• déclencher un rappel commercial via un callbot ;
• envoyer un récapitulatif par email.

La qualité de l'escalade fait partie de la vente. Quelques exemples de réponses bien gérées :

C'est beaucoup plus sérieux qu'une réponse approximative. L'objectif n'est pas d'automatiser 100 %, mais d'automatiser ce qui peut l'être et d'escalader ce qui doit l'être.

Chatbot vendeur et chatbot lead gen : deux logiques différentes

Le chatbot vendeur virtuel vend dans le catalogue. Le chatbot générateur de leads qualifie une opportunité. Les deux peuvent coexister sur le même site, mais ils ne traitent pas les mêmes parcours.

Chatbot vendeur virtuel — cas typique

• produit disponible ;
• achat en ligne possible ;
• critères clarifiables par questionnement ;
• recommandation produit motivée ;
• ajout panier ;
• défense du panier moyen ;
• réduction des retours évitables.

Chatbot générateur de leads — cas typique

• besoin de devis ;
• service B2C avec éligibilité ;
• vente B2B (Business-to-Business) ;
• configuration complexe ;
• décision longue ;
• qualification commerciale ;
• rappel ou rendez-vous ;
• projet sur mesure.

Il collecte alors les informations utiles : besoin, budget, urgence, taille d'entreprise, secteur, localisation, maturité, contraintes, décisionnaire, canal préféré.

Le risque est de mélanger les deux logiques. Un visiteur prêt à acheter ne doit pas être enfermé dans un formulaire lead. Un prospect B2B complexe ne doit pas être poussé vers un panier inadapté. Le bon système reconnaît l'intention et choisit le bon parcours.

Le rôle du callbot et du mailbot dans l'écosystème catalogue

À première vue, callbot et mailbot semblent éloignés du catalogue. En réalité, ils sont très liés, parce que les appels et les emails révèlent ce que le catalogue ne résout pas.

Mailbot relation client

Le mailbot relation client peut analyser :

• questions produit ;
• demandes de compatibilité ;
• demandes de retour ;
• réclamations ;
• incompréhensions ;
• demandes B2B ;
• demandes de devis ;
• informations manquantes ;
• irritants récurrents.

Il aide à répondre. Surtout, il structure : il alimente la FAQ produit, les règles de conseil, la base de connaissance, l'enrichissement du PIM, les scripts de l'agent vendeur et les priorités de correction.

Callbot relation client

Le callbot relation client traite les demandes vocales simples (suivi commande, retour, disponibilité, horaires, remboursement, statut dossier). Il fait aussi remonter les motifs d'appels, qui indiquent souvent ce que les pages et fiches n'expliquent pas assez.

Callbot de suivi post-achat

Le callbot de suivi post-achat détecte les problèmes après commande :

• mauvaise compréhension du produit ;
• difficulté d'usage ;
• livraison mal vécue ;
• intention de retour ;
• besoin d'aide ;
• insatisfaction silencieuse.

Ces données sont précieuses pour améliorer le conseil avant achat. Un client qui retourne après avoir mal compris un produit n'est pas seulement un ticket SAV — c'est une donnée pour l'agent vendeur.

Comment concevoir un chatbot connecté au catalogue

Un agent vendeur sérieux ne se déploie pas avec un simple prompt (instruction donnée au modèle IA). Il se conçoit avec une méthode en six étapes.

Étape 1 — Identifier les catégories à fort enjeu

Priorité aux catégories avec :

• fort trafic ;
• faible conversion ;
• panier élevé ;
• forte marge ;
• fort taux de retour ;
• forte complexité ;
• forte demande SAV ;
• compatibilité critique ;
• comparaison difficile.

On ne commence pas partout — on commence là où la marge se joue.

Étape 2 — Cartographier les questions clients

Sources à exploiter :

• recherches internes du site ;
• emails entrants ;
• appels téléphoniques ;
• conversations chat ;
• avis clients ;
• tickets SAV ;
• motifs de retour ;
• verbatims (mots exacts) des vendeurs ;
• demandes commerciales.

L'objectif est de comprendre ce que le client ne comprend pas.

Étape 3 — Structurer les règles de conseil

Pour chaque catégorie, on documente :

• les questions à poser ;
• les critères prioritaires ;
• les pièges fréquents ;
• les produits à éviter selon contexte ;
• les alternatives ;
• les upsells (vente d'une gamme supérieure) justifiés ;
• les cross-sells (ventes complémentaires) utiles ;
• les conditions de retour spécifiques ;
• les déclencheurs d'escalade humaine.

Étape 4 — Connecter les données

Selon le périmètre, on connecte :

• le PIM ;
• le CMS (gestion de contenu) ;
• l'ERP ;
• l'OMS ;
• le stock en temps réel ;
• les prix et promotions ;
• la base documentaire ;
• les avis clients ;
• les outils service client ;
• les motifs de retour ;
• la CDP ou le CRM si pertinent et conforme RGPD.

Étape 5 — Définir les garde-fous

Les garde-fous indispensables :

• pas d'invention (politique anti-hallucination) ;
• réponse limitée aux données disponibles ;
• escalade en cas de doute ;
• refus des recommandations risquées ;
• logs systématiques ;
• revue humaine périodique ;
• tests réguliers ;
• suivi des hallucinations détectées ;
• mesure de la satisfaction client.

Étape 6 — Mesurer l'impact

Les KPI à suivre :

• taux d'engagement ;
• taux de clic post-recommandation ;
• conversion assistée ;
• panier moyen assisté ;
• marge assistée ;
• taux de retour assisté ;
• contacts SAV évités ;
• leads qualifiés ;
• escalades humaines ;
• satisfaction post-conversation.

La technologie vient après la logique métier.

Exemple : chatbot non connecté vs agent vendeur connecté

Situation client

"Je cherche un produit pour une utilisation intensive, mais je ne veux pas dépasser 80 €. J'hésite entre ces deux modèles.".

Réponse comparée

C'est ça, la différence entre chatbot et agent vendeur.

Comment mesurer le ROI d'un chatbot connecté au catalogue

Le ROI ne doit pas être mesuré au nombre de conversations. Il faut mesurer l'impact économique réel, sur six dimensions :

Un chatbot connecté doit être défendu avec cette logique, pas avec des slides sur "l'IA générative".

→ Pour la méthode CFO complète de calcul du ROI sur les 6 solutions Webotit, voir Comment calculer le ROI d'un chatbot, callbot ou mailbot e-commerce.

Les erreurs fréquentes

Comment Webotit aborde le sujet

Chez Webotit, un chatbot e-commerce connecté au catalogue n'est pas traité comme un widget (composant front isolé). Il est traité comme une couche métier.

L'objectif est de connecter l'agent aux bonnes sources :

• catalogue ;
• PIM ;
• stock ;
• règles de compatibilité ;
• contenus produit ;
• motifs de retour ;
• questions SAV ;
• politiques commerciales ;
• CRM ou lead management (gestion des prospects) si pertinent ;
• outils de relation client.

Ensuite, on distingue les usages avec les six briques disponibles :

La force du système vient de la boucle :

• les conversations commerciales nourrissent le catalogue ;
• les emails nourrissent les motifs ;
• les appels révèlent les irritants ;
• les retours enrichissent les règles de conseil ;
• le stock évite les recommandations inutiles.

C'est cela qui permet à un agent vendeur de s'améliorer dans le temps. Vue d'ensemble disponible sur solutions IA pour le e-commerce.

Conclusion

Un chatbot e-commerce échoue rarement parce que "l'IA ne marche pas". Il échoue parce qu'il est déconnecté de ce qui fait la vente : le catalogue, le stock, les règles métier, les compatibilités, les motifs de retour, les questions SAV et la politique commerciale.

Quatre constats pour résumer :

• un chatbot qui ne connaît pas les produits ne peut pas conseiller ;
• un chatbot qui ne connaît pas le stock ne peut pas recommander sérieusement ;
• un chatbot qui ne connaît pas les retours ne peut pas éviter les erreurs fréquentes ;
• un chatbot qui ne connaît pas les questions clients ne peut pas répondre aux vrais doutes.

Le e-commerce n'a pas besoin de bots qui parlent. Il a besoin d'agents qui aident à décider.

→ Pour la vue d'ensemble du silo, lire Agent vendeur IA pour e-commerce : du catalogue au conseil d'achat.

FAQ

Questions frequentes

Pourquoi un chatbot e-commerce échoue-t-il souvent ?+

Parce qu'il est souvent limité à une FAQ ou à des réponses génériques. S'il n'est pas connecté au catalogue, au stock, aux règles métier et aux données client utiles, il ne peut pas conseiller correctement ni recommander des produits adaptés.

Quelle différence entre un chatbot FAQ et un agent vendeur IA ?+

Un chatbot FAQ répond à des questions générales. Un agent vendeur IA comprend le besoin, pose des questions, interroge le catalogue, compare les produits, vérifie les contraintes et oriente vers une décision d'achat ou un lead qualifié.

Faut-il connecter le chatbot au PIM ?+

Oui, mais ce n'est pas toujours suffisant. Le PIM contient les données produit, mais pas toujours les règles de conseil, les cas d'usage, les limites, les motifs de retour ou les objections commerciales. Il faut souvent enrichir la connaissance autour du PIM.

Pourquoi connecter le stock au chatbot ?+

Parce qu'un agent vendeur doit recommander des produits disponibles ou proposer des alternatives pertinentes. Recommander un produit en rupture dégrade la confiance et peut faire perdre la vente.

Les motifs de retour peuvent-ils améliorer un chatbot vendeur ?+

Oui. Les motifs de retour indiquent ce que les clients ont mal compris : taille, compatibilité, usage, qualité perçue, installation. Ces données permettent à l'agent de poser de meilleures questions avant achat.

Quel rôle pour le mailbot relation client ?+

Le mailbot traite et classe les emails entrants. Il permet aussi d'identifier les questions récurrentes, irritants, motifs de retour et problèmes de compréhension produit qui doivent ensuite enrichir l'agent vendeur.

Un callbot peut-il aider un agent vendeur ?+

Indirectement, oui. Le callbot relation client structure les motifs d'appels entrants. Le callbot de suivi post-achat détecte les problèmes après commande. Ces données peuvent nourrir les règles de conseil avant achat.

Comment mesurer le ROI d'un chatbot connecté au catalogue ?+

Il faut suivre la conversion assistée, le panier moyen assisté, la marge assistée, le taux de retour des commandes assistées, les contacts SAV évités, les leads qualifiés et la satisfaction. Le nombre de conversations seul ne suffit pas.

Sources

Sources et references

1. [1]Fevad — Bilan du e-commerce en France 2025, publié le 11 février 2026.
2. [2]Contentsquare — 2025 Digital Experience Benchmarks: Rising Acquisition Costs and More, publié le 28 janvier 2025.
3. [3]Baymard Institute — Order Returns UX research : 58 % des utilisateurs ont retourné au moins un achat en ligne dans les 12 derniers mois ; 15 % ont abandonné un achat à cause d'une politique de retour insatisfaisante.
4. [4]DHL eCommerce — 2025 Delivery and Returns Trends, enquête menée en 2025 auprès de 24 000 répondants dans 24 pays.