IA retail : six cas d’usage concrets et par où commencer

Maison Lumen est une enseigne de prêt-à-porter qui vend en magasin et sur son site (exemple fictif). Un samedi de novembre, le pull le plus demandé de la saison manque en rayon à Lyon. Au même moment, trois cartons du même pull attendent dans la réserve du magasin de Lille. Le produit existe, le stock est payé, et la vente est perdue quand même.

C’est le genre de problème que l’IA sait traiter, à une condition : qu’elle voie les deux magasins, leurs ventes et leurs stocks. Pour chaque moment du parcours d’un produit, ce guide dit ce que l’IA fait, les données qu’elle demande et quand il vaut mieux attendre.

IA dans le retail : ce qu’elle change vraiment

Dans un commerce, l’IA ne remplace ni le merchandising ni la relation avec le client. Elle prend en charge des décisions répétées, nombreuses et chiffrables : combien commander, à quel prix démarquer, quel produit montrer à quel visiteur. Des décisions qu’une équipe prend déjà, à la main, avec un tableur.

Trois familles d’IA, trois usages

• L’IA prédictive. Elle apprend sur l’historique pour estimer ce qui va se passer : les ventes de la semaine prochaine par magasin, le risque qu’un article reste en stock à la fin de la saison.
• L’IA générative. Elle produit du texte ou de l’image à partir de consignes et de données : une fiche produit à partir des attributs du fournisseur, un résumé de deux cents avis clients.
• Les agents. Ils enchaînent plusieurs étapes dans vos outils : lire la prévision, préparer une proposition de transfert entre magasins, la soumettre au responsable des stocks, qui valide ou corrige.

Pour un panorama des usages tous secteurs confondus, voir nos cas d’usage concrets de l’IA en entreprise.

Ce que l’IA ne fait pas à la place de l’enseigne

Elle ne choisit pas l’assortiment : elle peut signaler qu’une référence se vend mal, pas décider qu’elle ne correspond plus à la marque. Elle ne négocie pas avec les fournisseurs. Et elle ne tient pas la donnée à jour : si un article change de prix en magasin sans que le catalogue suive, le modèle apprend sur une erreur. Ces trois sujets restent à l’enseigne.

Six cas d’usage, de l’entrepôt au panier

Le plus simple est de suivre le parcours d’un produit, de l’approvisionnement à l’après-vente. À chaque étape correspond un cas d’usage et un irritant que les équipes connaissent bien.

Prévoir la demande et le réassort par magasin

Une prévision par magasin estime ce que chaque point de vente va vendre, article par article, dans les jours ou les semaines qui viennent. Elle sert à commander au fournisseur, à répartir le stock entre les magasins et à proposer des transferts quand un magasin manque d’un article qu’un autre a en trop. C’est le cas du pull de Maison Lumen, notre exemple fictif. Le responsable des stocks reçoit chaque matin des propositions qu’il accepte ou corrige, et ses corrections améliorent les suivantes.

Ajuster les prix et limiter la démarque

En fin de saison, la question n’est pas de savoir s’il faut démarquer, mais quand et de combien. Un modèle qui croise l’historique des ventes, le stock restant et le nombre de semaines avant la fin de la collection propose un calendrier de démarques par article, voire par magasin. L’enseigne garde la main sur les règles : prix plancher, cohérence entre le site et le magasin. L’IA fait le calcul, la direction commerciale fixe le cadre.

Faire trouver le bon produit : recherche et recommandation

Sur un site marchand, un client qui ne trouve pas le produit peut partir chez un concurrent. Les moteurs de recherche fondés sur l’IA comprennent les fautes de frappe, les synonymes et les recherches formulées en langage courant (« robe chaude pour un mariage en hiver »). Beaucoup sont proposés en service, hébergés par un éditeur et branchés sur le catalogue : c’est ce que recouvre l’expression « search as a service ». La recommandation suit la même logique : montrer à chaque visiteur des produits voisins de ce qu’il regarde. Dans les deux cas, la qualité du résultat dépend d’abord de celle du catalogue : un attribut « couleur » vide ou mal rempli ne sera jamais trouvé.

Rédiger et enrichir les fiches produits

L’IA générative rédige une première version de fiche à partir des attributs du fournisseur, de la photo et de la charte éditoriale de l’enseigne. Elle complète aussi les attributs manquants et traduit les fiches. La relecture humaine reste obligatoire : une matière ou une composition inventée par le modèle engage l’enseigne auprès du client. Le gain se joue sur le volume, quand toute une collection doit être mise en ligne d’un coup.

Répondre aux clients et suivre l’après-vente

Suivi de commande, retours, disponibilité en magasin : une partie des demandes reçues par le service client se répète d’une semaine à l’autre. Un agent IA relié à vos outils peut y répondre et transmettre le reste à un conseiller avec le contexte. Ce cas est détaillé dans notre guide de l’agent IA pour CRM.

Contrôler le magasin à partir de photos de rayon

Une photo de rayon prise au téléphone par un vendeur permet à un modèle de vision de repérer un trou en rayon, une étiquette de prix manquante ou un produit mal placé par rapport au plan d’implantation. Le cas demande un plan d’implantation à jour et des photos prises de façon régulière, faute de quoi le modèle compare le rayon à une référence fausse.

Chaque cas d’usage répond à un moment précis du parcours du produit, et aucun ne fonctionne sans les données de ce moment.

Les données que chaque cas demande

C’est ici que se décide l’ordre de lancement. Un cas d’usage spectaculaire dont les données sont dispersées dans plusieurs outils restera longtemps en préparation. Un cas plus modeste dont les données sont prêtes peut tourner bien plus tôt.

Les données que vous avez déjà

• Les ventes. Tickets de caisse et commandes en ligne, par article, par magasin et par jour : c’est la base de la prévision et de la démarque.
• Les stocks. Par magasin, par entrepôt, et si possible en transit : sans eux, une prévision ne peut pas proposer de transfert.
• Le catalogue. Attributs, descriptions, photos, prix : il alimente la recherche, la recommandation et les fiches produits.
• Les avis et les demandes clients. Ils servent à l’après-vente et donnent des signaux sur les produits qui déçoivent.

À ces données internes s’ajoutent des signaux externes, comme le calendrier des jours fériés et des vacances scolaires ou les événements locaux. Ils expliquent des écarts qu’un historique seul ne comprend pas.

Celles qu’il faut fiabiliser avant tout projet

Il arrive que ces données existent sans se recouper. Le code article n’est pas le même dans la caisse et sur le site. Les stocks des magasins sont remontés une fois par semaine. Les promotions passées ne sont notées nulle part. Une IA entraînée sur ces données reproduit leurs incohérences, avec l’assurance d’un modèle. Ce prérequis passe par un travail de fiabilisation des données, que propose par exemple turnK.

Outil du marché ou IA sur mesure

La question se tranche cas par cas, pas une fois pour toutes.

Quand l’outil de votre plateforme suffit

Plusieurs plateformes e-commerce proposent des fonctions d’IA intégrées : recherche, recommandation, aide à la rédaction des fiches. Quand le besoin est standard, que votre catalogue est propre et que l’outil couvre l’usage, l’activer est la bonne décision. Reste à vérifier ses résultats sur vos produits et à former les équipes qui l’utilisent.

Quand vos données font la différence

Un outil standard apprend sur des comportements génériques. Votre avantage, lui, tient à ce que vous seul connaissez : l’historique de vos magasins, la saisonnalité de votre clientèle, l’effet de vos promotions passées. Une prévision du réassort entraînée sur ces données, ou un agent qui applique vos règles de transfert entre magasins, ne s’achète pas sur étagère. C’est là que l’IA sur mesure se justifie, à condition que les données existent et qu’elles soient fiables.

Lancer un premier cas sans risque

Le risque n’est pas seulement l’échec technique : c’est aussi la démonstration réussie qui ne passe jamais en production, faute d’avoir défini ce qu’elle devait prouver. Le classement en tête d’article vous donne un premier ordre ; voici comment transformer le premier cas en résultat mesurable.

Un périmètre court

Un rayon, une région ou une famille de produits. Maison Lumen (exemple fictif) commencerait par la prévision de la maille dans ses magasins d’une seule région, plutôt que par toute la collection dans tout le réseau. Un périmètre court se prépare vite et se mesure facilement. Pour choisir ce premier cas, voir aussi comment choisir ses premiers cas d’usage d’IA.

Mesurer avant et après

Avant de lancer, fixez l’indicateur et sa valeur de départ : taux de rupture, volume de démarque, taux de recherches sans résultat, temps de mise en ligne d’une collection. Puis comparez le périmètre pilote à un groupe témoin comparable, qui continue de fonctionner comme avant. Sans groupe témoin, une bonne saison passera pour un succès de l’IA. Aucun chiffre ne doit être promis avant cette mesure : le résultat dépend de vos données et de votre point de départ.

Données clients, RGPD et règlement européen sur l’IA

Dès qu’un cas d’usage traite des données de clients identifiables, comme l’historique d’achat d’un porteur de carte de fidélité ou une conversation avec le service client, le RGPD s’applique : finalité définie, données limitées au nécessaire, information des personnes. Le règlement européen sur l’IA, le règlement (UE) 2024/1689, prévoit en outre à son article 50 que les systèmes d’IA destinés à échanger directement avec des personnes, comme un agent conversationnel, soient conçus pour que ces personnes sachent qu’elles s’adressent à une IA. Notre modèle de charte IA en entreprise aide à poser les règles d’usage internes.

Comment StackEasy accompagne les enseignes

StackEasy conçoit et met en production des cas d’usage d’IA pour les enseignes et les e-commerçants, de la prévision des ventes à la recommandation produit. Notre approche du secteur est présentée sur la page IA pour le retail et l’e-commerce.

Par où commencer : un état des lieux court de vos canaux, de vos irritants et de vos données suffit pour classer les six cas de ce guide et retenir le premier. C’est l’objet de notre audit et diagnostic IA, qui débouche sur une feuille de route priorisée.