Dans le commerce, le calendrier donne aux projets d’IA leur première contrainte : une prévision se vérifie au terme d’un cycle d’approvisionnement, une démarque à la fin d’une saison, une recommandation dès qu’un essai en ligne a réuni assez de visites. L’IA dans le retail recouvre ainsi des cas d’usage que séparent leur besoin en données, leur délai de preuve et leur effet sur le client.
Cet article en compare cinq (la prévision de la demande, la recommandation, la tarification, la relation client et la logistique) sur les données que chacun demande, le délai avant un résultat vérifiable et le risque pour le client. La prévision et la logistique travaillent d’abord sur des articles et des stocks ; la recommandation et la tarification touchent la personne, par ses données ou par le prix qu’elle paie. Le choix de ces critères est une proposition de méthode.
Les cas d’usage de l’IA dans le retail, placés côte à côte
Par résultat vérifiable, nous entendons un résultat comparé à un fait observé (une vente, un délai, une réponse attendue) par quelqu’un qui n’a pas construit le système.
| Cas d’usage | Données demandées | Délai avant un résultat vérifiable | Risque pour le client |
|---|---|---|---|
| Prévision de la demande | Ventes par article, lieu et période ; stocks et ruptures ; prix, promotions, calendrier commercial | Un cycle d’approvisionnement : la prévision se compare au réalisé à l’horizon de la commande | Indirect : rupture ou article absent du rayon |
| Recommandation | Historique de navigation et d’achat ; catalogue et attributs ; stock disponible | Court en ligne : un essai comparatif conclut lorsque le trafic suffit | Emploi de données personnelles ; article proposé puis indisponible |
| Tarification | Historique des prix et des ventes ; stocks ; coûts ; prix relevés chez les concurrents | Une campagne ou une saison pour une démarque ; plus court pour un prix ajusté en ligne | Direct : le prix payé, et le sentiment d’un traitement inégal |
| Relation client | Conditions de vente, politique de retour, fiches produit ; commandes du client | Avant la mise en service, sur un jeu de questions aux réponses connues ; puis en exploitation | Réponse inexacte donnée au nom de l’enseigne ; échange avec une machine non signalé |
| Logistique | Stock par emplacement ; commandes ; capacités d’entrepôt et de transport | Une période d’exploitation comparée à une période de référence | Indirect : promesse de livraison non tenue |
Le délai suit le cycle de la décision que le système éclaire. Un essai de recommandation ou de prix en ligne peut se répéter plusieurs fois dans une saison ; une démarque de fin de collection ne se juge qu’une fois par collection. Les mesures propres à la prévision (erreur, biais, niveau de service) sont détaillées dans notre article sur la prévision de la demande ; nous n’y revenons pas.
Des données communes, et celles que chaque cas ajoute
La lecture en colonne fait apparaître un socle : le référentiel produit, l’historique des ventes et le stock servent plusieurs cas à la fois. Une recommandation fondée sur le contenu dépend des attributs du catalogue. Une prévision hérite des lacunes de l’historique des ventes. Un assistant restitue la fiche produit telle qu’elle est tenue.
Fiabiliser ce socle relève de la qualité des données et, pour le référentiel partagé entre canaux, du master data management. Le même référentiel alimenterait un passeport numérique de produit, que le règlement (UE) 2024/1781 ne rend exigible pour un groupe de produits que par un acte délégué.
Chaque cas ajoute ensuite ses propres données. La recommandation et la personnalisation de la relation client demandent des données sur des personnes, absentes d’une prévision construite à la maille de l’article et du point de vente. La tarification demande des coûts et des prix de concurrents, dont la collecte pose ses propres questions. La logistique demande des données d’entrepôt et de transport, qui vivent hors des outils du commerce.
Un modèle de prévision, de recommandation ou de prix peut se dégrader lorsque l’assortiment, les prix ou les comportements changent. Sa mise en production suppose un réentraînement et une surveillance de la dérive, chaîne que décrit notre page MLOps et LLMOps.
Le risque pour le client grandit près de la personne et du prix
Deux cas touchent le client sans intermédiaire : la recommandation, par ses données, et la tarification, par ce qu’il paie. Nous n’affirmons ici aucune règle de droit de la consommation. Ces points se formulent comme des questions à remettre aux juristes et au délégué à la protection des données, avant l’essai.
Pour la recommandation et la personnalisation :
- sur quelle base légale repose le traitement, usage par usage, et comment l’opposition d’un client se propage-t-elle à tous les outils ?
- les critères qui classent les produits présentés doivent-ils être portés à la connaissance du client, et sous quelle forme ?
Pour la tarification :
- un prix peut-il différer d’un client à l’autre, et sur quels critères ?
- le client doit-il être informé lorsqu’un prix a été personnalisé par un traitement automatisé ?
- comment s’établit le prix de référence d’une annonce de réduction lorsque le prix a varié les semaines précédentes ?
Notre article RGPD et intelligence artificielle lit les articles du règlement que ces questions rencontrent, dont l’article 22 sur la décision individuelle automatisée, sans qualifier aucun cas.
Pour la relation client, le risque porte sur ce que l’assistant affirme : une condition de retour inexacte engage l’image de l’enseigne comme toute autre publication. Notre page IA générative décrit l’évaluation sur un jeu de test construit avec les experts du domaine, qui précède la mise en service. L’information du client qui dialogue avec un système d’IA relève de l’article 50, paragraphe 1, du règlement (UE) 2024/1689, présenté dans notre fiche sur l’AI Act.
Le premier cas à engager, d’après les acquis de l’enseigne
Nous proposons de partir de ce que l’enseigne possède déjà.
- Un historique des ventes propre et un stock exact, sans vue client unifiée : la prévision de la demande peut s’engager sans données personnelles, au prix d’une preuve plus lente.
- Un trafic en ligne soutenu et un catalogue aux attributs renseignés : la recommandation permet des essais courts, une fois les questions de données personnelles instruites.
- Des fins de saison chargées d’invendus : la tarification de démarque vise le problème, mais sa preuve attend la fin de la saison et ses questions juridiques s’instruisent avant tout essai.
- Un service client occupé par des demandes répétitives et une documentation tenue à jour : l’assistant se vérifie avant d’être exposé au client.
- Des promesses de livraison manquées alors que le stock est juste : la logistique se mesure sur l’exploitation courante, face à une période de référence.
Dans chaque situation, un cas s’écarte lorsque sa fondation manque. Une recommandation branchée sur un stock inexact propose des articles absents ; un assistant branché sur une politique de retour que chaque canal rédige à sa manière répond selon la version qu’il trouve.
L’essai lui-même se place sur un périmètre réel et réduit (une catégorie de produits, un groupe de boutiques, un pays) et à distance des temps forts, comme le décrit notre page commerce et luxe : une évolution livrée trop près d’une période chargée attend la suivante.