Une IA retail qui déplace la prévision, pas le slide.

La réponse honnête est plus étroite que ce que promet le marché et plus durable que ne le concèdent les sceptiques. Dans le retail et les biens de grande consommation, l'IA fait la différence là où une décision se répète des milliers de fois par semaine, là où l'entrée est déjà numérique, et là où une amélioration faible mais constante se cumule. La prévision hiérarchique de la demande en est l'exemple le plus net : prise isolément chaque décision est banale, mais à l'échelle l'écart entre un bon modèle et un modèle médiocre se lit directement dans la précision de prévision (WAPE) et la disponibilité linéaire.

Ce que l'IA ne change pas, c'est la responsabilité. Un modèle peut classer, scorer, signaler et rédiger ; une personne reste responsable du résultat. Les missions qui durent sont celles qui définissent d'abord le contrat humain-dans-la-boucle — qui contrôle quoi, à quel seuil, avec quelle escalade — puis ajustent le modèle à ce contrat.

Presque tous les programmes d'IA enlisés dans le retail et les biens de grande consommation l'ont été sur les données, pas sur la modélisation. Panels de ventes SKU × magasin × semaine, calendriers promotionnels et données météo arrivent avec des trous, des identifiants dupliqués, des dérives de schéma et des règles métier non documentées enfouies dans des intégrations vieilles de dix ans. Notre première phase est toujours une évaluation de la maturité des données.

Cette évaluation est volontairement ingrate, et c'est là que le risque disparaît. Elle indique si le problème est soluble, quel plafond réaliste s'applique à la précision de prévision (WAPE) et la disponibilité linéaire, et ce qu'il en coûterait de relever ce plafond. Nos clients revoient régulièrement leur périmètre à l'issue — ce qui est précisément l'intérêt de la mener avant, et non après, six mois de développement.

Les systèmes de le retail et les biens de grande consommation sont inspectés. Le RGPD et les règles de transparence des données consommateurs fixe le niveau d'exigence : comment le modèle a été entraîné, sur quelle population, avec quels modes de défaillance connus, supervisé comment, et annulé par qui. Nous produisons ces preuves comme un livrable, pas comme une reconstitution a posteriori.

La dernière phase est le transfert. Vos équipes reçoivent les pipelines d'entraînement, le harnais d'évaluation, les tableaux de supervision et un runbook écrit pour un ingénieur d'astreinte à trois heures du matin. Un système que vos équipes ne savent pas exploiter n'est pas un système livré.