Distinguer les vrais cas d'usage du hype des vendeurs

Un vendeur fait la démo d'un « essayage virtuel » qui habille un mannequin d'une robe en temps réel. La salle approuve. Puis quelqu'un demande : « Est-ce que ça marchera sur nos 40 000 SKU, ou seulement sur les 12 que vous avez sélectionnés pour la démo ? » Silence. C'est là, pas dans la démo, que commence la vraie évaluation.

Cette leçon vous donne les questions à poser avant de signer. L'objectif n'est pas le cynisme. C'est la mamaUtiliser un logiciel pour automatiser les tâches et campagnes marketing répétitives, afin de personnaliser à grande échelle sur des canaux comme l'email, le web et le social.Voir la définition complète →îtrise : savoir quels pitchs IA survivent au contact de vos données, de votre catalogue et de votre problème réels.

Commencez par la question la plus difficile : a-t-on vraiment besoin de ML ?

Machine learning (ML) : logiciel qui apprend des motifs à partir de données au lieu de suivre des règles écrites à la main.

Une part surprenante des fonctionnalités « IA » dans la mode n'a pas besoin de ML. Avant d'évaluer un modèle, testez si un outil plus simple résout le même problème.

Exemples de problèmes qui n'ont généralement PAS besoin de ML :

• « Recommander des articles de la même famille de couleurs. » Un filtre sur un attribut taggé suffit. Si votre catalogue dispose déjà de métadonnées couleur propres, c'est une requête en base, pas de l'IA.
• « Montre-moi ce qui marche cette semaine. » Triez par unités vendues. C'est de l'arithmétique.
• « Conseil de taille à partir des mensurations. » Souvent une table de correspondance avec un guide des tailles.

Problèmes qui bénéficient réellement du ML :

• Prédire quel acheteur retournera un article avant même l'achat (prévision de la demande et des retours à partir de milliers de signaux faibles).
• Générer des conseils de style en langage naturel sur un catalogue vaste et désordonné.
• Faire correspondre la photo téléchargée par un utilisateur à des produits visuellement similaires (computer vision sur des images non structurées).

La règle : si un problème peut être résolu par une règle que vous pourriez écrire sur un tableau blanc, le ML est disproportionné. Il ajoute du coût, de la latence et des modes de défaillance sans aucun gain.

Test de résistance 1 : l'échelle du catalogue

Les démos utilisent un sous-ensemble choisi. Votre catalogue est le vrai test.

Demandez au vendeur : « Montrez-moi ça sur 500 SKU aléatoires que je choisis, y compris nos pires photos produit ». Un essayage virtuel entraîné sur des images studio propres casse souvent sur :

• Les photos à plat (vêtement posé sur une table, sans mannequin).
• Les tissus à motifs ou transparents qui perturbent la segmentationsegmentationDécouper un marché en groupes distincts de clients partageant des besoins, des caractéristiques ou des comportements similaires, afin de traiter chaque groupe avec une approche dédiée.Voir la définition complète → du vêtement (le modèle qui sépare le vêtement de l'arrière-plan).
• Les accessoires, les chaussures et les formes non standard.

SKU (Stock Keeping Unit) : un code unique pour chaque déclinaison de produit, par exemple une robe en taille M, bleue.

Un distributeur de prêt-à-porter de taille moyenne peut gérer des dizaines de milliers de SKU actifs, renouvelés à chaque saison. Si un outil d'essayage exige une préparation 3D manuelle par vêtement, le coût de main-d'œuvre crocroLe Conversion Rate Optimization (CRO) est la pratique systématique visant à augmenter le pourcentage d'utilisateurs qui réalisent une action souhaitée, en s'appuyant sur la data, les tests et la recherche utilisateur.Voir la définition complète →ît linéairement et détruit le ROIROIReturn on Investment : le rapport entre le profit net et le coût d'un investissement. Un ROI de 300 % signifie que chaque dollar investi en rapporte 3.Voir la définition complète →. Posez la question directement : coût par SKU pour l'onboarding, et quelle part est automatisée.

Test de résistance 2 : la maturité des données

Data readiness (le fait que vos données soient assez propres, labellisées et accessibles pour entraîner ou faire tourner un modèle).

La plupart des projets IA dans la mode calent ici, pas sur l'algorithme. Passez cette checklist sur vos propres systèmes avant tout pilote :

Si la moitié de ces cases sont « non », un modèle de personnalisation ou de fit n'a pas grand-chose à apprendre. La démo du vendeur fonctionne parce que ses données d'exemple étaient impeccables. Les vôtres, peut-être pas.

Une façon rapide de vérifier la complétude des attributs avant une réunion :

# % de SKU sans tag couleur
missing = df['color'].isna().sum()
total = len(df)
print(f"{missing/total:.1%} of {total} SKUs missing color")
# Exemple de sortie : 34.2% of 41,880 SKUs missing color

Si un tiers de votre catalogue n'a pas de tag couleur, un « styliste IA » qui raisonne sur la coordination des couleurs démarre à l'aveugle.

Test de résistance 3 : le calcul du ROI, honnêtement

Les vendeurs annoncent le gain (« l'essayage augmente la conversion de 30 pour cent »). Interrogez la baseline et le côté coûts.

Les taux de retour dans le prêt-à-porter en ligne sont élevés ; les estimations sectorielles couramment citées situent les retours en e-commerce mode dans une fourchette d'environ 20 à 30 pour cent (estimation, variable selon le marché et la catégorie, et plus élevée en Europe sur certains segments). Réduire les retours est souvent un gain plus important que d'augmenter la conversion, parce que les retours portent des coûts d'expédition, de traitement et de remise en stock.

Exemple chiffré (illustratif, insérez vos propres chiffres) :

• Chiffre d'affaires annuel prêt-à-porter en ligne : 50 000 000 USD
• Taux de retour : 25 pour cent, soit 12 500 000 USD retournés
• Le vendeur affirme que l'essayage virtuel réduit les retours de 2 points de pourcentage (une affirmation réaliste et modeste ; méfiez-vous des promesses plus ambitieuses)
• 2 pour cent de 50 000 000 = 1 000 000 USD de retours en moins
• Si le coût de traitement représente 15 pour cent de la valeur retournée : 150 000 USD économisés par an

Maintenant le côté coûts :

• Onboarding de 40 000 SKU à, disons, 3 USD chacun en automatisé : 120 000 USD en one-shot
• Frais de plateforme annuels : 100 000 USD (illustratif)

Net de la première année : 150 000 économisés moins 220 000 de coût = moins 70 000 USD. Ce n'est rentable que si la réduction des retours tient et que l'onboarding est automatisé. C'est pourquoi la question du « coût par SKU » décide du deal.

Exigez toujours que l'affirmation soit formulée comme un lift incrémental par rapport à votre baseline actuelle, mesuré par un test en règle, pas par un autre client du vendeur.

Test de résistance 4 : comment allez-vous prouver que ça marche ?

Exigez un test contrôlé : répartissez le trafic au hasard, montrez la fonctionnalité IA à un groupe (traitement) et pas à l'autre (contrôle), puis comparez. C'est un A/B testA/B testL'A/B testing est une expérimentation contrôlée qui compare deux versions d'un même élément (A et B) en répartissant le trafic de façon aléatoire, pour savoir laquelle performe le mieux sur une métrique choisie.Voir la définition complète →.

Signaux d'alerte dans les preuves fournies par un vendeur :

• « La conversion a augmenté après le lancement. » (Pas de groupe de contrôle. Ça pourrait être la saisonnalité ou une promo.)
• Des cas clients sans taille d'échantillon ni fenêtre temporelle.
• Des métriques faciles à faire bouger mais sans effet sur le business, par exemple « l'engagement avec le widget d'essayage » au lieu du taux d'achat ou de retour.

Un bon vendeur accueille un test avec holdout et vous aide à le concevoir. Un vendeur porté par le hype résiste à la mesure.

Pour comprendre comment ces systèmes sont réellement évalués, le People + AI Guidebook de Google est gratuit et non technique.

Test de résistance 5 : modes de défaillance et confiance

Les fonctionnalités IA échouent en public. Anticipez-le avant d'acheter.

• Essayage virtuel sur un corps grande taille ou non standard : le vêtement se déforme-t-il de façon irrirrLe taux de rendement interne est le taux d'actualisation qui annule la valeur actuelle nette d'un projet. Il exprime le rendement annualisé attendu d'un investissement.Voir la définition complète →éaliste ? Un mauvais rendu de fit peut faire perdre une vente et heurter.
• HallucinationHallucinationUne hallucination, c'est lorsqu'un modèle d'IA produit une réponse fluide et assurée mais factuellement fausse, inventée, ou non étayée par ses données sources.Voir la définition complète → du styliste IA : un grand modèle de langage peut recommander avec assurance un produit que vous n'avez pas en stock, ou inventer une caractéristique de tissu. L'hallucination, c'est le modèle qui génère une sortie fluide mais fausse.
• Biais : si les images d'entraînement penchent vers un type de corps ou une carnation, les résultats se dégradent pour tous les autres. Demandez au vendeur comment il a testé sur différents groupes démographiques.

Note réglementaire pour 2026 : dans l'Union européenne, l'EU AI Act (la loi européenne sur l'IA fondée sur le risque, en application progressive de 2025 à 2027) fixe des obligations de transparence. Les systèmes qui génèrent ou manipulent des images (un essayage qui modifie la photo d'un utilisateur) peuvent déclencher des obligations d'information, c'est-à-dire indiquer aux utilisateurs que l'image est générée par IA. Aux États-Unis, il n'existe pas de loi fédérale unique sur l'IA ; la FTC (Federal Trade Commission) a averti qu'elle agirait contre les allégations marketing trompeuses en matière d'IA. À retenir en pratique : un vendeur qui affirme « aucun enjeu de conformité » sans citer ces textes n'est pas attentif.

Récapitulatif : un script vendeur de cinq minutes

Posez ces questions dans cet ordre. Les silences vous en disent autant que les réponses.

1. « Une règle ou un filtre pourrait-il faire ça à la place du ML ? »
2. « Faites-le tourner en direct sur 500 SKU que je choisis, y compris des photos à plat. »
3. « Quel est votre coût par SKU d'onboarding entièrement automatisé ? »
4. « Formulez votre lift comme incrémental par rapport à la baseline, mesuré par A/B test. »
5. « Comment avez-vous testé sur différents types de corps, et qu'est-ce qui se déclenche au titre de l'EU AI Act ? »

Si un vendeur traite les cinq points avec des éléments précis, vous avez probablement un vrai cas d'usage. S'il vous ramène à la démo léchée, vous avez du hype.

Points clés

• Écartez d'abord le ML. Si une règle de tableau blanc ou un filtre sur métadonnées suffit, l'IA est une surenchère coûteuse.
• L'échelle du catalogue et le coût par SKU décident du ROI, plus que l'intelligence du modèle. Exigez un test sur votre catalogue désordonné.
• Votre data readiness, pas l'algorithme, est généralement le goulot d'étranglement. Vérifiez la complétude des attributs avant le pilote.
• Seul un A/B test contrôlé prouve le lift. Refusez « la conversion a augmenté après le lancement » comme preuve.
• Citez la réglementation. Les règles de transparence de l'EU AI Act et la vigilance de la FTC sur les allégations trompeuses s'appliquent aux fonctionnalités d'essayage et de styliste en 2026.