Pourquoi la plupart des projets d’IA dans le secteur de la mode ne dépassent jamais la phase pilote

Dans le secteur de la mode, il y a forcément un planificateur qui se retrouve face à deux chiffres qui devraient correspondre, mais qui divergent. L’un provient du plan d’achat, l’autre du service financier. Tous deux sont censés représenter la même chose (les dépenses engagées), mais aucun n’est manifestement faux ou juste.

C’est généralement à ce moment-là que quelqu’un dit : « Une fois l’IA en place, tout cela se réglera tout seul. »

Ouais, probablement pas.

D’après le rapport « The State of Fashion 2026 » , jusqu’à 90 % des initiatives en IA ne dépassent jamais le stade de l’expérimentation. Les projets pilotes impressionnent souvent en théorie, mais stagnent discrètement lorsqu’ils sont confrontés à un modèle opérationnel réel, et des failles commencent à apparaître.

Là où les choses commencent à mal tourner

Le problème est rarement lié à un manque d’ambition. Les équipes fonctionnent déjà à plein régime, jonglant avec les retards des fournisseurs, la volatilité des coûts, les calendriers serrés et les consommateurs qui changent d’avis plus vite que les cycles de production ne le permettent.

Le nœud du problème est que l’IA est souvent déployée dans des environnements qui contournent déjà des failles structurelles.

Imaginez un scénario où le coût total à l’arrivée change. Cela peut commencer par une hausse des droits de douane, une flambée soudaine des frais de transport ou une augmentation discrète des prix par un fournisseur, mais l’impact s’arrête rarement là.

L’information parvient quelque part, peut-être au service des achats, mais pas partout.

Le merchandising se base alors sur d’anciennes hypothèses de marge, la finance en constate l’impact plus tard, et l’allocation prend des décisions de toute façon, simplement parce qu’elle n’a pas le choix.

À la fin de la saison, tout le monde comprend ce qui s’est passé, mais il est trop tard pour y changer quoi que ce soit.

C’est le problème du premier kilomètre , qu’on l’appelle ainsi ou non. Les décisions qui déterminent les résultats sont prises avant même que les produits n’atteignent les entrepôts, et pour couronner le tout, elles sont prises au sein de systèmes déconnectés, chacun avec sa propre version de la vérité.

Ainsi, lorsqu’on demande à l’IA de prévoir la demande, de prendre les bonnes décisions en matière de stocks ou d’identifier des moyens de préserver les marges, on lui fournit en fin de compte une image de l’entreprise qui est erronée.

La raison insoupçonnée pour laquelle l’IA se bloque

Les projets pilotes d’IA fonctionnent généralement bien car ils s’appuient sur des ensembles de données propres, des périmètres définis et un environnement contrôlé. Tous les intervenants s’accordent sur ce qui constitue un résultat satisfaisant.

Mais la plupart des entreprises de mode ne disposent pas de données irréprochables, de périmètres d’action clairement définis ni d’environnements opérationnels stables. Les conditions sont tout simplement imparfaites.

Déployer un modèle d’IA à grande échelle implique de l’intégrer au cœur du chaos opérationnel quotidien de la mode. Cela se traduit par des retards de livraison, des expéditions fractionnées, des achats échelonnés, des changements d’assortiment en cours de saison, des engagements commerciaux non négociables et un service financier qui s’efforce de boucler les opérations au mieux.

Les initiatives en matière d’IA n’échouent pas à cause des personnes, mais parce que les organisations disposent rarement d’une structure opérationnelle unique qui alimente les modèles en données correctes.

Ce qui se produit généralement, c’est que les équipes continuent de contourner le système jusqu’à ce que leur ERP principal devienne une simple couche de reporting plutôt qu’un lieu où les décisions sont réellement prises.

L’IA finit par analyser les mêmes contradictions et les mêmes données complexes auxquelles les humains sont déjà confrontés.

La souffrance de la mode est commerciale, non conceptuelle

Lorsque les fondations sont fragiles, les conséquences sont presque toujours financières.

Une saison peut paraître florissante en apparence, tout en souffrant de graves pertes en coulisses. Les stocks s’accumulent dans des endroits où la demande ne se concrétise jamais, les articles les plus performants sont vendus trop tôt et les liquidités restent immobilisées dans les inventaires au moment même où les frais de transport, les droits de douane et la pression sur les démarques atteignent leur maximum.

Lorsque la direction prend enfin conscience de la situation dans son ensemble, la saison est déjà terminée. La réaction habituelle consiste alors à intensifier les efforts de vente, à accélérer les remises, à préserver les relations commerciales autant que possible et à accepter que les marges aient été impactées.

Encore une fois, rien de tout cela n’arrive parce que les équipes ne comprennent pas leur travail. Cela arrive parce que le système qu’elles utilisent ne permet pas de prendre des décisions cohérentes et alignées face à l’évolution de la situation.

Dans ce contexte, l’IA n’est rien de plus qu’une compréhension sans mise en œuvre et une prédiction sans contrôle. Elle peut expliquer ce qui s’est mal passé, voire ce qui est susceptible de se produire ensuite, mais elle ne peut intervenir suffisamment tôt pour changer le cours des choses.

Pourquoi l’ERP agentique ne fonctionne qu’après la partie la plus difficile

C’est là que l’ERP agentique fait réellement ses preuves et c’est aussi là qu’il est le plus mal compris.

Pour ceux qui ne le savent pas, l’ERP agentique désigne les ERP qui utilisent des agents d’IA intégrés pour surveiller les données, identifier les problèmes et automatiser les actions de routine directement au sein des flux de travail métiers essentiels.

Si la planification, l’achat, l’approvisionnement, l’allocation et le financement sont liés, les agents cessent d’être des promesses pour l’avenir et peuvent produire des résultats concrets ici et maintenant.

Ils peuvent signaler l’érosion des marges avant que les engagements ne soient verrouillés, effectuer un rapprochement continu plutôt que mensuel et ajuster les flux de travail lorsque les variables changent, sans nécessiter d’intervention manuelle.

Mais cela ne fonctionne que si le système sous-jacent sait déjà comment l’entreprise fonctionne.

Microsoft D365 Business Central est actuellement l’un des meilleurs exemples du marché. Copilot et les agents étant intégrés au système ERP, ils sont également intégrés à l’infrastructure opérationnelle où les décisions sont prises et exécutées.

Tout est centralisé dans un seul système plutôt que dispersé dans des outils et des feuilles de calcul disparates, ce qui signifie que l’IA travaille réellement avec des données qui reflètent la réalité.

Les marques qui déploient l’IA à grande échelle font d’abord quelque chose d’inhabituel

Avec tout le battage médiatique autour de l’IA et tous les fournisseurs de technologies promettant une « efficacité de pointe en matière d’IA », de nombreuses entreprises ont oublié que la stabilisation des fonctions administratives est la priorité absolue.

C’est là la différence entre les marques qui déploient l’IA à grande échelle et celles qui stagnent au stade pilote.

Les marques intelligentes reconnaissent que la résilience ne se construit pas aux portes de l’entrepôt ou au dernier kilomètre, mais en amont, dans la manière dont les plans sont connectés, les coûts modélisés et les changements propagés en temps réel dans toute leur organisation.

Une fois en place, l’IA cesse d’être un simple déploiement et devient un système qui se développe discrètement. Elle n’est ni spectaculaire ni glamour, mais elle est efficace.