Comment adidas utilise l'IA : des archives de design au contenu génératif

adidas utilise l'IA dans le design, l'ingénierie et le marketing : un outil génératif entraîné sur ses archives de sneakers pour la création de concepts, des assistants de codage pour ses ingénieurs, un outil fondé sur un modèle de langage qui analyse les avis clients et la personnalisation générative dans ses campagnes. L'entreprise a bâti depuis 2018 un large socle numérique et de données, mais n'a pas décrit publiquement les modèles d'IA qu'elle utilise dans la planification de la demande.

Qu'a construit adidas ?

Les applications documentées couvrent toute la chaîne de valeur :

• AI Archive : une application web, déployée en 2022 et décrite par des chercheurs d'adidas au SIGGRAPH 2023, qui utilise des modèles de diffusion entraînés sur les sneakers adidas depuis les années 1950, afin que les designers puissent explorer rapidement des centaines de concepts.
• Assistants d'ingénierie : un pilote d'outils de codage à base d'IA générative mené avec 500 ingénieurs, présenté par Fernando Cornago d'adidas en 2025.
• Analyse des avis : un chatbot de génération augmentée par récupération (RAG) qui parcourt plus de 2 millions d'avis produits et sert plus de 50 décideurs en design, produit, marketing et service client.
• Campagnes génératives : une campagne pour la sneaker Campus dans laquelle les consommateurs généraient des designs personnalisés à partir d'images téléchargées, documentée par WARC en décembre 2025.

Ces applications reposent sur un programme numérique plus large. The Business of Fashion rapportait en 2021 qu'adidas prévoyait d'investir plus de 1 milliard de dollars américains dans la transformation digitale d'ici le milieu de la décennie, de recruter plus de 1 000 spécialistes des données et de la technologie dans l'année et de faire passer son programme de membres de 220 millions à 500 millions de membres d'ici 2025.

Pourquoi adidas a-t-il investi dans l'IA ?

Les motivations diffèrent selon le cas d'usage. Dans le design, l'objectif est d'explorer plus de concepts plus vite tout en restant fidèle au vocabulaire stylistique de la marque, d'où l'entraînement du modèle sur les propres archives d'adidas. Dans l'ingénierie, l'objectif est la productivité : Cornago décrivait les outils d'IA générative comme déjà devenus une commodité pour les ingénieurs, impossible à leur retirer. Pour la connaissance client, des millions d'avis contiennent des retours sur les produits que les équipes ne peuvent pas lire manuellement. Dans le marketing, le but est une personnalisation à un coût qui la rende viable au-delà de quelques campagnes phares.

Lire aussi

Comment Zalando utilise l'IA : assistant, personnalisation et conseil en taille

Comment cela fonctionne-t-il (données, modèles, processus) ?

Le schéma commun associe données propriétaires et modèles généralistes. AI Archive applique des modèles de diffusion à l'historique produit d'adidas, en laissant aux designers le contrôle du résultat. L'outil d'analyse des avis convertit les avis en embeddings vectoriels, récupère les plus pertinents pour une question et les transmet à un modèle de langage chargé de les résumer ; selon l'étude de cas, réduire l'entrée à environ 3 000 tokens par requête a fait passer le temps de réponse de 15,5 à 6 secondes. Les assistants de codage ont été déployés sous forme de pilote mesuré avant une utilisation plus large.

L'outil d'analyse des avis illustre aussi un modèle de gouvernance : l'étude de cas décrit un catalogue central pour la gouvernance des données et des modèles et le suivi des expérimentations, afin que les équipes qui utilisent les réponses puissent retracer quelles données et quelle version de modèle les ont produites. Les fondations de données comptent aussi ailleurs. Selon The Business of Fashion, adidas réalisait déjà plus de 5 milliards d'euros de ventes avec des produits créés en design 3D, ce qui fournit aux outils de design par IA des actifs numériques sur lesquels travailler.

Quels résultats adidas a-t-il publiés ?

Des chiffres ont été publiés, mais presque aucun ne provient de rapports audités de l'entreprise :

adidas n'a communiqué ni l'effet de l'IA sur le chiffre d'affaires, la marge, les stocks ou les coûts de développement produit au niveau du groupe, ni la manière dont l'IA est utilisée dans la planification de la demande.

Quelles sont les limites et les questions ouvertes ?

Ce qui suit relève de l'analyse éditoriale. La principale lacune concerne la planification. C'est sans doute dans la planification de la demande que l'IA offre le plus grand levier financier pour une entreprise d'articles de sport, or adidas n'a pas décrit publiquement son approche : toute affirmation selon laquelle adidas pratique une prévision pilotée par l'IA doit donc être considérée comme non vérifiée. Ensuite, les éléments de preuve sont inégaux : les récits de fournisseurs et les dossiers de prix sont sélectionnés pour montrer des réussites et mentionnent rarement des points de référence ou des échecs. Troisièmement, les outils de design entraînés sur des archives posent la question de savoir dans quelle mesure ils renforcent l'esthétique existante au lieu d'en produire de nouvelles. Quatrièmement, les gains de productivité des assistants de codage sont autodéclarés et difficiles à traduire en valeur économique.

Lire aussi

Comment Mango utilise l'IA : design génératif, mannequins virtuels et Mango Stylist

Que peuvent en retenir les autres entreprises de mode ?

1. Entraîner ou ancrer les outils génératifs sur vos propres archives et données ; c'est là que naît la différenciation de la marque.
2. Utiliser le RAG pour exploiter les retours non structurés comme les avis, et garder un contexte réduit pour maîtriser coûts et rapidité.
3. Piloter les outils de productivité internes avec un groupe défini et mesurer l'adoption avant de passer à l'échelle.
4. Distinguer les expérimentations marketing de l'IA opérationnelle ; une campagne réussie en dit peu sur la maturité de la planification.
5. Demander aux fournisseurs et partenaires des points de référence, et pas seulement des pourcentages d'amélioration.

Analyse : adidas illustre un schéma fréquent dans les grandes marques. L'IA générative se diffuse rapidement là où le risque est faible et les données sont détenues en propre, comme dans l'exploration de design, le codage interne et l'analyse des avis, tandis que l'IA au cœur de la planification progresse plus lentement et fait l'objet de moins de communication.