Comment Li & Fung utilise l'IA et les plateformes de données pour l'orchestration de la chaîne d'approvisionnement

Li & Fung, la maison de commerce hongkongaise centenaire qui approvisionne en vêtements et biens de consommation les marques mondiales depuis 1906, se réinvente autour de l'intelligence artificielle et des plateformes basées sur le cloud. L'entreprise a passé les trois dernières années à construire une infrastructure numérique pour orchestrer la production, la logistique et l'inventaire à travers des milliers d'usines en Asie, en concurrence non seulement avec les intermédiaires traditionnels mais aussi avec les éditeurs de logiciels qui promettent de désintermédier complètement l'agent de sourcing.

Ce changement est important car Li & Fung gère encore des milliards de dollars de volume de marchandises annuel pour des noms connus dans la mode et la distribution, et ses choix technologiques façonnent la manière dont des milliers de fournisseurs adoptent les outils numériques. Alors que les marques exigent des délais plus courts, des séries de production plus petites et une visibilité en temps réel sur les conditions dans les usines, la stratégie de plateforme de l'entreprise offre une étude de cas en direct pour savoir si les acteurs en place peuvent utiliser les données et l'apprentissage automatique pour défendre leur rôle dans la chaîne d'approvisionnement.

Cet article examine comment Li & Fung déploie l'IA pour la prévision de la demande, l'appariement des fournisseurs et l'optimisation logistique, quels résultats l'entreprise affirme avoir obtenus, et où subsistent les lacunes et les risques pour les entreprises de mode évaluant des investissements similaires.

Quelle est la stratégie de plateforme numérique de Li & Fung ?

Li & Fung a consolidé ses initiatives technologiques sous une plateforme basée sur le cloud conçue pour connecter les marques, les usines et les prestataires logistiques dans un environnement de données unique. La plateforme ingère les informations de commande, les calendriers de production, le suivi des expéditions et les indicateurs de performance des fournisseurs, puis utilise l'analyse et l'apprentissage automatique pour recommander des décisions de sourcing, allouer les commandes et signaler les retards potentiels.

L'entreprise décrit cette approche comme l'orchestration de la chaîne d'approvisionnement : plutôt que de simplement transmettre les bons de commande de l'acheteur à l'usine, Li & Fung se positionne comme une tour de contrôle qui optimise continuellement le flux de matériaux, la capacité de production et les produits finis. La plateforme s'appuie sur des interfaces de programmation d'applications pour extraire les données des systèmes de planification des ressources d'entreprise côté marque et fournisseur, créant une source unique de vérité pour le statut des commandes, les niveaux d'inventaire et les jalons d'expédition.

Dans des présentations aux investisseurs en 2025, Li & Fung a mis en avant des investissements dans ce qu'elle appelle des capacités de sourcing numérique, qui incluent des outils pour l'échantillonnage virtuel, la collaboration sur la conception de produits en trois dimensions et des processus automatisés de demande de devis qui font correspondre les spécifications d'une marque aux capacités des fournisseurs sans intervention manuelle. L'objectif est de compresser le cycle traditionnel de développement de produit, qui dans l'habillement peut s'étendre à neuf mois ou plus du concept à la réception en entrepôt, et de réduire le besoin d'échantillons physiques et de visites d'usines en personne.

Comment Li & Fung utilise-t-elle l'intelligence artificielle dans le sourcing et la production ?

Li & Fung applique des modèles d'apprentissage automatique à trois flux de travail principaux : la prévision de la demande, l'appariement des capacités des fournisseurs et la prédiction de la qualité. Les algorithmes de prévision de la demande analysent les modèles de commandes historiques, les données de vente partagées par les clients de la distribution et les signaux externes tels que les tendances de recherche et les prévisions météorologiques pour générer des recommandations de production à court terme. L'objectif est d'aider les marques à réduire les stocks excédentaires et les situations de rupture de stock en alignant plus étroitement les volumes de fabrication sur la demande réelle des consommateurs.

L'appariement des capacités des fournisseurs utilise un algorithme de classification entraîné sur des années de données de production pour noter chaque usine du réseau de Li & Fung par rapport aux exigences des commandes entrantes. Les variables incluent le type de tissu, la complexité du vêtement, la quantité minimale de commande, les résultats d'audit de conformité éthique et l'historique de livraison à temps. Lorsqu'une marque soumet un nouveau bon de commande, le système classe les fournisseurs par pertinence et recommande des allocations qui équilibrent coût, rapidité et risque.

La prédiction de la qualité repose sur la reconnaissance d'images et la détection d'anomalies. Pendant la production, les usines téléchargent des photographies des vêtements en cours de fabrication sur la plateforme ; des modèles de vision par ordinateur signalent les écarts par rapport à l'échantillon approuvé, tels que des coutures incorrectes ou une inadéquation des couleurs. Le système surveille également les taux de défauts historiques par fournisseur et catégorie de produit, alertant les gestionnaires de compte lorsqu'une usine particulière montre une variance de qualité croissante.

Quelles marques et catégories de produits utilisent la plateforme ?

Li & Fung n'a pas publié de liste complète de clients pour sa plateforme numérique, et les principaux clients de la distribution ne divulguent généralement pas en détail leurs relations avec les agents de sourcing. Les documents publics et les communications aux investisseurs confirment que l'entreprise sert de grands détaillants nord-américains et européens dans l'habillement, les chaussures, le textile de maison et les biens durables, mais les noms de marques spécifiques et les volumes de transactions pour les outils numériques restent confidentiels.

En termes généraux, Li & Fung a indiqué que l'adoption du sourcing numérique est plus élevée parmi les clients des segments de la mode rapide et de la distribution à prix réduit, où la rapidité de mise sur le marché et les changements fréquents de produits créent une incitation plus forte à automatiser le placement des commandes et la planification des inventaires. À l'inverse, les marques de luxe et haut de gamme, qui maintiennent souvent des relations de longue date avec un nombre restreint d'ateliers spécialisés, ont été plus lentes à déplacer les flux de travail de sourcing vers des plateformes numériques partagées, préférant une communication sur mesure et un contrôle plus strict de la propriété intellectuelle.

Quels résultats mesurables Li & Fung a-t-elle communiqués ?

Li & Fung a partagé des affirmations qualitatives sur les gains d'efficacité et les réductions de délais mais a été prudente quant à la publication de données de performance granulaires qui permettraient une vérification indépendante. Dans une mise à jour aux investisseurs en 2025, l'entreprise a déclaré que les clients utilisant ses outils de sourcing numérique ont connu des cycles de développement de produits plus courts et des taux de livraison à temps améliorés par rapport aux clients s'appuyant sur des processus manuels traditionnels, mais elle n'a pas quantifié l'ampleur de ces améliorations ni divulgué la taille de l'échantillon.

Des preuves anecdotiques issues de conférences sur la chaîne d'approvisionnement et de la presse spécialisée suggèrent que la numérisation peut réduire le temps de traitement des commandes d'une à deux semaines et diminuer le nombre d'échantillons physiques requis pendant le développement de produits, générant des économies de coûts en frais de courrier et en gaspillage de matériaux. Cependant, ces avantages se cumulent progressivement et dépendent fortement de la maturité des systèmes propres à chaque client et de la volonté des fournisseurs d'adopter de nouveaux protocoles de partage de données.

Li & Fung a également souligné une amélioration de la rotation des stocks pour certains clients, arguant que de meilleures prévisions de la demande permettent aux détaillants de réapprovisionner plus fréquemment les styles les plus vendus et d'annuler ou de modifier plus tôt dans le cycle de production les commandes pour les produits à rotation plus lente. Encore une fois, l'entreprise n'a pas publié de chiffres audités qui isolent la contribution de ses modèles d'IA d'autres variables telles que les conditions du marché, la stratégie de merchandising ou l'activité promotionnelle.

Comment la plateforme intègre-t-elle la logistique et le suivi des expéditions ?

Au-delà du sourcing en usine, la plateforme de Li & Fung s'étend au transport de marchandises et à l'orchestration logistique. L'entreprise exploite sa propre division logistique et s'associe également avec des transporteurs tiers pour réserver le transport maritime, aérien et terrestre. La plateforme numérique agrège les données d'expédition de plusieurs transporteurs, offrant aux clients une vue unifiée de l'inventaire en transit, des heures d'arrivée estimées et du statut de dédouanement.

Des algorithmes d'apprentissage automatique analysent les performances d'expédition historiques, les données de congestion portuaire et les scores de fiabilité des transporteurs pour recommander le routage et la sélection des transporteurs. Pour les commandes urgentes, le système peut automatiquement passer à des modes de transport plus rapides mais plus coûteux si un retard d'usine menace de manquer une fenêtre de livraison au détaillant. De même, lorsque plusieurs commandes pour le même client sont en production dans différentes usines, la plateforme peut consolider les expéditions pour réduire les coûts de fret et simplifier la réception en entrepôt.

La visibilité en temps réel est particulièrement précieuse pendant les périodes de pointe et les périodes de perturbation de la chaîne d'approvisionnement. Au cours de l'année civile 2025, le transport maritime mondial a connu des retards intermittents dus à des conflits sociaux portuaires, des pénuries de capacité et des tensions géopolitiques. La plateforme de Li & Fung a permis aux gestionnaires de compte de réacheminer les expéditions, de changer de transporteurs et d'ajuster les calendriers de production en réponse à l'évolution des conditions, réduisant le risque de ruptures de stock ou de démarques de fin de saison.

Quels sont les risques, les limites et les questions ouvertes ?

Malgré la logique stratégique de l'orchestration de la chaîne d'approvisionnement pilotée par l'IA, plusieurs défis et incertitudes demeurent. Premièrement, la qualité des données est inégale dans la base de fournisseurs de Li & Fung. Alors que les grandes usines technologiquement sophistiquées peuvent intégrer leurs systèmes de production avec la plateforme via des API, de nombreux petits ateliers manquent de logiciels d'entreprise ou de connectivité Internet fiable. Dans ces cas, la saisie de données est manuelle, retardée et sujette aux erreurs, ce qui compromet la précision des modèles d'apprentissage automatique qui dépendent d'une entrée rapide et granulaire.

Deuxièmement, les fournisseurs peuvent résister au partage de données détaillées de production et de capacité avec un intermédiaire qui sert également leurs concurrents. Les usines craignent que la transparence sur leurs structures de coûts, leurs marges et leur capacité disponible affaiblisse leur position de négociation ou conduise Li & Fung à allouer des commandes à des rivaux moins chers. Construire la confiance et démontrer un bénéfice mutuel est un processus lent, et l'adoption incomplète des fournisseurs limite les effets de réseau de la plateforme.

Troisièmement, le modèle économique du sourcing numérique n'est pas universellement convaincant. Les marques qui ont déjà des relations profondes et à long terme avec une poignée d'usines privilégiées peuvent voir peu de valeur supplémentaire dans les recommandations de fournisseurs pilotées par algorithme. Les segments du luxe et du haut de gamme, où le savoir-faire artisanal, l'exclusivité et la protection de la propriété intellectuelle comptent plus que la rapidité ou le coût, sont particulièrement sceptiques à l'égard des plateformes numériques partagées et des flux de travail standardisés.

Quatrièmement, Li & Fung fait face à une pression concurrentielle de la part des éditeurs de logiciels qui vendent des outils de visibilité de la chaîne d'approvisionnement et de gestion de production directement aux marques, contournant complètement l'intermédiaire. Si un détaillant peut atteindre une précision de prévision comparable, une notation des fournisseurs et un suivi des expéditions en achetant des licences de logiciels et en embauchant des analystes internes de la chaîne d'approvisionnement, il peut choisir de désintermédier la maison de commerce et de capturer la marge pour lui-même. La proposition de valeur de Li & Fung repose sur la prémisse que ses données propriétaires, ses relations avec les fournisseurs et son expertise sectorielle ne peuvent pas être facilement reproduites, mais cette hypothèse est mise à l'épreuve alors que les coûts technologiques baissent et que les talents deviennent plus largement disponibles.

Enfin, les dimensions environnementales et sociales de l'orchestration de la chaîne d'approvisionnement restent sous-développées. Bien que la plateforme de Li & Fung puisse suivre les audits de conformité éthique et signaler les fournisseurs ayant de mauvais antécédents en matière de travail ou d'environnement, elle n'intègre pas encore les calculs d'empreinte carbone, les indicateurs de circularité ou la surveillance en temps réel des conditions de travail. Alors que les régulateurs de l'Union européenne et d'ailleurs introduisent des exigences obligatoires de diligence raisonnable et de reporting en matière de durabilité, la plateforme devra élargir son modèle de données et ses analyses pour aider les clients à respecter ces obligations.

Comment les capacités de Li & Fung se comparent-elles aux alternatives internes et logicielles ?

Les entreprises de mode évaluant les investissements technologiques dans la chaîne d'approvisionnement font face à un choix entre trois archétypes : s'appuyer sur un intermédiaire de service complet comme Li & Fung, obtenir une licence de logiciel auprès d'un fournisseur spécialisé et développer des capacités d'analyse internes, ou poursuivre un modèle hybride qui combine des éléments des deux. Chaque approche implique des compromis différents en termes de coût, de contrôle, de rapidité et de risque.

Un intermédiaire de service complet offre le chemin le plus rapide vers des capacités de sourcing numérique car l'infrastructure, les intégrations de fournisseurs et les modèles d'apprentissage automatique sont déjà construits. Cependant, la marque sacrifie un certain contrôle sur la sélection des fournisseurs, la propriété des données et la capacité de différencier sa chaîne d'approvisionnement comme avantage concurrentiel. Les logiciels sous licence et les équipes internes offrent un plus grand contrôle et une meilleure personnalisation mais nécessitent un investissement initial en technologie, formation et gestion du changement. Les plateformes développées sur mesure offrent une flexibilité maximale et une protection de la propriété intellectuelle mais sont coûteuses, chronophages et risquées, surtout pour les entreprises de taille moyenne sans talents technologiques approfondis.

En pratique, de nombreuses entreprises de mode poursuivent un modèle hybride : elles utilisent un intermédiaire pour les catégories de produits de base ou les régions où elles manquent de relations directes, tout en développant des capacités propriétaires pour les gammes de produits stratégiques ou les fournisseurs clés. Cette approche de portefeuille leur permet d'expérimenter avec l'IA et les plateformes de données de manière incrémentale, d'apprendre ce qui fonctionne et d'éviter de s'engager excessivement envers un seul fournisseur ou une seule pile technologique.

Quelles sont les perspectives pour l'IA dans l'orchestration de la chaîne d'approvisionnement ?

La trajectoire de l'adoption de l'IA dans les chaînes d'approvisionnement de la mode sera façonnée par trois forces : les mandats réglementaires pour la transparence et la durabilité, la pression concurrentielle pour réduire les délais et les risques d'inventaire, et l'évolution du coût et de la capacité de la technologie d'apprentissage automatique. La stratégie de plateforme de Li & Fung illustre à la fois la promesse et les frictions de la transformation numérique dans une industrie fragmentée et axée sur les relations.

Pour les intermédiaires, l'impératif est de démontrer que leurs actifs de données, leurs réseaux de fournisseurs et leur expertise sectorielle créent des avantages durables qui ne peuvent pas être facilement reproduits par les éditeurs de logiciels ou les équipes internes. Pour les marques, le défi est d'équilibrer contrôle et rapidité, en investissant suffisamment dans des capacités propriétaires pour différencier leurs chaînes d'approvisionnement tout en tirant parti des plateformes tierces là où la marchandisation et les économies d'échelle ont du sens.

Au cours des deux à trois prochaines années, attendez-vous à voir une consolidation parmi les éditeurs de logiciels de chaîne d'approvisionnement, une intégration plus profonde des données environnementales et sociales dans les plateformes d'orchestration, et une utilisation croissante de l'IA générative pour automatiser la conception de produits, l'échantillonnage et la communication avec les fournisseurs. Les entreprises qui réussiront seront celles qui traiteront le sourcing numérique non pas comme un projet technologique mais comme un processus continu d'expérimentation, d'apprentissage et d'adaptation en partenariat avec les fournisseurs, les prestataires logistiques et les partenaires technologiques.

Que devraient faire les entreprises de mode maintenant ?

1. Auditez votre infrastructure de données. Avant d'investir dans le sourcing ou la logistique pilotés par l'IA, évaluez l'exhaustivité, la précision et la rapidité de vos données internes sur la demande, l'inventaire, la performance des fournisseurs et le statut des expéditions. Identifiez les lacunes et priorisez les projets d'intégration qui créeront une base fiable pour les modèles d'apprentissage automatique.
2. Cartographiez la maturité numérique des fournisseurs. Interrogez vos partenaires de production pour comprendre leurs capacités technologiques actuelles, leur volonté de partager des données via des API et leur capacité à adopter de nouveaux flux de travail numériques. Concentrez les pilotes initiaux de la plateforme sur les fournisseurs qui sont prêts et disposés, plutôt que d'essayer de mandater l'adoption à travers toute la base.
3. Définissez des cas d'usage clairs. Articulez les problèmes commerciaux spécifiques que vous souhaitez résoudre avec l'orchestration de la chaîne d'approvisionnement, tels que la réduction des délais pour le réapprovisionnement saisonnier, l'amélioration de la précision des prévisions pour les nouveaux lancements de produits ou la minimisation des coûts de fret pendant les périodes de pointe d'expédition. Mesurez le succès par rapport à ces objectifs concrets plutôt qu'à de vagues gains d'efficacité.
4. Pilotez avec une portée limitée. Commencez par une seule catégorie de produit, région ou segment de client où les avantages de la visibilité en temps réel et de la prise de décision automatisée sont susceptibles d'être les plus élevés. Menez une expérience contrôlée qui compare les flux de travail numériques aux processus traditionnels, capturez les résultats quantitatifs et itérez en fonction de ce que vous apprenez.
5. Négociez la propriété et la portabilité des données. Si vous engagez un intermédiaire ou obtenez une licence de plateforme logicielle, clarifiez dans le contrat qui possède les données de transaction, les indicateurs de performance des fournisseurs et les modèles d'apprentissage automatique. Assurez-vous de pouvoir exporter vos données dans un format standard et migrer vers un système différent si la relation prend fin ou si vos besoins changent.
6. Intégrez les indicateurs de durabilité et de conformité. Alors que la pression réglementaire augmente, intégrez dès le départ l'empreinte carbone, la circularité et les indicateurs de droits du travail dans votre modèle de données de chaîne d'approvisionnement. Choisissez des plateformes qui peuvent ingérer les résultats d'audits tiers, suivre les émissions de Scope 3 et générer des rapports alignés sur les normes de divulgation émergentes.
7. Investissez dans la gestion du changement et la formation. La technologie seule ne transformera pas votre chaîne d'approvisionnement ; les personnes doivent comprendre comment interpréter les recommandations algorithmiques, les outrepasser lorsque le jugement commercial l'exige et améliorer continuellement les modèles avec des retours. Allouez un budget pour la formation, la refonte des processus et le soutien continu, pas seulement pour les licences de logiciels et le matériel.