Quand l'acheteur est un bot : comment les agents d'IA arrivent dans le wholesale de la mode

En octobre 2025, lors de son IT Symposium à Orlando, Gartner a émis une prévision qui devrait inquiéter tout directeur wholesale de la mode : d'ici 2028, 90 % des achats B2B seront « intermédiés par des agents d'IA », faisant transiter plus de 15 000 Md USD de dépenses d'entreprises par ce que le cabinet appelle des échanges d'agents d'IA. Si elle se vérifie, l'interlocuteur qui lira la line sheet d'une marque dans deux ans sera souvent un logiciel agissant pour un acheteur, et non l'acheteur en personne.

La réalité mesurée dans la mode est bien plus modeste. Le rapport 2026 State of B2B eCommerce de NuORDER montre que l'adoption de l'IA dans les achats et la planification est passée de 11 % à 17 % sur l'année écoulée. L'enquête de Gartner auprès de 645 acheteurs B2B, menée en août et septembre 2025, a révélé que 45 % avaient utilisé l'IA générative lors d'un achat récent, principalement pour rechercher des fournisseurs et des produits, tandis que 69 % préfèrent toujours valider les analyses générées par l'IA avec un commercial.

L'acheteur est-il donc déjà un bot ? Pas encore, et pas comme le titre le laisse entendre. L'IA entre dans les achats de mode par des tâches ciblées et répétitives : rédiger des commandes de réapprovisionnement, rapprocher des catalogues des tendances, présélectionner de nouveaux fournisseurs, assembler des rapports de trading. Les agents entièrement autonomes qui passent des commandes saisonnières restent rares. Mais l'infrastructure de l'achat par agents se met en place dès maintenant, par Google, Walmart, Faire et les plateformes de wholesale, et les marques que les machines trouveront et réassortiront seront celles dont les données de produit, de prix et de disponibilité sont réellement lisibles par une machine.

Que prévoit exactement Gartner pour les agents d'IA dans les achats B2B ?

Le chiffre de 90 % provient des prédictions stratégiques de Gartner, présentées par Daryl Plummer, son responsable de la recherche sur l'IA, lors de l'événement d'Orlando en octobre 2025. La formulation compte. « Intermédié » signifie qu'un agent se place quelque part entre l'acheteur et le vendeur : il cherche, compare, résume, négocie ou exécute. Cela ne veut pas dire que neuf achats sur dix seront décidés sans humain. C'est une prévision d'orientation, présentée à un public de directeurs des systèmes d'information, et non une part mesurée des achats actuels, et Gartner n'y a associé aucune estimation propre à la mode. Elle indique néanmoins aux fournisseurs où les grands acheteurs et les plateformes veulent aller, et à quelle vitesse ils pensent que le basculement peut se produire.

D'autres cabinets décrivent un processus d'achat qui change déjà, mais plus lentement. L'étude State of Business Buying 2026 de Forrester, publiée en janvier, montre qu'une décision d'achat typique implique 13 parties prenantes internes et neuf influenceurs externes, et que les groupes d'achat doublent à peu près lorsqu'un achat comprend des fonctions d'IA générative. Dans son enquête 2025, 36 % des acheteurs ont déclaré que l'IA générative leur avait donné plus de confiance d'avoir pris une décision bien informée, tandis que 20 % se sentaient moins sûrs d'eux après avoir rencontré des informations peu fiables ou inexactes.

L'enquête B2B Pulse 2026 de McKinsey, menée auprès de près de 4 000 décideurs dans 13 pays et publiée en mai, ajoute que l'IA générative est entrée dans les cinq premiers canaux utilisés par les acheteurs pour découvrir et évaluer leurs fournisseurs. Seules 22 % des organisations disent avoir pleinement déployé l'IA générative, contre 19 % un an plus tôt, et 31 % de plus sont en cours d'adoption. Les acheteurs sont à l'aise pour dépenser davantage en ligne : l'aisance à passer des commandes en ligne supérieures à 50 000 USD est passée de 59 % en 2022 à 73 %. Pourtant, la volonté de dépenser 500 000 USD ou plus en ligne a reculé de cinq points de pourcentage par rapport à 2024, rappel que les engagements importants suscitent encore un examen humain.

Comment les acheteurs B2B utilisent-ils l'IA dans leurs achats aujourd'hui ?

L'enquête de mai 2026 de Gartner auprès des acheteurs donne l'image la plus claire des comportements actuels. Les acheteurs ont puisé en moyenne dans sept sources d'information lors d'un achat récent. Sur les 645 répondants, 45 % ont utilisé l'IA générative, 67 % ont dit préférer une expérience d'achat sans commercial et 70 % préfèrent un processus entièrement numérique en libre-service. La confiance reste partagée : 51 % ont déclaré avoir plus de chances de rencontrer des informations trompeuses avec l'IA générative, et 49 % ont dit la même chose d'un commercial.

Robert Blaisdell, qui dirige la recherche dans l'activité ventes de Gartner, a résumé la tension : les acheteurs « sont plus à l'aise pour utiliser les canaux numériques et l'IA générative afin de mener seuls leur processus d'achat », mais « cela n'élimine pas le rôle du vendeur ». Pour la mode, où un responsable de compte wholesale fait souvent aussi office de conseiller en merchandising, c'est le schéma le plus probable à court terme : les machines préparent et comparent, les humains confirment et négocient.

Qu'est-ce que les équipes d'achat des distributeurs de mode automatisent déjà ?

La partie la plus automatisable de l'achat de mode est aussi celle qui a le plus progressé. Le document de JOOR sur les tendances du wholesale pour 2026 montre que le délai moyen entre la passation de commande et l'expédition est passé de 263 jours en 2019 à 102 jours en 2024. Les modèles permanents sont passés de 37 % de la valeur brute des marchandises de JOOR en 2019 à 49 % en 2024, et les acheteurs déplacent leur budget vers les achats en cours de saison. Des cycles plus courts et davantage de produits de continuité signifient plus de décisions petites, fréquentes et fondées sur des règles : exactement le travail que les logiciels font bien.

Guess offre un exemple documenté côté distribution. Selon une étude de cas publiée en juin 2025 par son éditeur de logiciels Nextail, Guess garde 50 à 60 % de son stock pour les besoins en cours de saison et est passé à un réapprovisionnement entièrement automatisé fondé sur des prévisions de demande hyper-locales, avec une mise en service dans toute la zone EMEA en six mois. Résultats annoncés : taux d'écoulement à plein prix en hausse de 5 points de pourcentage, couverture des magasins en baisse de 7,5 % et 13 % de ruptures en moins. Ces chiffres sont publiés par l'éditeur, mais ils montrent où l'automatisation paie en premier : décider chaque jour quelles unités vont où, sans qu'un planificateur ne touche chaque ligne.

AllSaints va dans la même direction, plus en amont. En avril 2026, le distributeur britannique a indiqué qu'il ajoutait des outils de planification natifs de l'IA pour le trading, les prévisions, l'allocation et le réapprovisionnement, la tarification des démarques, la planification financière et la planification de gamme. Ses rapports de trading hebdomadaires, que les équipes commençaient à compiler le dimanche et terminaient après le lundi, doivent être disponibles à 8 h le lundi. « Nous avons une excellente équipe, mais elle doit passer beaucoup trop de temps à extraire et à analyser les données manuellement », a déclaré à Retail Gazette Alfie Meekings, directeur de la transformation et de la technologie.

Aucun de ces cas ne décrit un agent passant des commandes auprès de marques extérieures. Ils automatisent des décisions internes. Mais dès que la logique de réapprovisionnement d'un distributeur repose sur des prévisions plutôt que sur des tableurs, il n'y a qu'un pas pour envoyer automatiquement des commandes d'achat aux fournisseurs pour les références jamais en rupture, et le fournisseur dont les disponibilités et les prix peuvent être interrogés par une machine devient le plus facile à réassortir.

Que construisent les plateformes de wholesale et les grands distributeurs pour l'achat par agents ?

Les places de marché situées entre les marques et les magasins ajoutent de l'IA du côté de l'acheteur. En mars 2026, JOOR a indiqué avoir construit un outil propriétaire reposant sur un modèle vision-langage spécifique à la mode, qui parcourt les millions de produits de sa plateforme pour trouver des modèles correspondant aux tendances des défilés ; elle l'a utilisé pour un rapport de tendances femme Automne 2026 achetable en ligne, destiné à sa communauté de plus de 675 000 acheteurs. Des analystes de tendances humains ont d'abord choisi les six tendances ; le modèle a ensuite trouvé des modèles disponibles dans le commerce. JOOR indique aussi que 78 % des nouveaux distributeurs acquis grâce à son outil de mise en relation Discover recommandent, avec plus de cinq commandes en moyenne la première année.

Faire, qui attend environ 3 Md USD de volume brut de marchandises et a été valorisée 5,2 Md USD en décembre 2025, utilise déjà l'apprentissage profond pour classer les produits et a indiqué prévoir des assistants d'achat par IA pour aider les distributeurs à composer leurs assortiments et à automatiser le téléversement des produits. Son directeur général, Max Rhodes, a noté que seulement 5 % environ des centaines de milliards de dollars que les distributeurs américains dépensent pour s'approvisionner en stock passent par internet. Lorsque Faire a ouvert sa plateforme à des acheteurs professionnels comme les hôtels et les bureaux en juin 2026, elle a maintenu des garde-fous fermes : les marques choisissent de vendre ou non à ce segment, les acheteurs doivent respecter les minimums des marques et les marques approuvent chaque commande.

Les grands distributeurs et groupes technologiques construisent les rails. En janvier 2026, Google a lancé le Universal Commerce Protocol, développé avec Shopify, Target, Walmart et Etsy, un standard ouvert qui permet aux agents de gérer le parcours de la découverte du produit au paiement, conçu pour fonctionner avec son Agent Payments Protocol et avec le Model Context Protocol. OpenAI et Stripe ont leur propre Agentic Commerce Protocol. Ces standards visent d'abord l'achat grand public, mais ils définissent les rails que les agents B2B sont susceptibles de réutiliser, et Google a accompagné le lancement de nouveaux attributs de données dans Merchant Center.

Les équipes wholesale des marques de mode sont-elles prêtes pour les acheteurs IA ?

Les marques réinvestissent dans le wholesale. Dans le rapport 2026 de NuORDER, 78 % des dirigeants placent le wholesale B2B en tête de leurs priorités d'investissement, contre 72 % un an plus tôt, et l'enquête de marché de JOOR montre que 52 % des marques le jugent leur canal le plus rentable. Mais les fondations de données dont un agent aurait besoin sont minces. NuORDER constate que seules 9 % des marques disposent de systèmes ERP pleinement intégrés. La prévision des stocks est le premier cas d'usage de l'IA, cité par 44 %, et l'adoption de l'IA dans les achats et la planification reste une pratique minoritaire.

L'écart entre la prévision de 90 % de Gartner et un taux d'adoption de 17 % n'est pas une contradiction. C'est la distance entre la direction que prennent les grandes organisations d'achat et la situation actuelle du wholesale saisonnier de la mode. Il montre aussi où se situe le travail : avant qu'une marque puisse vendre à un agent, ses propres systèmes doivent s'accorder sur ce qui est disponible, à quel prix et quand.

Le calendrier de vente complique la tâche. L'enquête de marché de JOOR montre que la part des marques produisant des collections capsules est passée de 19 % en 2023 à 37 % en 2025, tandis que celle des marques produisant une collection complète a reculé de 86 % à 83 %. Plus de drops signifient plus de fiches produit, d'images et de tarifs à publier, plus souvent, et plus de risques que la version lue par le système d'un distributeur diffère de celle de l'ERP de la marque. Pour un acheteur humain, un écart déclenche un coup de téléphone. Pour un réassort automatisé, il produit une mauvaise commande ou aucune.

De quelles données un agent d'achat IA a-t-il besoin de la part d'une marque de mode ?

Un acheteur humain sait contourner une image floue, une line sheet en PDF ou une liste de prix envoyée par e-mail. Un agent ne le peut pas, ou ignorera le produit sans rien dire. Les exigences sont banales mais strictes : des données structurées, cohérentes et à jour, qui répondent aux questions d'un acheteur sans appel téléphonique.

Deux autres exigences sont moins techniques. Les marques ont besoin de règles explicites sur ce qu'un agent peut faire au nom d'un acheteur, par exemple quelles tailles de commande ou quelles modifications nécessitent une validation humaine, comme le montre le modèle de Faire où chaque commande est approuvée. Et elles doivent décider quelles données elles acceptent d'exposer : une disponibilité en temps réel aide un agent à réassortir, mais renseigne aussi les concurrents et les grands comptes sur la position d'une marque.

Quels sont les risques et les limites des agents d'IA dans l'achat wholesale ?

La première limite est la fiabilité. Dans l'enquête 2025 de Forrester, les professionnels des achats se sont montrés plus sceptiques que les autres acheteurs : 28 % se sentaient moins sûrs d'une décision à cause de résultats d'IA inexacts, contre 19 % de l'ensemble des acheteurs, et 22 % disaient avoir perdu du temps à cause d'informations d'IA de mauvaise qualité. Un agent qui interprète mal une courbe de tailles ou une fenêtre de livraison peut créer une commande techniquement valide et commercialement fausse.

La deuxième tient à la nature de l'achat de mode. Les commandes de pré-saison combinent goût, stratégie de marque, exclusivité et relations, et sont souvent négociées autour du soutien marketing, des marges et de l'allocation de modèles rares. Les propres données de Gartner suggèrent que les acheteurs veulent que des commerciaux valident les conclusions de l'IA, et Blaisdell a mis en garde les directeurs des ventes contre le fait d'« interpréter la préférence des acheteurs pour le libre-service numérique comme le signe que les vendeurs comptent moins ». Le constat de McKinsey selon lequel la volonté de passer de très grosses commandes en ligne a reculé va dans le même sens.

La troisième est la concentration. Si les agents d'achat sont construits et contrôlés par quelques plateformes et grands distributeurs, ils classeront les fournisseurs selon des critères fixés par ces propriétaires, de l'exhaustivité des données à la marge et à la publicité. L'activité publicitaire de Faire, lancée deux ans avant son tour de financement de décembre 2025, représente déjà plus de 5 % de son chiffre d'affaires. Les marques doivent s'attendre à ce que la visibilité auprès des agents acheteurs devienne quelque chose qui s'achète, comme l'a été la visibilité dans les moteurs de recherche.

Enfin, les prévisions ne sont pas des faits. Le chiffre de 90 % de Gartner est une prédiction stratégique à définition large, non une part observée, et aucune des sources examinées pour cet article ne fait état d'un distributeur de mode laissant un agent passer des commandes saisonnières auprès de marques extérieures sans validation humaine. La lecture la plus prudente est une question de tendance : l'intermédiation par agents va croître, en commençant par la recherche et le réapprovisionnement, bien avant d'atteindre le showroom.

Que doivent faire les équipes wholesale de la mode dès maintenant ?

1. Auditez votre line sheet comme un jeu de données. Vérifiez que chaque modèle, coloris et taille existe sous forme de champs structurés, avec des noms cohérents entre l'ERP, le PLM et les canaux wholesale.
2. Publiez la disponibilité par SKU et par fenêtre. Rendez le disponible à la vente et les dates de livraison interrogeables par les partenaires, en commençant par les références de continuité et de réassort.
3. Codez vos règles commerciales. Transformez minimums, prépacks, paliers de prix et conditions d'annulation en règles explicites plutôt qu'en accords par e-mail.
4. Définissez ce qu'une machine peut approuver. Fixez des seuils de taille de commande, de modifications et de substitutions qui exigent une validation humaine de votre côté.
5. Commencez par les réassorts, pas par la pré-saison. Testez la commande automatisée ou assistée par agent avec quelques distributeurs partenaires sur des références jamais en rupture, et mesurez l'écoulement et les erreurs.
6. Suivez la façon dont les plateformes vous classent. Surveillez comment les places de marché et les portails des distributeurs affichent et recommandent vos produits, et quelle exhaustivité de données elles récompensent.
7. Reformez les responsables de compte en conseillers. Préparez les équipes de vente à valider, expliquer et négocier autour de ce que font remonter les outils d'IA des acheteurs, car c'est là que les acheteurs veulent encore des humains.