Comment H&M utilise l'IA : demande, allocation et jumeaux numériques

L'ESSENTIEL Résumé de la rédaction

1. H&M décrit publiquement depuis au moins 2018 son recours à l'IA et à l'analytique avancée pour adapter les assortiments des magasins et rendre plus précises les prévisions, la quantification, l'allocation et la tarification.
2. En 2018, H&M comptait environ 200 data scientists, analystes et ingénieurs internes et externes qui analysaient les tickets de caisse, les retours et les données de cartes de fidélité, selon Retail Dive.
3. En 2019, les stocks de H&M représentaient 18,6 % des ventes pour un objectif de 12 à 14 %, ce qui a été une raison centrale de son investissement dans l'IA appliquée à la quantification et à l'allocation.
4. En mars 2025, H&M a annoncé des jumeaux numériques créés par IA générative de 30 mannequins consentants, qui gardent le contrôle sur l'usage de leurs répliques.
5. H&M n'a publié aucun résultat chiffré attribuant à l'IA des améliorations des ventes, des démarques ou des stocks.

H&M utilise l'IA principalement pour décider combien acheter et où l'envoyer : depuis au moins 2018, l'entreprise décrit des modèles qui analysent les ventes, les retours et les données de fidélité pour adapter les assortiments des magasins et améliorer les prévisions, la quantification, l'allocation et la tarification. Depuis 2025, elle utilise aussi l'IA générative pour créer des jumeaux numériques de mannequins consentants destinés à l'imagerie de campagne. H&M n'a publié de résultats chiffrés ni pour l'un ni pour l'autre.

Qu'a construit H&M ?

Les informations publiques décrivent deux volets distincts. Le premier est analytique et relève du merchandising. En mai 2018, Retail Dive rapportait que H&M personnalisait les assortiments de ses magasins à l'aide d'algorithmes analysant les tickets de caisse, les retours et les données de cartes de fidélité, avec environ 200 data scientists, analystes et ingénieurs internes et externes qui examinaient les comportements d'achat d'un magasin à l'autre. En mars 2019, le directeur général de l'époque, Karl-Johan Persson, déclarait que H&M investissait massivement dans l'IA pour gagner en précision dans la prévision des tendances, de la demande des clients, de la quantification, de l'allocation et de la tarification.

Le second volet est génératif et relève du marketing. En mars 2025, H&M a annoncé la création de jumeaux numériques par IA de 30 mannequins ayant donné leur consentement, dont Mathilda Gvarliani. Selon FashionUnited, les mannequins gardent le contrôle sur l'utilisation de leurs répliques numériques et sont rémunérés à des tarifs comparables à ceux d'un shooting traditionnel, et les premières images devaient porter des filigranes les identifiant comme générées par IA. Les premières images, consacrées au denim, ont été mises en ligne le 2 juillet 2025.

Sous la direction du directeur général Daniel Ervér, l'ambition affichée est que H&M réagisse plus vite aux tendances de consommation grâce à l'IA, comme le rapportait Fortune en janvier 2025.

Pourquoi H&M a-t-il investi dans l'IA ?

Le déclencheur a été les stocks. En 2018, H&M cherchait à mettre fin à dix trimestres de ventes en berne et à réduire ses démarques, rapportait Retail Dive. Au premier trimestre 2019, ses stocks de marchandises équivalaient à 18,6 % des ventes, pour un objectif de 12 à 14 %, et Persson se disait convaincu que l'objectif serait atteint sans pouvoir dire quand. Pour une entreprise qui achète de gros volumes des mois à l'avance, de petites améliorations de la profondeur d'achat et de l'allocation en magasin se traduisent directement par moins de stock à solder.

La motivation des jumeaux numériques est différente : rapidité et flexibilité dans la production de contenus. Le directeur de la création de H&M, Jörgen Andersson, a présenté le projet comme une exploration de l'IA générative visant à amplifier la créativité et à réinventer la manière de présenter la mode.

Lire aussi

Comment Stitch Fix utilise l'IA : algorithmes et stylistes humains

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

H&M n'a pas publié d'architectures de modèles. Ce qui a été rapporté, ce sont les données. Selon Retail Dive, les algorithmes s'appuyaient sur :

• les tickets de caisse et les retours ;
• les données de cartes de fidélité issues du programme de membres de H&M ;
• les données d'environ 5 milliards de visites dans ses magasins et sur ses sites web au cours de l'année précédente ;
• des sources externes comme des articles de blog et des moteurs de recherche ;
• les variations de change, que les algorithmes prenaient en compte.

L'application la mieux documentée est le clustering de magasins. Le test de l'approche dans le quartier d'Östermalm à Stockholm a révélé une clientèle majoritairement féminine avec une forte demande d'articles tendance et plus chers ; H&M a ajusté l'assortiment, réduit de 40 % le nombre de produits du magasin et supprimé l'essentiel de la mode masculine sur ce point de vente, et les ventes se sont améliorées, selon le même article. Analyse : il s'agit d'une planification d'assortiment localisée classique, où les modèles proposent et les merchandisers décident ; H&M n'a pas précisé dans quelle mesure la décision finale est automatisée.

Quels résultats H&M a-t-il publiés ?

H&M n'a publié aucun chiffre attribuant à l'IA des améliorations des ventes, de la marge brute, des démarques ou des stocks. Le seul résultat figurant dans les sources publiques est qualitatif : les ventes du magasin test d'Östermalm se sont améliorées après la modification de l'assortiment fondée sur les données. Pour les jumeaux numériques, aucun chiffre d'efficacité ou de coût n'a été communiqué.

Les chiffres de stocks du groupe ne peuvent pas servir d'indicateur indirect, car de nombreux facteurs les font varier. En janvier 2025, par exemple, Fortune rapportait que les stocks de H&M avaient été affectés par les perturbations en mer Rouge et par un Black Friday tardif, deux facteurs qu'aucun modèle de prévision ne maîtrise.

Quelles sont les limites et les questions ouvertes ?

Ce qui suit relève de l'analyse éditoriale. D'abord, l'attribution : sans résultats avant/après publiés, impossible de dire quelle part de la performance de H&M en matière de stocks revient à l'IA plutôt qu'à la réduction des gammes, aux changements de sourcing ou aux conditions de marché. Ensuite, la dépendance aux données : les données de fidélité sont au cœur de la localisation, mais elles ne couvrent que les membres, de sorte que les magasins et marchés où l'adhésion est faible sont plus difficiles à modéliser. Troisièmement, la gouvernance des contenus génératifs : les conditions de consentement, de rémunération et de filigrane de H&M répondent aux questions éthiques évidentes, mais le projet a suscité des critiques sur la suppression d'emplois de photographes et d'équipes de production. Quatrièmement, la vitesse : réagir plus vite aux tendances grâce à l'IA ne paie que si les délais de sourcing et de production permettent une réponse plus rapide.

Une autre question concerne la continuité. Les dirigeants cités en 2019 ont depuis quitté leurs fonctions, et les sources publiques ne montrent pas comment les travaux sur l'allocation et la quantification ont évolué sous la nouvelle direction, au-delà de l'objectif affiché de réagir plus vite aux tendances.

Lire aussi

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

Que peuvent en retenir les autres entreprises de mode ?

1. Orienter l'IA vers un problème de bilan. H&M a lié son programme à un objectif explicite de ratio stocks/ventes.
2. Utiliser les données de fidélité et de retours, et pas seulement les ventes, pour comprendre ce que veulent réellement les clients de chaque magasin.
3. Tester localement avant de passer à l'échelle : un pilote dans un seul magasin a rendu l'effet visible et explicable pour les merchandisers.
4. Pour l'imagerie générative, régler le consentement, la propriété, la rémunération et l'étiquetage avant le début de la production.
5. Publier, ou au moins suivre en interne, des indicateurs de résultat ; sans eux, l'investissement dans l'IA devient difficile à défendre.

Questions fréquentes

Comment H&M utilise-t-il l'IA pour l'allocation ?

H&M a déclaré utiliser l'IA pour rendre plus précises la prévision, la quantification, l'allocation et la tarification. Les données rapportées comprennent les tickets de caisse, les retours et les données de cartes de fidélité, qui aident à décider quels produits reçoit chaque magasin.

Que sont les jumeaux numériques IA de H&M ?

Ce sont des répliques de vrais mannequins générées par IA et utilisées dans l'imagerie de campagne. H&M a annoncé en mars 2025 les jumeaux numériques de 30 mannequins consentants ; ceux-ci gardent le contrôle sur leur utilisation et sont rémunérés à des tarifs comparables à ceux d'un shooting traditionnel.

L'IA a-t-elle réduit les stocks de H&M ?

H&M n'a publié aucun chiffre attribuant à l'IA l'évolution de ses stocks. Ceux-ci dépendent aussi de facteurs externes comme les perturbations du transport maritime et le calendrier des temps forts commerciaux, de sorte que les chiffres du groupe ne prouvent rien dans un sens ni dans l'autre.

Quelles données H&M utilise-t-il pour la prévision de la demande ?

Selon l'article de Retail Dive de 2018, les algorithmes de H&M utilisaient les tickets de caisse, les retours, les données de cartes de fidélité, les données de visites des sites web et des magasins ainsi que des signaux externes issus de blogs et de moteurs de recherche, tout en tenant compte des variations de change.

GuideLe guide complet de l’IA dans le merchandising et les achats de modeLire le guide complet