L'IA dans la chaussure : ajustement, données de tailles et création produit accélérée
Dans la chaussure, quelques millimètres décident si une vente tient. L'IA aide pour le scan du pied, le conseil taille et l'itération du design, mais seulement si elle s'appuie sur des données de formes et de produits exactes.
L'ESSENTIEL Résumé de la rédaction
- La chaussure est le segment de la mode où l'ajustement est le plus mesurable, ce qui fait de la recommandation de taille et d'ajustement l'un des cas d'usage de l'IA les plus concrets de la catégorie.
- Selon Just Style, Nike Fit, lancé en 2019, scanne les deux pieds avec la caméra d'un smartphone et cartographie 13 points de données grâce à la vision par ordinateur et au machine learning.
- Zalando a indiqué en juin 2026 que ses solutions de taille et d'ajustement avaient évité au total 8 % des retours liés à la taille en 2025, grâce au machine learning appliqué aux données produit, aux retours d'expérience des clients et aux schémas de retour.
- Les recommandations d'ajustement ne valent que ce que valent les données produit qui les alimentent : les mesures des formes, les dimensions intérieures des chaussures et les retours sur l'ajustement par modèle comptent davantage que l'algorithme.
- À partir du 19 juillet 2026, les grandes entreprises de l'UE ne peuvent plus détruire les chaussures invendues, ce qui accroît la valeur de meilleures courbes de tailles et d'une réduction des retours liés à la taille.
Dans la chaussure, l'IA sert principalement à recommander la bonne taille à partir de scans du pied, de l'historique d'achat et des données de retour, à accélérer l'itération du design et à planifier plus précisément les courbes de tailles. Elle compte autrement que dans l'habillement parce que l'ajustement se mesure en millimètres, que la largeur et le volume varient selon les modèles et qu'une mauvaise taille entraîne généralement un retour ; de meilleures données d'ajustement ont donc un effet direct sur la marge et le gaspillage.
Pourquoi l'IA compte-t-elle autrement dans la chaussure ?
Les chaussures sont construites sur des formes, ces gabarits en forme de pied qui définissent le volume intérieur d'un modèle. Deux chaussures portant la même pointure peuvent chausser très différemment, et les systèmes de pointures varient selon les marques et les régions. Les clients le savent ; acheter des chaussures en ligne implique donc souvent de commander plusieurs pointures et d'en renvoyer la plupart. Chaque paire retournée coûte en expédition, en manutention et parfois en valeur de revente.
La chaussure connaît aussi des cycles de développement longs et coûteux : formes, moules de semelles et plusieurs séries de prototypes. Tout outil qui permet d'économiser une série de prototypes ou un changement de moule fait gagner de l'argent réel. Enfin, les courbes de tailles (la part de chaque pointure achetée pour un modèle) sont plus complexes que dans l'habillement, car il y a davantage de pointures et parfois plusieurs largeurs, si bien que le stock se disperse.
Quels sont les principaux cas d'usage de l'IA dans la chaussure ?
| Cas d'usage | Pourquoi c'est important dans ce segment | Exemple (uniquement si vérifié) | Maturité |
|---|---|---|---|
| Scan du pied et recommandation de taille | L'ajustement varie selon la forme ; une mauvaise taille entraîne généralement un retour | Nike Fit : scan par smartphone cartographiant 13 points de données (Just Style, 2019) | Établie |
| Conseil taille à partir des données d'achat et de retour | Fonctionne sans scan, à l'échelle du catalogue | Zalando : les solutions de taille et d'ajustement ont évité 8 % des retours liés à la taille en 2025 (Zalando, 2026) | Établie |
| Design de concepts génératif | Des cycles de développement coûteux récompensent une idéation plus rapide | Projet A.I.R. de Nike avec 13 athlètes (Dezeen, 2024) | Émergente |
| Courbes de tailles et planification de la demande | De nombreuses pointures et largeurs dispersent le stock | Aucun cas vérifié retenu ici | Établie |
| Extraction d'attributs produit à partir d'images | Les grands assortiments exigent des données cohérentes sur la largeur, le drop et les matières | Aucun cas vérifié retenu ici | Émergente |
| Simulation des performances de la semelle et de la tige | Pourrait réduire le prototypage physique et les changements de moules | Aucun cas vérifié retenu ici | Expérimentale |
Comment l'IA recommande-t-elle la bonne pointure ?
Il existe deux grandes approches. La première mesure le pied. Selon Just Style, Nike Fit, lancé en 2019, utilise la caméra du smartphone pour scanner les deux pieds et cartographie en quelques secondes 13 points de données de la morphologie du pied, en combinant vision par ordinateur, machine learning et algorithmes de recommandation. Nike faisait valoir à l'époque que la longueur et la largeur seules ne fournissent pas assez de données pour un ajustement confortable.
La seconde approche apprend des comportements. Le compte rendu de Zalando de juin 2026 sur ses travaux en matière de taille et d'ajustement décrit un machine learning appliqué aux données produit, aux retours d'expérience des clients et aux schémas de retour, combiné à des profils d'ajustement personnels et à une cabine d'essayage virtuelle. Zalando a indiqué que ses solutions avaient évité au total 8 % des retours liés à la taille en 2025. Ces travaux couvrent la mode au sens large, et pas seulement les chaussures, mais la méthode se transpose directement à la chaussure.
Les dispositifs les plus matures combinent les deux : les données de scan lorsque le client les fournit, et les données comportementales pour tous les autres. Dans les deux cas, la recommandation doit savoir comment chaque modèle chausse par rapport aux autres, ce qui ramène le problème aux données produit.
Comment l'IA change-t-elle la création de produits dans la chaussure ?
L'IA générative est utilisée au début du processus de design. En 2024, Dezeen a rapporté que les designers de Nike avaient généré des centaines d'images à partir de prompts fondés sur les préférences de 13 athlètes d'élite, puis affiné les concepts par esquisse 3D et impression 3D jusqu'aux prototypes. L'article décrivait comment cette approche condensait des étapes qui prennent habituellement des semaines ou des mois.
Plus loin dans le processus, des outils de design assistés par l'IA peuvent proposer des motifs de semelle ou des constructions de tige, mais la validation technique, les tests de matériaux et la faisabilité en usine restent indispensables. Un workflow concret se présente ainsi :
- Générer un large éventail de pistes de concept à partir d'un brief, de retours d'athlètes ou de références d'archives.
- Sélectionner et affiner les pistes dans des outils de design 3D avec les designers et les développeurs.
- Vérifier la faisabilité industrielle par rapport aux formes et aux moules de semelles existants afin d'éviter, si possible, de nouveaux outillages.
- Ne produire des prototypes physiques que pour les options les plus solides et tester l'ajustement et les performances.
- Enregistrer les résultats des tests d'ajustement sous forme de données structurées pour les futures recommandations de taille.
De quelles données l'IA a-t-elle besoin dans la chaussure ?
L'IA dans la chaussure dépend de données produit, clients et transactionnelles souvent dispersées. Les données produit doivent inclure les références de forme, les dimensions intérieures, les largeurs, le drop talon-pointe, la hauteur de semelle, la matière de la tige et le type de fermeture. Les données clients peuvent comprendre des mesures issues de scans, les pointures préférées dans d'autres marques et des retours sur l'ajustement, qui exigent tous un consentement et un traitement attentif de la confidentialité. Les données transactionnelles doivent saisir les motifs de retour de manière structurée : trop petit, trop grand, trop étroit, trop large. Des motifs en texte libre comme « ne m'a pas plu » ne sont que d'une utilité limitée pour un modèle.
Quels risques sont propres à la chaussure ?
- Confort et santé : une recommandation qui pousse un client vers une chaussure mal ajustée peut provoquer de l'inconfort ; les marques doivent éviter les allégations médicales.
- Données quasi biométriques : les scans détaillés du pied sont des données personnelles et ne doivent être stockés et utilisés qu'avec un consentement clair.
- Incohérences entre marques : les recommandations fondées sur les pointures portées dans d'autres marques dépendent de l'ajustement de ces marques, qui évolue avec le temps.
- Fausse confiance dans les concepts : les designs générés peuvent ignorer les contraintes de construction et conduire à des outillages coûteux.
- Invendus : selon la Commission européenne, les grandes entreprises de l'UE ne peuvent plus détruire les chaussures invendues à partir du 19 juillet 2026 ; des courbes de tailles mal calibrées coûtent donc désormais plus cher.
Par quoi une marque de chaussures doit-elle commencer ?
Commencez par les données, pas par un scanner. Structurez les motifs de retour, enregistrez par forme et par modèle les attributs produit pertinents pour l'ajustement, et analysez quels modèles génèrent des retours liés à la taille. Cette seule analyse révèle souvent des corrections rapides, comme des indications d'ajustement plus claires sur les pages produit. Pilotez ensuite la recommandation de taille sur les modèles présentant les taux de retour liés à la taille les plus élevés, et mesurez les retours, la conversion et les échanges.
Côté design, utilisez les outils génératifs pour le travail de concept en amont, avec des règles claires sur la propriété intellectuelle et la réutilisation des formes et des moules existants. Dans la chaussure, chaque amélioration des données d'ajustement rapporte deux fois : une première fois par moins de retours, une seconde fois par de meilleures courbes de tailles pour l'achat suivant.
Questions fréquentes
Comment l'IA aide-t-elle à trouver la bonne pointure ?
L'IA mesure le pied, par exemple grâce à un scan par smartphone, ou apprend à partir des schémas d'achat, des retours d'expérience et des retours quelle pointure convient le mieux pour un modèle donné. Nike Fit scanne 13 points de données du pied, tandis que Zalando applique le machine learning aux données produit, aux retours d'expérience et aux retours. Les deux approches dépendent de données d'ajustement produit exactes.
Les recommandations de taille par IA réduisent-elles les retours ?
Elles le peuvent. Zalando a indiqué que ses solutions de taille et d'ajustement avaient évité au total 8 % des retours liés à la taille en 2025, et que les pilotes de cabine d'essayage virtuelle avaient réduit les retours jusqu'à 40 %. Les résultats dépendent de la qualité des données et du nombre de clients qui utilisent les outils.
L'IA est-elle utilisée pour concevoir des chaussures ?
Oui, principalement pour les premiers concepts. Le projet A.I.R. de Nike en 2024 a utilisé l'IA générative pour créer des centaines d'images de concept à partir des préférences d'athlètes, avant que les designers ne les affinent par esquisse 3D et impression 3D. Les décisions d'ingénierie, de test et de fabrication restent entre les mains des personnes.
De quelles données les marques de chaussures ont-elles besoin pour les outils d'ajustement par IA ?
Elles ont besoin des références de forme et des dimensions intérieures par modèle, des options de largeur, de retours structurés sur l'ajustement et de motifs de retour structurés. Les scans du pied ou les préférences de pointure des clients apportent de la précision, mais exigent un consentement et un traitement attentif de la confidentialité.
Une édition chaque jour ouvrable. Lue en cinq minutes. Gratuite pour les professionnels.
