L'IA dans la mode : 50 questions, 50 réponses

L'IA dans la mode désigne l'utilisation de logiciels qui apprennent à partir de données pour soutenir des tâches tout au long de la chaîne de valeur, de l'analyse des tendances et du design à la prévision de la demande, à la tarification, au marketing, au service client et à la gestion des retours. Elle englobe le machine learning établi de longue date, comme les modèles de prévision et de recommandation, ainsi que l'IA générative plus récente, qui crée du texte, des images et du code.

L'IA traditionnelle, ou prédictive, analyse des données existantes pour classer, prévoir ou recommander, par exemple pour estimer combien d'unités d'un modèle se vendront. L'IA générative produit de nouveaux contenus, comme des descriptions produits, des visuels de campagne ou des variantes de design, à partir d'un prompt. La plupart des entreprises de mode utilisent les deux, souvent au sein du même workflow.

L'IA agentique désigne des systèmes capables de planifier et d'exécuter des tâches en plusieurs étapes avec une certaine autonomie, comme rechercher des produits, comparer des options et finaliser un achat. Pour la mode, elle ouvre la perspective d'agents IA qui achètent pour le compte des consommateurs et prennent en charge des tâches courantes comme le traitement des commandes pour les entreprises. McKinsey estimait en 2025 que l'agentic commerce pourrait orchestrer jusqu'à 1 000 milliards de dollars de chiffre d'affaires du commerce de détail B2C aux États-Unis d'ici 2030, une prévision portant sur toutes les catégories du commerce de détail.

Son usage est répandu mais inégal. Dans le rapport BoF-McKinsey State of Fashion 2026, plus de 35 % des dirigeants ont déclaré que leur entreprise utilisait déjà l'IA générative dans des domaines comme le service client, la création d'images et la rédaction de contenus. Tous secteurs confondus, Eurostat a constaté que 19,95 % des entreprises de l'UE comptant 10 salariés ou plus utilisaient l'IA en 2025.

Les obstacles fréquents comprennent des données produits et clients fragmentées ou de mauvaise qualité, des systèmes hérités, une responsabilité mal définie pour les business cases et un manque d'expertise interne. Parmi les entreprises de l'UE ayant envisagé l'IA sans l'adopter, le manque d'expertise pertinente était l'obstacle le plus cité en 2025, à 70,89 %. Passer à l'échelle exige aussi de faire évoluer les processus et de former les équipes, et pas seulement de la technologie.

Non, même si les grandes entreprises l'adoptent plus vite : Eurostat a constaté que 55,03 % des grandes entreprises de l'UE utilisaient l'IA en 2025, contre 17 % des petites. Les outils prêts à l'emploi pour la rédaction, la retouche d'images, la traduction et le service client ont abaissé le coût d'entrée pour les petites marques et les petits détaillants. Pour les petites structures, les principales contraintes tiennent généralement à la qualité des données, aux compétences et au temps plutôt qu'au coût des licences.

Les designers utilisent l'IA générative pour explorer rapidement des mood boards, des coloris, des imprimés et des variantes de silhouettes, et pour visualiser des idées avant le prototypage. L'IA sert aussi à analyser les ventes passées et les signaux de tendance pour orienter les collections. La plupart des entreprises considèrent ces résultats comme des points de départ que les designers affinent, et non comme des créations abouties.

Les données actuelles indiquent que l'IA transforme le travail de design plutôt qu'elle ne remplace les designers. Les outils génératifs accélèrent l'idéation et la visualisation, mais le jugement sur l'identité de marque, le bien-aller, les matières, les coûts et la faisabilité industrielle reste du ressort humain. Le changement majeur porte sur la combinaison de compétences requises, les designers étant de plus en plus appelés à piloter et à retravailler les résultats de l'IA.

Cela dépend de la juridiction et de la part d'apport créatif humain. Le US Copyright Office a indiqué que les contenus générés uniquement par l'IA sans paternité humaine suffisante ne sont pas protégés, et le droit d'auteur de l'UE exige généralement qu'une œuvre soit la création intellectuelle propre de son auteur. Les marques ont intérêt à documenter les contributions humaines et à solliciter un avis juridique avant de compter sur une protection pour des designs assistés par l'IA.

Oui, le design 3D et la visualisation générée par l'IA peuvent remplacer une partie des échantillons physiques, en particulier en début de développement et pour les revues internes ou les présentations wholesale. Cela peut réduire les délais, les expéditions et le gaspillage de matières. Les échantillons physiques restent largement utilisés pour contrôler le bien-aller, le toucher et la qualité avant la production.

Les outils d'IA analysent de grands volumes de signaux, tels que des images sur les réseaux sociaux, des requêtes de recherche, la couverture des défilés et des données de vente, pour identifier les couleurs, les styles et les attributs produits émergents. Ils peuvent détecter les évolutions plus vite qu'une veille manuelle, mais leurs résultats dépendent des sources de données utilisées et doivent être interprétés par les merchandisers et les designers. Les prévisions sont des probabilités, pas des certitudes.

Les principaux risques sont une ressemblance involontaire avec des designs existants protégés, une propriété incertaine des résultats, une uniformisation esthétique si de nombreuses marques utilisent des outils similaires et la divulgation d'informations confidentielles lors de l'utilisation d'outils publics. Les entreprises y répondent généralement par des outils validés, des règles d'utilisation claires, des contrôles de similarité et une revue juridique des designs finaux.

Les modèles de machine learning combinent historiques de ventes, attributs produits, prix, promotions, météo, saisonnalité et autres signaux pour prévoir la demande au niveau du modèle, de la taille et du magasin. De meilleures prévisions peuvent réduire à la fois les ruptures de stock et les excédents. La précision reste limitée pour les produits réellement nouveaux et dépend fortement de données produits propres et cohérentes.

Oui, les modèles d'IA peuvent estimer la répartition des tailles nécessaire à chaque magasin ou canal et recommander comment allouer et réassortir le stock. Cela s'attaque à une source fréquente de démarques et de ventes manquées, car un modèle peut être épuisé dans les tailles centrales alors qu'il reste des tailles extrêmes. Les résultats dépendent de données détaillées de ventes et de retours par taille.

Les outils de tarification fondés sur l'IA estiment la réaction de la demande aux variations de prix et recommandent le calendrier et l'ampleur des démarques afin d'écouler le stock tout en préservant la marge. Certains distributeurs les utilisent aussi pour fixer les prix initiaux et les offres promotionnelles. La supervision humaine reste importante pour protéger le positionnement de la marque et éviter des prix perçus comme injustes par les clients.

L'IA automatisera plus probablement une partie de l'analyse qu'elle ne remplacera les acheteurs et les merchandisers, qui négocient aussi avec les fournisseurs, évaluent les produits et arbitrent entre objectifs commerciaux et objectifs de marque. Les tâches routinières comme le reporting, les calculs d'open-to-buy et les propositions de réassort sont les plus exposées. Le métier évolue vers l'interprétation des résultats des modèles et la prise de décision finale.

Il leur faut généralement des données de référence produits cohérentes, incluant des attributs tels que la catégorie, la couleur, la matière et la coupe, ainsi que des historiques propres et détaillés des ventes, des stocks, des prix et des retours. Les lacunes et incohérences de ces données sont l'une des raisons les plus fréquentes pour lesquelles les projets de planification par l'IA déçoivent. De nombreuses entreprises commencent par améliorer leurs données produits avant de déployer des modèles.

De meilleures prévisions, une meilleure allocation et des commandes plus petites et plus fréquentes, appuyées par l'IA, peuvent réduire le volume d'invendus. Le sujet a un poids réglementaire en Europe, où le règlement sur l'écoconception des produits durables interdit aux grandes entreprises de détruire les vêtements et chaussures invendus à partir de juillet 2026. L'IA seule ne résout pas la surproduction si les modèles économiques continuent de récompenser les volumes élevés.

Dans le wholesale, l'IA sert à recommander des assortiments aux acheteurs des détaillants, à anticiper les besoins de réassort, à automatiser la saisie des commandes et l'échange de données produits, et à générer des contenus produits pour les plateformes des détaillants. Les marques l'utilisent aussi pour analyser les données de sell-through partagées par leurs partenaires retail. L'adoption suit généralement la digitalisation du processus wholesale lui-même, par exemple avec des showrooms digitaux et la prise de commande en ligne.

Oui, les modèles de recommandation peuvent suggérer des produits et des quantités en fonction des commandes passées d'un détaillant, de son sell-through, du profil de ses magasins et de comptes similaires. Cela peut aider en particulier les petits comptes, qui manquent parfois de ressources de planification. Les acheteurs doivent toutefois évaluer la demande locale et l'adéquation avec la marque, si bien que les recommandations fonctionnent mieux comme aide à la décision.

Des données produits exactes et structurées, comprenant attributs, images, tailles, prix et informations de durabilité, constituent le socle de l'IA dans le wholesale. Elles alimentent les recommandations, la recherche, les contenus automatisés et l'échange de données avec les détaillants. Des données incomplètes ou incohérentes limitent ce que l'IA peut faire et peuvent propager des erreurs dans les systèmes des partenaires.

Les agents IA pourraient prendre en charge des tâches B2B routinières comme le réassort des basiques, la vérification des stocks et des dates de livraison, et le rapprochement des commandes et des factures. Pour cela, les marques ont besoin de catalogues produits lisibles par les machines, d'API claires et de règles définissant ce qu'un agent peut faire pour le compte d'un acheteur. La technologie n'en est qu'à ses débuts, et de nombreux projets d'IA agentique, tous secteurs confondus, restent au stade expérimental.

Oui, l'IA générative est largement utilisée pour rédiger des descriptions produits, des traductions et des données d'attributs, et pour créer ou adapter des images produits aux différents canaux. Cela peut accélérer l'intégration de larges assortiments chez les partenaires retail. Les résultats doivent être vérifiés, en particulier pour les matières, les instructions d'entretien et les allégations de durabilité, qui présentent un risque juridique en cas d'erreur.

Les consommateurs utilisent de plus en plus des outils de chat IA pour se renseigner sur des produits, comparer les prix, obtenir des conseils de style et résumer les avis. Dans une enquête Capgemini menée fin 2024 auprès de 12 000 consommateurs dans 12 pays, 58 % ont déclaré avoir remplacé les moteurs de recherche traditionnels par des outils d'IA générative pour les recommandations de produits. La même enquête montre que 71 % souhaitent que l'IA générative soit intégrée à leur expérience d'achat.

La generative engine optimisation consiste à faire en sorte que les produits et contenus d'une marque soient plus faciles à trouver, à comprendre et à citer pour les assistants IA et les moteurs de recherche IA. Elle repose sur des données produits structurées et exactes, des contenus clairs et factuels, et une présence dans les sources sur lesquelles s'appuient les systèmes d'IA. Elle complète le référencement naturel (SEO) traditionnel plutôt qu'elle ne le remplace.

Oui, plusieurs grands distributeurs utilisent l'IA pour générer ou adapter des visuels. Zalando a indiqué que plus de 90 % de ses contenus marketing onsite étaient générés par l'IA en décembre 2025. Cette pratique soulève des questions de consentement et de rémunération des mannequins, d'information des consommateurs et de représentation, auxquelles les marques répondent par des contrats, un étiquetage et des lignes directrices internes.

Les assistants d'achat IA combinent un modèle de langage avec le catalogue produits du distributeur, les données clients et des règles métier, afin que les acheteurs puissent poser des questions en langage naturel et recevoir des suggestions de produits. Leur utilité dépend de la qualité des données du catalogue et de leur capacité à gérer la taille, le bien-aller et la disponibilité.

La personnalisation des recommandations, des contenus et des offres est l'un des usages les plus établis de l'IA dans l'e-commerce de mode, et les distributeurs font largement état de gains d'engagement et de conversion. Les résultats publiés varient fortement selon l'entreprise, la méthode et le point de référence, de sorte que les chiffres de hausse mis en avant doivent être considérés avec prudence. Une personnalisation mal exécutée peut aussi paraître intrusive et doit respecter la législation sur la protection des données.

Les enquêtes auprès des consommateurs suggèrent une ouverture croissante aux recommandations de l'IA, et un quart des consommateurs de l'enquête Capgemini de 2024 ont déclaré avoir acheté des produits recommandés par des influenceurs IA. La confiance recule lorsque les recommandations ne sont pas pertinentes, lorsque les produits ne sont pas disponibles ou lorsque les consommateurs soupçonnent un biais commercial non déclaré.

L'essayage virtuel et le conseil en taille par l'IA visent à réduire les retours liés à un mauvais bien-aller, l'une des principales raisons pour lesquelles les clients renvoient des vêtements. Les données sur leur effet sont contrastées : une étude évaluée par les pairs publiée en 2025 sur un e-commerçant de mode haut de gamme a montré que les utilisateurs d'un outil de recommandation de taille étaient légèrement plus susceptibles de retourner des articles, mais présentaient une valeur vie client plus élevée. Les distributeurs ont intérêt à tester ces outils sur leurs propres données.

L'IA soutient la sélection des fournisseurs et le suivi des risques, la planification de la production, le contrôle qualité par vision par ordinateur, l'optimisation logistique et le positionnement des stocks. Elle peut aussi aider à cartographier des chaînes d'approvisionnement à plusieurs niveaux dans le cadre du devoir de vigilance. Nombre de ces usages reposent sur des données fournies par les fournisseurs, souvent incomplètes.

L'IA peut y contribuer en réduisant la surproduction, en limitant les échantillons, en optimisant les transports et en améliorant le tri pour le recyclage et la revente. Ces gains peuvent être annulés si l'IA sert surtout à accélérer les volumes de produits et de contenus, et l'IA elle-même consomme de l'énergie. La Commission européenne souligne que seulement 1 % environ des matières contenues dans les vêtements est recyclé en nouveaux vêtements : un changement systémique compte donc davantage qu'un outil isolé.

L'entraînement et l'exploitation des modèles d'IA nécessitent des data centers qui consomment de l'électricité et de l'eau. L'Agence internationale de l'énergie prévoit une forte hausse de la demande d'électricité des data centers au cours de cette décennie, l'IA en étant le principal moteur. Les entreprises de mode peuvent limiter leur part en choisissant des modèles efficients, en évitant les générations inutiles et en demandant des données énergétiques à leurs prestataires.

L'IA sert à prédire quelles commandes risquent d'être retournées, à fournir des conseils de taille, à orienter les articles retournés vers la revente ou le reconditionnement et à détecter la fraude. Dans une enquête de la NRF menée en 2025 auprès de grands distributeurs américains, 85 % ont déclaré utiliser l'IA pour détecter ou prévenir la fraude aux retours. Les retours restent coûteux : les distributeurs américains s'attendaient à ce que 15,8 % des ventes de 2025 soient retournées.

Le passeport numérique des produits (Digital Product Passport), introduit par le règlement européen sur l'écoconception des produits durables, imposera aux produits textiles de comporter des informations structurées sur des aspects tels que les matières et la circularité, une fois adoptées les règles spécifiques aux produits. L'IA peut aider à extraire, classer et vérifier ces données à partir des documents des fournisseurs, mais l'obligation porte fondamentalement sur une collecte de données fiable et sur la traçabilité. Les entreprises doivent suivre les actes délégués relatifs aux textiles pour connaître les exigences et les dates exactes.

Oui, des systèmes à capteurs combinés au machine learning peuvent identifier la composition des fibres et la couleur afin de trier les textiles post-consommation plus rapidement et plus précisément qu'un tri manuel. Un meilleur tri est une condition préalable au recyclage fibre à fibre. Les vêtements en fibres mélangées et les accessoires de confection restent techniquement difficiles à recycler, quelle que soit la technologie de tri.

Oui, il s'applique aux entreprises qui développent ou utilisent des systèmes d'IA dans l'UE, y compris les marques et distributeurs de mode. La plupart des usages courants dans la mode, comme les recommandations ou la prévision de la demande, relèvent des catégories à risque minimal sans obligations spécifiques, mais des obligations de transparence s'appliquent aux chatbots et à certains contenus générés par l'IA. Des usages comme l'IA dans le recrutement sont classés à haut risque et soumis à des règles plus strictes.

L'AI Act est entré en vigueur le 1er août 2024. Les pratiques interdites et les obligations de maîtrise de l'IA (AI literacy) s'appliquent depuis le 2 février 2025, les obligations relatives aux modèles d'IA à usage général depuis le 2 août 2025, et les règles de transparence à partir d'août 2026. À la suite de l'AI Omnibus, les règles relatives aux systèmes à haut risque dans des domaines comme l'emploi s'appliquent à partir du 2 décembre 2027, et celles relatives à l'IA intégrée dans des produits réglementés à partir du 2 août 2028.

En vertu de l'AI Act de l'UE, les fournisseurs d'IA générative doivent rendre les contenus générés par l'IA identifiables, et les deepfakes doivent être clairement signalés, ces règles de transparence s'appliquant à partir d'août 2026. Qu'une image de campagne donnée constitue ou non un deepfake dépend de la question de savoir si elle représente de manière réaliste des personnes, des lieux ou des événements réels. Par ailleurs, les règles de protection des consommateurs interdisent la publicité trompeuse : les images qui donnent une représentation inexacte d'un produit sont donc risquées, quelle que soit la manière dont elles ont été produites.

Oui, en vertu de l'AI Act de l'UE, les personnes doivent être informées qu'elles interagissent avec un système d'IA, sauf si cela ressort clairement du contexte. Ces obligations de transparence s'appliquent à partir d'août 2026. Une information claire contribue aussi à préserver la confiance des clients.

Les préoccupations portent sur la perte de travail pour les mannequins, les photographes et les stylistes, l'utilisation de l'image de personnes réelles sans consentement ni rémunération équitables, et une représentation irréaliste ou restrictive des corps. Certaines entreprises y répondent en créant, sous licence, des jumeaux numériques de vrais mannequins avec leur consentement contractuel et une rémunération. L'information des consommateurs reste une autre question ouverte.

Dans l'UE et au Royaume-Uni, le Règlement général sur la protection des données (RGPD) encadre l'utilisation des données personnelles pour la personnalisation, le profilage et l'entraînement de l'IA. Les entreprises ont besoin d'une base légale, d'une transparence envers les clients et de garanties pour les décisions automatisées ayant des effets significatifs. Les mensurations, les images et les caractéristiques déduites exigent une attention particulière.

Oui, des modèles entraînés sur des données non représentatives peuvent sous-représenter certaines morphologies, couleurs de peau, tranches d'âge ou tailles dans les visuels, les recommandations et les conseils de taille. Les biais peuvent aussi affecter l'IA utilisée dans le recrutement. Les entreprises les atténuent en testant les résultats sur différents groupes de clients, en diversifiant les données d'entraînement et en maintenant une revue humaine.

Les estimations sont élevées mais incertaines. McKinsey estimait en 2023 que l'IA générative pourrait ajouter 150 à 275 milliards de dollars aux bénéfices d'exploitation des secteurs de l'habillement, de la mode et du luxe d'ici trois à cinq ans. Ces chiffres sont des potentiels modélisés, et la valeur effectivement réalisée dépend de l'adoption, de l'exécution et de la concurrence.

Commencez par définir un indicateur métier pour chaque cas d'usage, par exemple la précision des prévisions, le sell-through à prix plein, le temps de production des contenus, la conversion ou le taux de retour, et comparez-le à un groupe témoin ou à une base de référence. Intégrez l'ensemble des coûts, y compris la préparation des données, l'intégration, les licences, la conduite du changement et le suivi. De nombreux projets créent de la valeur en phase pilote mais la perdent à grande échelle : la mesure doit donc se poursuivre après le déploiement.

La plupart commencent par des cas d'usage disposant de données propres et d'un responsable clairement identifié, comme les contenus produits, le service client, la prévision de la demande ou les retours. Les dirigeants interrogés pour le State of Fashion 2024 citaient le plus souvent le marketing et la rédaction de contenus (34 %) ainsi que le design et le développement produit (28 %) comme cas d'usage de l'IA générative. Fiabiliser les données produits et définir tôt des règles d'utilisation facilite les projets ultérieurs.

La plupart achètent des outils ou en acquièrent des licences pour les tâches courantes comme la rédaction, la traduction, le service client et la prévision, et réservent le développement interne aux usages qui différencient la marque ou reposent sur des données propriétaires. L'achat permet généralement un déploiement plus rapide, tandis que le développement offre davantage de maîtrise des données et de différenciation. Un modèle hybride est courant.

L'IA devrait transformer de nombreux métiers et en réduire certains, en particulier dans la production de contenus, le service client et l'analyse routinière, tout en créant une demande de compétences en données, en IA et en numérique. Tous secteurs confondus, le Forum économique mondial prévoit la création de 170 millions d'emplois et la suppression de 92 millions d'ici 2030, et 41 % des employeurs interrogés prévoient de réduire leurs effectifs à mesure que l'IA automatise des tâches. Pour la mode, l'issue dépendra de la manière dont les entreprises redéploient et forment leurs équipes.

Parmi les compétences utiles figurent la culture des données, la capacité à briefer l'IA et à évaluer ses résultats de manière critique, la compréhension des risques et de la réglementation de l'IA, ainsi qu'une expertise métier que l'IA n'a pas, comme le jugement sur le produit, le bien-aller et la marque. L'AI Act de l'UE impose déjà aux organisations qui déploient l'IA de prendre des mesures pour garantir un niveau suffisant de maîtrise de l'IA au sein de leur personnel. Les employeurs de l'enquête du WEF prévoient le plus souvent de répondre au changement par le développement des compétences (upskilling), cité par 77 % d'entre eux.

Les bonnes pratiques comprennent un inventaire des systèmes d'IA utilisés, une politique sur les outils et les données autorisés, une responsabilité clairement attribuée pour chaque système, une évaluation des risques au regard de l'AI Act de l'UE et de la législation sur la protection des données, ainsi qu'une revue humaine des contenus destinés aux clients. La gouvernance doit être proportionnée, afin que les outils de productivité à faible risque ne soient pas freinés par les mêmes contrôles que les usages à haut risque.