L'IA pour les directeurs financiers de la mode : où se trouve la valeur et comment la gouverner

Pour un CFO de la mode, la valeur de l'IA réside principalement dans de meilleures décisions de stocks (achats, allocation, démarques), des prévisions plus précises, l'automatisation du back-office et des tâches financières, et des gains de productivité dans les contenus et le service. Les retours sont inégaux et souvent inférieurs aux promesses ; le rôle du CFO est donc d'orienter les dépenses vers des cas d'usage mesurables, d'exiger des références de départ et une gouvernance, et d'arrêter les projets qui ne tiennent pas leurs promesses.

Où l'IA crée-t-elle de la valeur financière dans une entreprise de mode ?

Les principaux leviers financiers de la mode sont les stocks et la marge : acheter les bonnes quantités, les placer dans le bon canal et les écouler avec le moins de démarque possible. Les prévisions, l'allocation et l'optimisation des démarques par l'IA agissent directement sur ces leviers, c'est pourquoi elles sont généralement les premières candidates à un business case. Un deuxième gisement de valeur concerne les coûts : automatiser la saisie des commandes, le rapprochement des factures, le service client et la production de contenus. Un troisième est la croissance grâce à la personnalisation et à une meilleure découverte des produits, réelle mais plus difficile à attribuer.

Pour les CFO, cela implique de distinguer trois types de dépenses d'IA : les outils de productivité, dont la valeur se traduit en temps gagné ; l'aide à la décision, dont la valeur se traduit en marge et en stocks ; et les nouvelles capacités orientées client, dont la valeur se traduit en chiffre d'affaires. Chacune exige une mesure différente, et les mélanger dans un même business case rend la valeur difficile à prouver.

Le rapport The State of Fashion 2026 de McKinsey et The Business of Fashion a constaté que plus de 35 % des dirigeants interrogés déploient déjà l'IA générative dans des domaines comme le service client, la création d'images, la rédaction et la découverte de produits, et estime que les entreprises doivent dépasser le stade des petits pilotes. C'est précisément au-delà des pilotes que la discipline financière compte.

Pourquoi tant de projets d'IA ne sont-ils pas rentables ?

Les données de 2025 incitent à la sobriété. L'enquête de BCG auprès des responsables financiers, publiée en juin 2025, a mis en évidence un ROI médian de l'IA en finance de seulement 10 %, pour un objectif courant de 20 % ; un tiers des responsables faisaient état de gains limités ou nuls, et seuls 45 % pouvaient chiffrer leurs retours. Le rapport The GenAI Divide de MIT NANDA, tel que relayé par Fortune en août 2025, a montré que seuls 5 % environ des pilotes d'IA générative en entreprise ont permis une accélération rapide du chiffre d'affaires. Il situait les retours les plus importants dans l'automatisation du back-office, alors que plus de la moitié des budgets d'IA générative allaient à des outils de vente et de marketing, et constatait que les solutions achetées auprès d'éditeurs spécialisés réussissaient plus souvent que les développements internes.

Gartner ajoute deux mises en garde : d'ici fin 2026, les organisations abandonneront 60 % des projets d'IA qui ne reposent pas sur des données prêtes pour l'IA, et plus de 40 % des projets d'IA agentique seront abandonnés d'ici fin 2027 en raison de coûts croissants, d'une valeur métier floue ou de contrôles des risques insuffisants.

Lire aussi

L'IA pour les DSI et les responsables IT de la mode : architecture, données et gouvernance

Comment les équipes finance peuvent-elles elles-mêmes utiliser l'IA ?

BCG a identifié la gestion des risques, comme la détection des fraudes, la prévision financière et la modélisation des flux de trésorerie, comme les cas d'usage finance ayant l'impact le plus constant.

Comment un CFO doit-il construire et gouverner un business case IA ?

1. Partir d'une décision et d'une référence de départ : par exemple le taux de démarque d'une catégorie ou le coût de traitement des factures, mesurés avant le lancement du projet.
2. Utiliser des groupes témoins : des magasins, catégories ou processus assistés par l'IA comparés à des équivalents qui ne le sont pas.
3. Compter le coût complet : licences, frais d'utilisation des modèles, intégration, nettoyage des données, conduite du changement et suivi continu.
4. Financer par étapes : un petit pilote, puis un passage à l'échelle uniquement lorsque la valeur mesurée est claire ; BCG a constaté que se concentrer sur la valeur et avancer par étapes ciblées et extensibles augmentait chacun le taux de réussite.
5. Désigner des responsables : un responsable métier redevable de la valeur, et pas seulement un responsable IT redevable de la livraison.
6. Intégrer des contrôles des risques : règles de validation, pistes d'audit, protection des données et conformité réglementaire, y compris l'AI Act européen le cas échéant.

Qu'est-ce qui reste du ressort du CFO et de l'équipe finance ?

L'allocation du capital, l'appétit pour le risque, la définition de ce qui compte comme valeur et la responsabilité des chiffres publiés ne peuvent pas être déléguées à un modèle. L'IA peut rédiger des commentaires ou proposer des provisions, mais la finance doit pouvoir expliquer et défendre chaque chiffre devant les auditeurs, les conseils d'administration et les prêteurs. Les compétences à développer dans l'équipe comprennent la culture des données, la conception d'expériences, la compréhension des coûts et des limites des modèles, et la gouvernance de l'IA.

La finance a aussi un rôle à jouer pour rendre visibles les coûts de l'IA. La tarification à l'usage des modèles de langage et des fonctions d'IA peut augmenter rapidement une fois les outils largement déployés ; le coût par transaction ou par utilisateur doit donc être suivi en parallèle de la valeur, avec des budgets et des alertes définis de la même manière que pour les dépenses cloud.

Lire aussi

L'IA pour les responsables e-commerce mode : un guide pratique

Que doit faire un CFO dans les 30 premiers jours, et quels sont les risques ?

Les principaux risques sont des dépenses dispersées sur de nombreux petits pilotes non mesurés, des coûts d'utilisation croissants qui ne figuraient pas dans le business case, des gains annoncés impossibles à distinguer d'autres effets, la dépendance à un seul éditeur et des erreurs dans des chiffres générés par l'IA qui se retrouvent dans les rapports financiers. Une mesure rigoureuse et un financement par jalons les réduisent tous.