Comment l'IA peut-elle aider pour la douane et la classification SH dans l'habillement ?

Comment l'IA peut-elle aider à la classification SH dans l'habillement ?

L'IA peut lire des descriptions de produits, des nomenclatures de matières et des données techniques, proposer un code probable du Système harmonisé et signaler les enregistrements dont les données sont manquantes ou contradictoires. C'est un outil de préparation et de contrôle. La responsabilité de la classification déclarée reste à l'importateur ou à son commissionnaire en douane.

Ce guide pratique présente ce qui détermine les codes de l'habillement, comment préparer les données et comment construire un processus de revue.

Qu'est-ce que le SH et pourquoi la classification est-elle importante ?

Le Système harmonisé est une nomenclature internationale polyvalente de produits élaborée par l'Organisation mondiale des douanes. Chaque groupe de marchandises possède un code à six chiffres, et plus de 200 pays et économies l'utilisent comme base de leurs droits de douane et de leurs statistiques commerciales. Le Comité du SH de l'OMD prépare des amendements tous les 5 à 6 ans. Les pays ajoutent des chiffres supplémentaires pour leurs propres tarifs : le code complet utilisé à la frontière diffère donc selon les marchés.

Le code détermine le taux de droits, les conditions d'importation et la déclaration statistique. Un code erroné peut entraîner des droits sous-payés ou trop payés, des retards et des pénalités.

Lire aussi

L'IA pour les responsables sourcing et supply chain de la mode

Qu'est-ce qui détermine le code d'un vêtement ?

Un guide de conformité douanière résume les principaux facteurs pour les textiles. La composition en fibres suit la règle du poids prédominant, selon laquelle un mélange textile est classé comme s'il était entièrement composé de la fibre qui prédomine en poids. Lorsqu'aucune fibre ne dépasse 50 %, la règle du caractère essentiel s'applique. De petits écarts dans les pourcentages de fibres peuvent changer le code : la composition déclarée doit donc être vérifiée, surtout près d'un seuil.

Le même guide énumère les pièges courants : classer comme tissés des vêtements en maille tels que les polos, ignorer les exceptions pour les fils métalliques et les fils élastomères, classer les vestes en duvet selon la fibre de garnissage plutôt que selon le tissu extérieur, qualifier d'imprimé un tissu teint uni, et se fier aux déclarations de fibres des fournisseurs sans test indépendant.

De quelles données produit un classificateur d'IA a-t-il besoin ?

• Une description précise du vêtement, comprenant la construction, les fermetures et le public visé.
• La composition en fibres vérifiée en poids pour le tissu extérieur et, le cas échéant, pour les doublures ou les garnissages.
• Des images et des dessins techniques, afin que le modèle ou le relecteur puisse vérifier la description.
• Le pays d'origine et de destination, car les sous-positions nationales et les règles de droits diffèrent.
• Les déclarations précédentes et les éventuels renseignements tarifaires contraignants, pour assurer la cohérence d'une saison à l'autre.

Si les données produit se trouvent dans plusieurs systèmes avec des noms d'attributs différents, leur consolidation est généralement la première tâche, et souvent la plus lourde.

Comment construire un processus de classification avec l'IA ?

1. Collectez les données produit au niveau du modèle, avec une composition en fibres confirmée par des rapports d'essai ou des documents fournisseurs fiables.
2. Laissez le modèle proposer un code, avec son raisonnement et les champs de données sur lesquels il s'est appuyé.
3. Signalez les enregistrements dont la composition en fibres est proche d'un seuil, dont la construction est floue ou auxquels s'applique une catégorie sensible.
4. Orientez les enregistrements signalés vers un spécialiste douane formé, et approuvez manuellement tous les nouveaux types de produits.
5. Conservez la décision, les preuves et l'approbateur avec le modèle, et revoyez régulièrement un échantillon.
6. Réinjectez les corrections, pour que les erreurs récurrentes soient détectées plus tôt.

La cohérence est un bénéfice en soi. Un modèle qui applique la même logique à chaque modèle peut révéler des cas où des produits similaires ont été déclarés sous des codes différents d'une saison à l'autre.

L'entraînement et le calibrage comptent aussi. Les modèles de classification donnent les meilleurs résultats lorsqu'ils ont été comparés à l'historique propre d'une entreprise en matière de déclarations vérifiées, puisque les descriptions de produits et les conventions de nommage diffèrent d'une marque à l'autre. Commencer par un échantillon de modèles dont le code correct est connu, et mesurer la fréquence d'accord du modèle, donne une première idée de sa fiabilité. Les désaccords sont précieux, car ils révèlent soit des faiblesses du modèle, soit des incohérences historiques dans les déclarations.

Il vaut également la peine de séparer les cas courants des cas difficiles. Les modèles récurrents à composition stable peuvent être traités avec une revue légère, tandis que les nouvelles constructions, les mélanges de fibres inhabituels, les ensembles et les articles composites méritent l'attention d'un spécialiste. De nombreuses équipes fixent des seuils, comme des parts de fibres proches d'une limite, qui orientent automatiquement un modèle vers un spécialiste. Cela concentre le temps des experts là où le risque d'erreur et l'effet financier sont les plus élevés.

Enfin, gardez à l'esprit que les règles diffèrent selon les marchés. Un code proposé pour une destination peut devoir être ajusté pour une autre, car les sous-positions nationales et les régimes de droits varient au-delà des six premiers chiffres. Les données produit doivent donc être conservées sous une forme réutilisable d'un marché à l'autre, la décision propre à chaque marché étant consignée séparément.

Lire aussi

Comment l'IA peut-elle surveiller les risques fournisseurs et la conformité dans la mode ?

Qu'est-ce qui change en matière de douane, et quelles sont les limites ?

Les exigences de données douanières évoluent. La réforme douanière de la Commission européenne propose un hub de données douanières de l'UE, avec des échéances allant de 2028 pour les envois du commerce électronique à 2038, date à laquelle il deviendra obligatoire, et elle supprimera l'exonération de droits de 150 EUR. Elle prévoit aussi de ramener de milliers à quatre les catégories de droits pour les marchandises courantes de faible valeur du commerce électronique. Ces dates et ces détails peuvent changer à mesure que la proposition avance : les équipes doivent donc vérifier l'état d'avancement actuel.

Les droits de douane relèvent aussi les enjeux. Le rapport State of Fashion 2026 de McKinsey indique que les droits de douane sont le premier obstacle cité par les dirigeants dans son enquête : la précision de la classification a donc des conséquences directes sur les coûts. Les limites de l'IA sont la qualité des données d'entrée et l'absence de responsabilité juridique. Un modèle ne peut pas trancher une composition ambiguë, et les autorités douanières ne peuvent pas l'interroger. Voyez-y un moyen de préparer, de contrôler et de documenter, la décision finale revenant à une personne qualifiée.