L'IA peut-elle rendre la mode plus durable ?

L'IA peut rendre la mode plus durable lorsqu'elle aide les entreprises à produire au plus près de la demande réelle, à utiliser les matières plus efficacement et à gérer les données produit et supply chain exigées par les nouvelles règles européennes. Elle ne peut pas rendre la mode durable à elle seule : les gains dépendent de la qualité des données et de la décision de fabriquer moins de produits non désirés, et l'IA elle-même consomme de l'énergie.

Pourquoi la surproduction est-elle le problème central de durabilité de la mode ?

Chaque vêtement fabriqué mais jamais porté supporte l'intégralité du coût environnemental de la fibre, de la teinture, de la confection et du transport sans apporter la moindre valeur. Selon la Commission européenne, la consommation de textiles dans l'UE a le quatrième impact environnemental le plus élevé après l'alimentation, le logement et la mobilité, et environ 5 millions de tonnes de vêtements sont jetées chaque année, soit environ 12 kg par personne. Seulement 1 % des matières contenues dans les vêtements est recyclé en nouveaux vêtements.

Le contexte réglementaire évolue aussi. En vertu du règlement sur l'écoconception des produits durables, l'interdiction de détruire les vêtements, accessoires vestimentaires et chaussures invendus s'applique aux grandes entreprises depuis le 19 juillet 2026, et les entreprises de taille moyenne suivront en 2030. Des exceptions existent, notamment pour les articles dangereux ou endommagés. Les excédents dont on pouvait autrefois se débarrasser discrètement doivent désormais être vendus, donnés ou préparés en vue du réemploi, et les entreprises doivent rendre compte de ce qu'elles écartent.

Comment l'IA peut-elle aider à réduire la surproduction ?

Le levier le plus direct est une meilleure planification. Les modèles de machine learning qui prévoient la demande par modèle, couleur et taille peuvent aider les acheteurs à engager des quantités initiales plus faibles et à réassortir ce qui se vend, plutôt qu'à passer de grosses commandes spéculatives. L'optimisation des courbes de tailles réduit l'excédent classique de tailles extrêmes dans certains magasins et les ruptures dans d'autres. Les données de précommandes et de commandes wholesale peuvent fournir des signaux de demande précoces avant que la production ne soit arrêtée.

Ces gains sont réels mais conditionnels. Une prévision ne réduit le gaspillage que si l'entreprise accepte des volumes plus faibles, voire des pics de ventes moins élevés. Si l'IA sert surtout à écouler plus de produits par plus de canaux, l'effet net sur la consommation de ressources peut être négatif.

Lire aussi

L'IA dans le denim : comment la finition, la technologie laser et la consommation d'eau évoluent

Quels sont les autres cas d'usage de l'IA au service de la durabilité dans la mode ?

• Prototypage digital : les outils de design 3D et génératifs peuvent réduire le nombre de prototypes physiques expédiés entre marques et usines.
• Revente et recommerce : la reconnaissance d'images et la tarification automatisée aident les plateformes de revente à mettre en ligne plus vite les articles de seconde main. Le rapport The State of Fashion 2026 prévoit que le marché de la seconde main croîtra deux à trois fois plus vite que celui du neuf d'ici 2027.
• Tri et recyclage : des systèmes à base de capteurs et de machine learning identifient la composition des fibres des textiles usagés, condition préalable au recyclage fibre à fibre.
• Données réglementaires : les outils d'IA peuvent aider à collecter et vérifier les données fournisseurs, matières et origine nécessaires au futur passeport numérique des produits et aux règles sur les allégations environnementales.

De quelles données l'IA a-t-elle besoin pour soutenir les objectifs de durabilité ?

Les cas d'usage de durabilité reposent sur la même fondation que les cas d'usage commerciaux : des données de référence produit cohérentes, un historique fiable des ventes et des stocks et des informations fournisseurs structurées. Les modèles de prévision doivent savoir quels modèles, couleurs et tailles se sont vendus, à quel prix et sur quel canal, y compris ce qui restait en fin de saison. Sans données sur les excédents et les démarques, un modèle ne peut pas apprendre où se produit la surproduction.

Les données matières et fournisseurs sont souvent le maillon faible. La composition des fibres, l'origine et les certificats figurent fréquemment dans des documents plutôt que dans des bases de données, et les données d'impact propres à chaque matière sont souvent génériques. Les outils d'IA peuvent aider à extraire et structurer ces informations, mais ils ne remplacent pas les données primaires des fournisseurs. Les entreprises qui investissent dès maintenant dans ces données servent plusieurs objectifs à la fois : une meilleure planification, un reporting crédible et la préparation au passeport numérique des produits.

Quelle est l'empreinte environnementale de l'IA elle-même ?

L'IA fonctionne dans des centres de données, et sa consommation d'énergie augmente. L'Agence internationale de l'énergie estime que les centres de données représentaient environ 1,5 % de la consommation mondiale d'électricité en 2024, soit 415 TWh, et que ce chiffre devrait plus que doubler pour atteindre environ 945 TWh d'ici 2030. Tout cela ne relève pas de l'IA, mais l'IA en est un moteur majeur.

Pour une entreprise de mode, l'empreinte d'un modèle de prévision exécuté quelques fois par semaine est faible au regard des matières qu'il permet d'économiser. La génération d'images et de vidéos à grande échelle pour le marketing est un autre cas. Une approche lucide compare l'énergie et le coût d'une application d'IA avec le gaspillage qu'elle évite réellement, et s'abstient de revendiquer des bénéfices environnementaux qui n'ont pas été mesurés.

Lire aussi

Comment l'IA détecte-t-elle les défauts des tissus et des vêtements ?

Alors, l'IA peut-elle rendre la mode plus durable ?

L'IA est un outil utile, pas une stratégie. Elle fonctionne le mieux lorsqu'elle soutient des décisions qui vont déjà dans une direction durable : produire de façon moins spéculative, maintenir les produits en usage et savoir ce qui se trouve dans la supply chain. Les entreprises qui veulent des résultats mesurables doivent partir d'une base de référence, par exemple le stock excédentaire en fin de saison ou le nombre d'échantillons physiques, et suivre si les décisions assistées par l'IA la font évoluer. Il est tout aussi important de vérifier les effets rebond : si de meilleures prévisions conduisent surtout à plus de collections, plus de lancements et plus de volume, les gains environnementaux disparaissent.

1. Mesurer la surproduction et les excédents actuels par catégorie avant tout projet d'IA.
2. Utiliser la prévision pour réduire les achats initiaux et augmenter le réassort là où les délais le permettent.
3. Constituer des données produit et fournisseurs fiables, qui servent à la fois l'IA et la réglementation.
4. Communiquer les résultats en termes mesurés et éviter les allégations vagues.