Comment Inditex utilise l'IA et les données : RFID et supply chain pilotée par la demande

Inditex pilote une supply chain guidée par la demande en collectant des données fines sur ce qui se vend, où et dans quelle taille, et en produisant et expédiant par petits lots fréquents. Son socle documenté est la RFID à l'article, l'intégration complète des stocks et une production en grande partie proche de l'Espagne ; l'IA apparaît plus récemment dans des fonctionnalités client comme Zara Try-on. Inditex n'a pas précisé comment le machine learning est utilisé dans ses décisions de réassort ou de production.

Qu'a construit Inditex ?

L'actif central, ce sont les données, pas un système d'IA unique. Les sources publiques font apparaître quatre couches :

• RFID à l'article : en mars 2016, la RFID était opérationnelle dans 1 542 magasins sur 64 marchés, le déploiement chez Zara devant être achevé fin 2016. La puce est logée dans l'antivol réutilisable, qui peut servir plus de 100 fois.
• Stocks intégrés : en 2019, le président de l'époque, Pablo Isla, attribuait à l'intégration complète des stocks, conjuguée à la RFID, la capacité de l'entreprise à fonctionner avec des stocks encore plus faibles.
• Antivols invisibles et automatisation : lors de l'AG de juillet 2026, Inditex a indiqué qu'un système d'antivol invisible équipait plus de 90 % de ses produits, permettant les caisses en libre-service et des processus automatisés reliant cabines d'essayage et entrepôts.
• IA générative pour les clients : Zara Try-on, lancé en décembre 2025, permet aux clients de créer un avatar à partir de photos et de le voir porter des produits.

Lors de l'AG 2026, Inditex s'est également engagé à déployer de nouvelles solutions fondées sur l'intelligence artificielle dans le cadre de son pilier innovation, sans les détailler.

Pourquoi Inditex a-t-il investi dans les données et l'IA ?

Le modèle d'Inditex repose sur des stocks faibles et des ventes à prix plein. Une analyse de Walter Scott, publiée par Macquarie en novembre 2024, indique que l'essentiel de la fabrication a lieu à proximité du siège (Espagne, Portugal, Maroc et Turquie), et que les livraisons en magasin deux fois par semaine permettent de vendre davantage à prix plein. Cela ne fonctionne que si l'entreprise sait précisément ce que chaque magasin détient et vend. L'ancien président Pablo Isla le résumait en 2019 : le modèle économique avait toujours reposé sur des stocks très faibles, et la RFID associée à l'intégration complète des stocks permettait de fonctionner avec encore moins.

La prévention des pertes était un second motif. En 2016, FashionNetwork rapportait que la démarque inconnue coûtait à Inditex près de 170 millions d'euros par an, soit environ 0,8 % des ventes, et la puce RFID a été intégrée à l'antivol précisément pour traiter à la fois l'exactitude des stocks et le vol.

Lire aussi

Comment Uniqlo et Fast Retailing utilisent l'IA et les données dans le projet Ariake

Comment cela fonctionne-t-il (données, modèles, processus) ?

Ce qui suit décrit ce qui est documenté et, lorsque c'est signalé, notre analyse. Chaque vêtement porte un identifiant RFID lu dans les centres de distribution et en magasin. Cela offre une visibilité en temps réel des stocks par article et par emplacement qui, combinée à l'intégration complète des stocks, soutient le réassort et les inventaires. Associées à des livraisons fréquentes et à une production en petites séries près de l'Espagne, ces données permettent à l'entreprise de réagir au taux d'écoulement en cours de saison plutôt que de tout engager à l'avance.

Analyse : c'est le socle de données dont tout modèle de détection de la demande ou d'allocation a besoin. Des stocks exacts à l'article éliminent l'une des principales sources d'erreur de prévision, car un modèle ne peut pas déduire la demande réelle des ventes s'il ne sait pas quand les articles étaient en rupture. Inditex n'a pas indiqué quelles méthodes de prévision ou d'optimisation s'appuient sur ces données.

Quels résultats Inditex a-t-il publiés ?

Les chiffres les plus précis concernent l'infrastructure de données plutôt que l'IA. En décembre 2019, Fortune rapportait que les stocks de marchandises d'Inditex avaient baissé de 5 % sur les neuf mois à fin octobre alors que les ventes progressaient de 7,5 %, et qu'un nouveau flagship à Bilbao vendait plus que quatre anciennes boutiques réunies avec 20 % de stock en moins. Pour l'IA générative, Inditex a indiqué en mars 2026 que Zara Try-on était disponible sur 43 marchés et avait enregistré plus de 7 millions de sessions ; l'entreprise n'a pas communiqué d'effets sur la conversion ou les retours.

Inditex publie également ses niveaux d'investissement : selon la couverture de son AG 2026, les investissements ordinaires se sont élevés à 1,8 milliard d'euros par an en 2024 et 2025, et 900 millions d'euros par an ont été consacrés au renforcement de la logistique sur la même période, avec 2,3 milliards d'euros engagés pour 2026. Aucune ventilation des dépenses consacrées à l'IA n'a été publiée.

Quelles sont les limites et les questions ouvertes ?

Analyse éditoriale : Inditex est souvent cité comme une réussite de l'IA, mais ses sources publiques étayent une affirmation plus étroite : c'est une réussite en matière de données et d'opérations. Les questions ouvertes sont les suivantes :

• dans quelle mesure le machine learning, plutôt que des équipes commerciales expérimentées exploitant les données RFID, pilote les achats et le réassort ;
• si des fonctionnalités génératives comme Try-on réduisent les retours ou ajoutent simplement de l'engagement ;
• quelle part de l'avantage dépend du sourcing de proximité, que des concurrents aux chaînes d'approvisionnement plus longues ne peuvent pas copier avec un logiciel.

Lire aussi

Comment Levi Strauss & Co. utilise l'IA : le programme data et ses enseignements

Que peuvent en retenir les autres entreprises de mode ?

1. Fiabiliser les stocks avant d'acheter un logiciel de prévision. La visibilité à l'article est la condition préalable de tout modèle de demande fiable.
2. Concevoir des projets de données à double bénéfice. L'antivol RFID d'Inditex servait à la fois l'exactitude des stocks et la prévention des pertes.
3. Raccourcir la boucle entre écoulement et approvisionnement ; les données ne créent de la valeur que si la production et la logistique peuvent réagir.
4. Intégrer les données de stock de tous les emplacements, afin que signaux de demande et réassort s'appuient sur une vue unique des stocks.
5. Être précis dans les affirmations : distinguer ce qu'apporte l'infrastructure de données de ce qu'ajoutent les modèles d'IA.