Comment Mango utilise l'IA : design génératif, mannequins virtuels et Mango Stylist

Mango utilise l'IA tout au long de la chaîne de valeur : une plateforme interne d'IA générative appelée Lisa, un outil d'images pour les designers appelé Inspire, des mannequins générés par IA dans certaines campagnes et Mango Stylist, un assistant de stylisme destiné aux clients lancé en 2025. L'enseigne espagnole est l'une des entreprises de mode du milieu de gamme qui expérimentent le plus ouvertement l'IA générative, mais elle en a dit bien davantage sur ce qu'elle a construit que sur ce qu'elle a obtenu.

Qu'a construit Mango ?

Mango indique avoir développé plus de 15 plateformes de machine learning depuis 2018. Les outils décrits publiquement se répartissent en quatre groupes :

Lisa, annoncée en octobre 2023, utilise des modèles privés adaptés à Mango ainsi que des modèles open source, derrière une interface de chat. Le directeur de la technologie, des données, de la confidentialité et de la sécurité de Mango, Jordi Álex, décrivait alors l'IA générative comme une technologie qui « agit comme un copilote ».

Pour donner un ordre de grandeur, Mango déclarait alors un chiffre d'affaires de 2,688 milliards d'euros pour 2022, une présence sur 115 marchés et un canal en ligne représentant 36 pour cent du chiffre d'affaires. Une entreprise de cette taille produit un très grand volume de photos produits, de descriptions, de visuels de campagne et de conversations clients : c'est précisément la charge de travail que ces outils doivent soutenir.

Pourquoi Mango a-t-il investi dans l'IA ?

Les raisons avancées par Mango sont la rapidité et la personnalisation. Mango Stylist s'inscrit dans le plan stratégique 2024-2026 de l'entreprise, qui met l'accent sur le développement technologique, la gestion des données et l'excellence opérationnelle. Pour les visuels de campagne, eMarketer rapportait en novembre 2024 que Mango voulait accélérer la création de contenus et renforcer sa compétitivité face à des concurrents de la fast fashion plus importants. Une enseigne qui vend sur plus de 100 marchés avec une forte part en ligne doit produire visuels, contenus produits et service client en très grand volume, et c'est là que les outils génératifs promettent les économies les plus immédiates.

Lire aussi

Comment adidas utilise l'IA : des archives de design au contenu génératif

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

Mango n'a décrit son processus que dans les grandes lignes :

• Design : Inspire génère des images dont les designers s'inspirent pour les imprimés, les tissus et les vêtements. Les designs finaux restent développés par les équipes de Mango ; l'entreprise n'a pas affirmé que l'IA produisait des vêtements finis.
• Campagnes : pour la ligne ado, de vrais vêtements ont été présentés sur des avatars générés par IA au lieu de mannequins humains et, selon eMarketer, les images sur le site de Mango comportaient des mentions signalant l'usage de l'IA.
• Assistant client : Mango Stylist utilise l'IA générative et la technologie conversationnelle pour recommander des produits en fonction des préférences exprimées, suggérer des tenues et aider à suivre les tendances. Il fonctionne par chat sur la boutique en ligne et sur Instagram, et passe le relais à Iris pour les questions avant et après achat, créant ainsi un point de contact unique.
• Organisation : Mango Stylist a été développé conjointement par les équipes IT, Data, Produit digital, Stylisme, Design, Visual merchandising et Service client.

Analyse : l'équipe transversale à l'origine de Mango Stylist mérite d'être soulignée. Un assistant de stylisme a besoin des attributs produits et des visuels du merchandising, du regard des équipes de stylisme et des processus de service du service client. Le confier à la seule DSI produit généralement un outil qui fonctionne techniquement mais reste faible commercialement.

Quels résultats Mango a-t-il publiés ?

Mango n'a pas communiqué de résultats chiffrés pour ses outils d'IA. Aucun chiffre n'a été publié sur les économies réalisées grâce aux campagnes générées par IA, sur les délais de design avec Inspire, sur l'adoption de Lisa par les employés ni sur les effets de Mango Stylist sur la conversion et le panier. Les éléments disponibles concernent le périmètre : le nombre de plateformes, les neuf marchés de Mango Stylist (Espagne, Portugal, Royaume-Uni, France, Italie, Allemagne, Autriche, Turquie et États-Unis) et l'intégration avec Iris. Les affirmations selon lesquelles Mango aurait réduit ses coûts de production ou de photographie d'un pourcentage précis sont à prendre avec prudence si elles ne citent pas l'entreprise.

Quelles sont les limites et les questions ouvertes ?

Ce sont les mannequins IA qui ont suscité le plus de débat public. eMarketer a relevé un certain scepticisme chez les consommateurs. Analyse : les mannequins générés soulèvent des questions sur l'emploi des mannequins et des photographes et sur la capacité des images générées à donner une idée fidèle du tombé des vêtements sur de vrais corps. L'étiquetage des images répond à l'exigence de transparence, mais pas à ces questions de fond.

D'autres questions ouvertes sont commerciales. Mango Stylist a été lancé uniquement pour la ligne Femme : son utilité pour les gammes homme, enfant et ado n'a pas été démontrée publiquement. Les outils de design génératif soulèvent des questions sur les données d'entraînement des modèles d'images et sur la propriété intellectuelle des imprimés générés. Et sans indicateurs publiés, il est difficile de juger si les plateformes ont modifié les marges, la rapidité ou la fidélité des clients.

Lire aussi

Comment Zalando utilise l'IA : assistant, personnalisation et conseil en taille

Que peuvent en retenir les autres entreprises de mode ?

Analyse : l'expérience de Mango est utile aux marques de taille moyenne, car elle montre une séquence : d'abord les outils internes, puis les contenus marketing, enfin les assistants destinés aux clients. Chaque étape a relevé les enjeux, de la productivité des employés à la réputation de la marque et à la confiance des clients, et chacune a nécessité des données et une gouvernance différentes.

1. Construire d'abord les compétences internes. La plateforme interne de Mango, Lisa, a précédé ses lancements grand public de près de deux ans.
2. Signaler les contenus générés. Indiquer qu'une image est produite par IA devient une attente de base et réduit le risque d'induire les clients en erreur.
3. Relier les assistants au service client. Connecter un assistant de stylisme à un bot après-vente existant évite deux expériences de chat déconnectées.
4. S'attendre à un examen attentif des enjeux humains. Remplacer des mannequins ou des photographes par l'IA affecte la réputation autant que les coûts : la décision exige plus qu'un argument budgétaire.
5. Définir le succès dès le départ. L'absence de résultats publiés rappelle l'importance de convenir d'objectifs mesurables avant de passer à l'échelle.