Comment Target utilise l'IA pour les stocks, les outils de magasin et les assistants d'achat

Target a publié plus de détails sur ses outils d'IA générative que la plupart des distributeurs : des assistants pour les équipes en magasin, des conseils de cadeaux et d'achat pour les clients, une application dans ChatGPT et un système de stocks fondé sur la science des données. Elle n'a pas publié de résultats chiffrés, et aucune des sources consultées n'isole l'habillement. Cette étude de cas décrit donc l'approche de l'IA de Target à l'échelle de l'ensemble du distributeur et ce qu'elle implique pour l'habillement.

Comment Target utilise-t-elle l'IA dans sa supply chain et ses stocks ?

Dans un entretien avec Fortune publié le 26 novembre 2025, Prat Vemana, directeur de l'information et des produits, a indiqué que Target utilise un système de gestion des stocks fondé sur la science des données, couvrant environ 2 000 magasins et des centaines de milliers de produits, dans le but d'adapter les stocks à la demande attendue. L'accent initial porte sur des articles à forte fréquence d'achat comme les céréales ou les sous-vêtements, des produits achetés de façon répétée et pour lesquels la prévision est relativement stable.

Les articles à forte fréquence d'achat constituent un point de départ plus simple que la mode et ses cycles de vie courts, ce qui rappelle que les modèles de stocks éprouvés dans la distribution ne se transposent pas automatiquement à l'habillement. Target a aussi indiqué prévoir d'augmenter ses dépenses d'investissement de l'exercice suivant d'un milliard de dollars, pour atteindre environ 5 milliards de dollars, couvrant de nouveaux magasins, des rénovations et des technologies axées sur le merchandising, la supply chain et les opérations en magasin.

Quels outils d'IA les équipes en magasin de Target utilisent-elles ?

Store Companion est un chatbot d'IA générative propriétaire, signalé pour la première fois en août 2024, qui répond aux questions de processus du quotidien, accompagne les nouveaux collaborateurs et soutient la gestion des opérations en magasin. Dans l'annonce d'OpenAI de novembre 2025, Target a cité Agent Assist et Store Companion comme des outils qui aident les équipes des centres de service et des magasins à servir les clients, notamment pour l'alignement des prix, le lancement de retours et la résolution de problèmes.

Target a déployé ChatGPT Enterprise auprès d'environ 18 000 collaborateurs du siège. Environ 4 300 collaborateurs ont suivi des sessions de formation, et Vemana a indiqué que 92 % d'entre eux étaient satisfaits. L'entreprise a également déclaré avoir déployé plusieurs cas d'usage d'IA agentique, principalement pour les demandes de service client et les flux de travail informatiques.

Lire aussi

Ce que Columbia Sportswear a divulgué sur l’IA, la planification et la supply chain

Comment Target utilise-t-elle l'IA pour servir ses clients ?

Bain, qui a travaillé avec Target sur ses premiers cas d'usage d'IA générative, indique que Target utilise l'IA générative pour enrichir des centaines de milliers de pages produit de Target.com avec des synthèses d'avis et des titres et descriptions révisés. Bullseye Gift Finder, présenté par RetailWire le 11 décembre 2024, recommande des cadeaux pour enfants parmi des milliers d'idées selon l'âge, les loisirs et les marques préférées.

Le 19 novembre 2025, OpenAI a annoncé que Target lancerait une application Target dans ChatGPT, où les clients peuvent parcourir, composer des paniers multi-articles et acheter des produits frais, avec un règlement via Drive Up, Order Pickup ou expédition. Vemana a déclaré à Fortune que Target veut apparaître partout où les clients posent des questions, y compris dans ChatGPT, Perplexity et Gemini. C'est un exemple précoce de distributeur qui se prépare à une découverte médiatisée par l'IA.

Qu'implique l'approche de Target pour les fournisseurs et les marques d'habillement ?

Les déclarations de Target montrent qu'un grand distributeur travaille sur la manière dont ses produits apparaissent dans les assistants d'IA et sur celle dont ses propres équipes les utilisent. Deux conséquences en découlent pour les marques qui vendent par l'intermédiaire de distributeurs de ce type. D'abord, la qualité des contenus produit compte : titres, descriptions et attributs alimentent à la fois les synthèses génératives sur le site et les assistants externes. Ensuite, les distributeurs construisent des assistants internes qui répondent à partir de leurs propres données ; les informations des fournisseurs doivent donc être exactes et cohérentes sur tous les canaux.

Une mise en garde s'impose aussi sur les modèles de stocks. Target a commencé par des articles à forte fréquence d'achat, où la demande est stable et l'historique riche. La mode a des vies plus courtes, davantage de variantes et plus de retours. Le choix d'un distributeur de commencer ailleurs suggère que l'habillement est un problème de prévision plus difficile, pas qu'il est inadapté.

Quels risques l'approche de Target comporte-t-elle ?

Déployer un assistant génératif auprès de 18 000 collaborateurs et un assistant d'achat auprès des clients crée plusieurs expositions que les sources évoquent seulement de manière indirecte. Les assistants peuvent donner de mauvaises réponses sur l'alignement des prix, les retours ou les attributs produit, et les collaborateurs peuvent partager des données confidentielles avec des outils externes. Target indique que ChatGPT Enterprise est conçu pour fonctionner en toute sécurité avec ses données propriétaires, ce qui répond en partie à ce risque, mais il s'agit d'une déclaration de fournisseur et elle doit être lue comme telle.

Il existe aussi un risque de concentration. Plusieurs des outils ont été construits avec OpenAI, et l'application ChatGPT relie l'expérience client de Target à une interface tierce dont les règles peuvent changer. Pour les marques, la leçon est de garder le contrôle de leurs données produit, de leurs relations clients et de leur mesure, afin de pouvoir ajouter ou remplacer de nouvelles interfaces sans repartir de zéro.

Lire aussi

Comment Decathlon utilise l'IA pour la prévision de la demande et la planification des approvisionnements

Quelles sont les limites des éléments disponibles ?

• Target n'a publié aucun résultat de conversion, de marge ou de démarque pour ces outils dans les sources consultées.
• L'accent initial du système de stocks sur les articles à forte fréquence d'achat dit peu de choses sur l'habillement.
• Plusieurs descriptions proviennent d'annonces de partenaires, comme OpenAI et Bain, qui ont intérêt à montrer un succès.

L'approche de Target illustre bien le schéma que suivent de nombreux grands distributeurs : commencer par la productivité interne et les outils de magasin, ajouter des assistants destinés aux clients, puis s'étendre aux interfaces d'agents externes. Pour les équipes d'habillement, la leçon pertinente concerne les fondations de données : les titres, descriptions et attributs de produit que Target cherche à améliorer grâce à l'IA générative sont les mêmes données que lisent les assistants externes.