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

Fast Retailing, la maison mère d'Uniqlo, utilise l'IA et les données principalement pour piloter une supply chain guidée par la demande dans le cadre de son projet Ariake, lancé en 2017. Le programme relie les retours clients, les données de ventes et de stocks à la planification, aux usines et aux entrepôts automatisés, avec pour objectif affiché de « produire, transporter et vendre exactement le volume des produits exacts que veulent les clients, exactement au moment où ils le veulent ». L'IA est un outil parmi d'autres au sein de ce système d'information, et non son centre.

Qu'a construit Fast Retailing ?

Le projet Ariake porte le nom du quartier de Tokyo où Fast Retailing a ouvert un bureau et un entrepôt fortement automatisé. Selon l'Integrated Report 2025 de l'entreprise, il a été lancé en 2017 pour réformer la gestion opérationnelle et créer « un nouveau type d'entreprise de distribution grand public digitale ». Les briques qu'il décrit sont les suivantes :

• Information partagée : depuis 2023, des systèmes mondiaux qui visualisent en temps réel les ventes, les niveaux de stock et les retours clients magasin par magasin.
• Planification intégrée : relier les plans de production, de vente et de distribution, partager l'information avec les usines, allouer le stock des entrepôts et acheminer les marchandises vers les magasins.
• IA appliquée aux retours clients : une analyse plus rapide et plus précise des commentaires clients et leur transmission aux équipes qui y donnent suite.
• Entrepôts automatisés : à commencer par Ariake à Tokyo, et notamment un entrepôt automatisé de 110 000 mètres carrés aux Pays-Bas où les produits sont automatiquement prélevés, emballés et triés.

Pourquoi Fast Retailing a-t-il investi dans l'IA ?

Uniqlo vend une gamme relativement restreinte de basiques en très grands volumes : les erreurs de prévision coûtent donc cher dans les deux sens, l'excédent de stock immobilisant de la trésorerie et entraînant des démarques, tandis que les ruptures font perdre des ventes sur des articles essentiels. Lorsque Fast Retailing a annoncé son partenariat avec Google Cloud en 2018, les objectifs comprenaient une traduction plus rapide des retours clients en produits, l'abandon d'une logique « fabriquez-le et ils viendront », une meilleure communication avec les usines et une distribution plus efficace.

Le CEO Tadashi Yanai a présenté le projet comme un changement organisationnel autant que technique : « Rendre l'information accessible à tous nos employés est l'un des fondements du projet Ariake, car cela leur permet de mobiliser des qualités humaines comme la logique, le jugement et l'empathie pour prendre des décisions. »

Lire aussi

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

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

Fast Retailing n'a pas publié de détails sur ses modèles, mais ses descriptions montrent comment les données circulent tout au long de la chaîne :

Le partenariat avec Google Cloud a donné à Fast Retailing accès à l'Advanced Solutions Lab de Google à Tokyo, à des outils collaboratifs et à un accompagnement pour la prévision de la demande et l'accessibilité des données. Yanai déclarait en 2018 que le travail était allé « bien au-delà de la prévision de la demande » et avait changé la façon dont les équipes collaborent. En logistique, l'entrepôt d'Ariake construit avec Daifuku décharge les produits des camions, lit les étiquettes électroniques et contrôle les stocks avec peu d'intervention humaine, ce qui permet un fonctionnement 24 heures sur 24.

Analyse : le rapport cite aussi une note de 1993 affirmant « Business = Systems », qui souligne que les opérations doivent être standardisées avant d'être digitalisées. Cette séquence est la partie la moins visible de l'histoire : la prévision par IA n'aide que si les données produits, magasins et stocks sont cohérentes dans toute l'organisation.

Quels résultats Fast Retailing a-t-il publiés ?

Le résultat publié le plus précis concerne la logistique. Fast Retailing a fait état d'une réduction de 90 pour cent du personnel du centre de distribution d'Ariake après l'automatisation, et en octobre 2018, Retail TouchPoints rapportait un investissement prévu de 885 millions de dollars dans l'automatisation des entrepôts avec Daifuku. Yanai déclarait alors : « Nous voulons introduire des entrepôts automatisés dans le monde entier le plus rapidement possible. »

Pour l'IA dans la planification et le design, l'entreprise décrit des améliorations qualitatives, comme une analyse plus précise et plus rapide des retours clients, mais n'a pas communiqué de précision des prévisions, de réduction des stocks ni d'effets sur les marges attribuables à l'IA. La performance financière de Fast Retailing reflète de nombreux facteurs, de la stratégie produit à l'expansion du réseau de magasins, et les sources publiques ne permettent pas d'isoler la contribution du projet Ariake.

Quelles sont les limites et les questions ouvertes ?

Le chiffre sur l'automatisation de l'entrepôt soulève la question évidente du devenir des emplois, ainsi que celle de la transposition du modèle à des marchés aux coûts de main-d'œuvre différents. Les grands programmes d'automatisation exigent aussi d'importants investissements initiaux et mettent des années à être rentabilisés. Côté données, la prévision de la demande pour les basiques profite d'historiques de ventes longs et stables ; il est moins évident que les mêmes méthodes fonctionnent aussi bien pour des articles tendance ou des nouveautés. Enfin, l'expression « projet Ariake » recouvre une transformation large, ce qui rend difficile pour un observateur extérieur de distinguer l'IA de la refonte des processus et du changement organisationnel.

Lire aussi

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

Que peuvent en retenir les autres entreprises de mode ?

Analyse : peu d'entreprises peuvent rivaliser avec l'échelle ou le budget d'investissement de Fast Retailing, mais les principes du projet Ariake s'appliquent aux marques de toute taille, car la plupart relèvent de la discipline des données et de l'organisation plutôt que d'algorithmes avancés :

1. Standardiser avant d'automatiser. Des données produits, magasins et stocks cohérentes sont une condition préalable à des prévisions utiles.
2. Rendre les données visibles pour les équipes. Fast Retailing présente l'accès des employés à l'information comme le fondement, l'IA soutenant les décisions plutôt que de les remplacer.
3. Boucler la boucle avec les retours clients. Analyser systématiquement les commentaires des clients et les transmettre aux équipes produit est un cas d'usage de l'IA concret et peu risqué.
4. Intégrer la logistique dans le dossier IA. Les gains mesurables les plus nets à ce jour se trouvent dans les entrepôts automatisés, pas dans les seuls algorithmes.