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

Zalando utilise l'IA à trois endroits en contact avec la clientèle : un assistant d'achat conversationnel reposant sur de grands modèles de langage, une découverte personnalisée comme son fil piloté par l'IA, et un conseil en taille qui combine données de retours, mesures des marques et vision par ordinateur. L'entreprise a publié quelques résultats, notamment une réduction de 10 % des retours liés à la taille grâce au conseil en taille, mais la plupart des chiffres d'impact commercial restent non communiqués.

Qu'a construit Zalando ?

Zalando, la plateforme en ligne berlinoise fondée en 2008, revendiquait en juin 2024 62 millions de clients actifs et plus de 7 000 marques partenaires sur 29 marchés. Au-dessus de cette plateforme, elle a superposé plusieurs fonctionnalités d'IA :

• Zalando Assistant : un outil conversationnel, lancé d'abord en 2023 sur quatre marchés germanophones et anglophones, qui permet aux clients de décrire leur besoin en langage naturel et de recevoir des suggestions de produits.
• Trend Spotter : une vue actualisée chaque semaine des tendances émergentes dans six villes européennes (Berlin, Paris, Milan, Anvers, Stockholm et Copenhague), intégrée plus tard à l'assistant.
• Fil de découverte : un fil personnalisé de produits, de marques et de contenus, lancé dans six pays en juillet 2025 et étendu à 16 marchés supplémentaires en octobre 2025.
• Conseil en taille : des recommandations de taille fondées sur l'historique d'achats et de retours et, depuis juillet 2023, une fonctionnalité qui estime les mensurations à partir de deux photos prises au smartphone.

Le rapport du directoire présenté à l'assemblée générale 2026 de Zalando montre que l'assistant se rapproche de la transaction : les clients peuvent ajouter un article au panier et choisir une taille, demander ce qui se trouve déjà dans leur panier, demander quels produits s'y associent et passer directement à la caisse depuis la conversation.

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

Deux problèmes traversent les déclarations publiques de Zalando. Le premier est la découverte. Face à un assortiment très large, une barre de recherche et des filtres par catégorie rendent difficile l'expression d'un besoin comme une tenue pour une occasion précise. Zalando a indiqué que les requêtes saisies dans l'assistant étaient trois fois plus longues que les recherches dans la barre de recherche, ce qui suggère que les clients l'utilisent pour des demandes plus complexes. Le second est celui des retours. Zalando indique qu'environ un tiers de l'ensemble de ses retours sont liés à la taille, ce qui fait de l'ajustement un enjeu direct de coûts et de durabilité.

Un motif stratégique chapeaute les deux. Lorsque Zalando a étendu le fil de découverte en octobre 2025, le cofondateur Robert Gentz l'a présenté comme un moment charnière dans la transformation de Zalando d'une plateforme principalement transactionnelle en une plateforme d'inspiration. La personnalisation pilotée par l'IA est le mécanisme de cette évolution, car un fil ne fonctionne que s'il est pertinent pour chaque client.

Lire aussi

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

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

L'assistant repose sur des modèles d'OpenAI. Selon une étude de cas client publiée par OpenAI, Zalando a fait passer l'assistant de GPT-3.5 à GPT-4o mini en deux semaines, en orientant d'abord la moitié de son trafic vers le nouveau modèle, et a utilisé des évaluations par composant ainsi qu'un few-shot prompting amélioré pour relever la qualité des réponses. Le modèle de langage interprète la demande et rédige la réponse ; les produits affichés proviennent du catalogue et des données clients propres à Zalando.

Trend Spotter s'appuie sur des signaux d'envie des clients plutôt que sur les ventes : recherches, mentions « j'aime » et ajouts au panier, selon Zalando. Le moteur de tailles puise dans un éventail de données plus large : mesures des articles fournies par les marques, historique de retours et motifs de retour déclarés par les clients, retours sur l'ajustement des commandes précédentes, tailles saisies par les clients dans leur profil, tailles d'articles achetés ailleurs, avis de mannequins cabine qui essaient les vêtements, et vision par ordinateur qui repère des tendances de taille sur des articles similaires d'une même marque.

Quels résultats Zalando a-t-il publiés ?

Zalando et son fournisseur de modèles ont publié un petit ensemble de chiffres. Aucun n'est audité, et la plupart mesurent l'engagement plutôt que la rentabilité :

• Conseil en taille : Zalando affirme que ses offres de conseil en taille ont réduit de 10 % les retours liés à la taille.
• Utilisation de l'assistant : plus de 500 000 clients avaient utilisé l'assistant en juin 2024, avec en moyenne environ quatre échanges par conversation.
• Engagement avec l'assistant : l'étude de cas client d'OpenAI fait état d'une hausse de 23 % des clics produits, de plus de 40 % d'ajouts supplémentaires à la liste d'envies et de 5 % de recommandations jugées inutiles en moins, le trafic ayant été multiplié par douze sans hausse significative des coûts.
• Portée du fil : plus de 25 millions d'utilisateurs uniques avaient interagi avec le fil depuis son lancement, selon le rapport de l'AG 2026.

Zalando n'a publié ni l'effet de l'assistant sur la conversion, le panier moyen, les retours ou la marge, ni le coût d'exploitation des modèles de langage. Certains chiffres d'engagement proviennent d'une publication d'un fournisseur, ce que les lecteurs doivent prendre en compte.

Quelles sont les limites et les questions ouvertes ?

Ce qui suit relève de l'analyse éditoriale et non d'informations publiées par l'entreprise. L'engagement n'équivaut pas à des ventes incrémentales : davantage de clics et d'ajouts à la liste d'envies peut aussi signifier que les clients naviguent plus longtemps avant d'acheter les mêmes articles. Sans résultats contrôlés sur la conversion et les retours, la rentabilité de l'assistant ne peut pas être évaluée de l'extérieur.

Le chiffre sur les tailles doit être lu avec prudence. Si la réduction de 10 % s'appliquait à l'ensemble des retours liés à la taille, elle correspondrait à environ trois pour cent du total des retours, puisque la taille en représente environ un tiers ; Zalando n'a pas présenté ce calcul. Le conseil en taille dépend en outre de mesures exactes fournies par les marques, dont la qualité varie d'un partenaire à l'autre parmi plusieurs milliers.

Construire l'assistant sur un modèle externe crée une dépendance à la tarification, à la latence et aux évolutions de modèle d'un fournisseur, même si la migration réalisée par Zalando en deux semaines montre que ce risque peut être maîtrisé grâce à une bonne évaluation. Enfin, la personnalisation et la mesure du corps utilisent des données personnelles sensibles : consentement, transparence et minimisation des données sont donc des obligations permanentes plutôt que des choix de conception ponctuels.

Lire aussi

Comment Nike utilise l'IA : données de vente directe et création de produits générative

Que peuvent en retenir les autres entreprises de mode ?

1. Commencer par un problème coûteux et mesurable pour lequel des données propriétaires existent déjà. Les motifs de retour et les retours sur l'ajustement ont été la matière première de Zalando pour le conseil en taille.
2. Investir d'abord dans les données produit. Le conseil en taille ne vaut que ce que valent les mesures de vêtements fournies par les marques.
3. Considérer le modèle de langage comme une interface au-dessus de son propre catalogue, afin de pouvoir changer de modèle sans reconstruire le produit.
4. Mettre en place des évaluations par composant avant de passer à l'échelle ; ce sont elles qui ont permis une migration rapide de modèle.
5. Mesurer les résultats économiques et pas seulement l'engagement, et décider à l'avance quel indicateur justifiera de nouveaux investissements.