Dans une tribune publiée sur Journal du Net, un représentant d’autone soutient que l’IA retail ne doit pas seulement automatiser : elle doit relier les décisions, expliquer ses recommandations et permettre aux planificateurs de simuler des scénarios. Selon lui, parler mieux ne veut pas dire décider mieux.
Le retail parle désormais à l’IA, qui répond en quelques secondes. Selon l’auteur, cette expérience, encore nouvelle il y a peu, va devenir la norme dans la quasi-totalité des logiciels métier. Le progrès est réel, mais une réponse fluide donne une impression d’intelligence avant même que le travail de fond ait été fait.
Poser la question, ce n’est pas le plus dur
Pouvoir demander « Où avons-nous perdu le plus de ventes la semaine dernière ? » représente un vrai confort, alors que les équipes de planning devaient jusque-là passer par des tableaux de bord, des filtres et des exports de rapports. Transformer cette phrase en requête utile reste pourtant complexe. Le système doit distinguer une rupture de stock d’une simple baisse de demande, comparer le réel à la prévision et juger si l’écart mérite une action. Les grands modèles de langage, précise l’auteur, ne sont pas conçus pour être des moteurs de prévision fiables : la décision doit rester ancrée dans les mathématiques et la logique métier.
Une décision n’existe jamais seule
La tribune met en garde contre la multiplication d’agents spécialisés, un pour l’achat, un pour l’allocation, un pour le réapprovisionnement et un pour le rééquilibrage des stocks. Chacun peut sembler performant isolément, mais acheter davantage pèse sur la trésorerie, et l’allocation initiale conditionne le stock disponible en central. Un agent focalisé sur la disponibilité peut ainsi recommander plus de stock que l’entreprise ne peut financer. Prises séparément, ces recommandations ne sont pas fausses, mais ensemble, elles peuvent produire un plan médiocre.
Une recommandation doit pouvoir être contestée
Selon l’auteur, l’autonomie totale a du sens pour des tâches répétitives et bien délimitées, mais elle ne devrait pas être l’ambition par défaut pour chaque décision de planning. Un retailer peut vouloir préserver l’image d’un magasin phare ou garder du stock pour une campagne à venir, et c’est au planificateur de trancher. Il doit donc pouvoir interroger le plan lui-même : pourquoi cette quantité, quelle contrainte bloque le résultat, quel impact sur les ventes et la trésorerie. La tribune défend aussi la simulation, qui permet d’ajuster un paramètre, d’observer l’effet et de recalculer l’ensemble du plan dans l’instant.
C’est cette conviction qui a guidé la conception de Sol, la solution d’autone. Sol Analyst permet d’interroger son activité en langage courant, sur une demande manquée, un surstock ou une rupture. Sol Planner va plus loin, en permettant de comprendre une recommandation, d’ajuster ses paramètres et de simuler des scénarios avant d’agir sur le plan choisi.
Pour l’auteur, la vraie mesure d’une IA retail tient à une question : sa réponse tient-elle toujours debout quand le planificateur commence à demander pourquoi ?
Product offers are temporarily unavailable.
