Voici la traduction du texte en français :

Les acheteurs de mode ont longtemps été les créateurs de tendances discrets de l'industrie — ceux qui peuvent repérer un désir avant même qu'il ne prenne forme. Mais aujourd'hui, avec des marges bénéficiaires plus serrées et la nécessité d'une précision absolue, ils se tournent vers l'IA pour relever ces défis.

En traitant d'énormes quantités de données qui étaient auparavant enfermées dans des systèmes séparés — comme le comportement de recherche, les schémas de clics, les préférences régionales et la performance des produits sur différents marchés — l'IA dépasse rapidement le simple fait de prévoir les ventes. Les acheteurs et les marchandiseurs disent qu'elle change désormais la façon dont ils construisent, affinent et développent leurs sélections de produits, à mesure que les décisions deviennent plus que jamais guidées par les données.

Au lieu de se fier uniquement aux ventes passées ou à leur intuition, les acheteurs peuvent exploiter des signaux en temps réel sur ce que les acheteurs recherchent, sur quoi ils cliquent et ce qu'ils sauvegardent dans le monde entier. « L'IA est davantage un outil qui étend leur portée », déclare Rich Shepherd, vice-président produit chez Lyst. « Les meilleurs acheteurs continuent de se guider par leur instinct — l'IA leur donne simplement une image plus claire de l'endroit où cet instinct pourrait le mieux fonctionner. »

Des marques de luxe aux plateformes de commerce électronique mondiales, une nouvelle approche prend forme : des systèmes de recommandation et des outils alimentés par l'IA qui repèrent des schémas dans les données, tandis que les acheteurs humains interprètent ces informations et prennent des décisions stratégiques. Trouver l'équilibre entre les deux devient un avantage concurrentiel clé.

Informations sur la demande en temps réel

Tapestry, la société mère de Coach, Kate Spade et Stuart Weitzman, utilise l'IA en coulisses pour aider les acheteurs à prendre des décisions plus intelligentes sur quoi commander, quelle quantité stocker et où envoyer les stocks.

« Nous avons toujours su que pour numériser ce processus et évoluer rapidement, nous devions construire un moyen de partager facilement les données à travers l'entreprise », explique Fabio Luzzi, directeur des données et de l'analyse chez Tapestry. L'entreprise a investi dans un hub de données central — ce que Luzzi appelle son « tissu de données propriétaire » — qui permet de modéliser facilement les données autour des clients, des emplacements et des chaînes d'approvisionnement. « Cela rend la numérisation des processus facile, ainsi que l'utilisation de l'IA à travers de nombreuses étapes de la chaîne de valeur. »

« Les meilleurs acheteurs continuent de se guider par leur instinct — l'IA leur donne simplement une image plus claire de l'endroit où cet instinct pourrait le mieux fonctionner. »

Les équipes d'achat de Coach utilisent déjà des ensembles de données partagés pour comparer les schémas d'achat régionaux en temps réel, ajustant la quantité qu'elles commandent et l'endroit où envoyer les produits avant qu'ils n'arrivent en magasin. Ces informations révèlent la demande plus tôt et plus précisément que le simple fait d'examiner les ventes passées.

En termes pratiques, un membre de l'équipe pourrait ouvrir un tableau de bord partagé en direct qui montre qu'un certain style se vend bien dans le sud-ouest des États-Unis mais pas dans le nord-est — une information qui arrivait auparavant des semaines plus tard par le biais de rapports de ventes. Ce signal leur permet d'ajuster l'endroit où les stocks vont avant qu'ils ne soient verrouillés, au lieu de les laisser dans le mauvais entrepôt. Luzzi considère l'IA comme un système d'aide à la décision intégré pour le design, les stocks et la tarification, accélérant l'analyse et l'interaction tout en laissant les choix finaux de produits et de marchandisage aux équipes humaines. Il dit que cela libère du temps pour les équipes d'achat et de marchandisage afin qu'elles se concentrent sur un travail plus stratégique.

Chez Coach, les articles en cuir de base et les basiques saisonniers — des catégories avec des années de données de ventes derrière elles — sont de plus en plus gérés par des modèles de réapprovisionnement automatisés. Le système signale quand réapprovisionner, ajuste les quantités par magasin et déplace les stocks entre les régions sans intervention manuelle. Le temps gagné est significatif : les marchandiseurs qui passaient auparavant la majeure partie du cycle d'achat à gérer les parties prévisibles de leur assortiment peuvent désormais se concentrer sur les catégories où les données offrent moins de certitude et où le jugement humain compte davantage.

Plus de temps pour le marchandisage et les tendances

Pour les articles tendance ou nouveaux, c'est une autre histoire. Leurs ventes dépendent du timing culturel, du buzz médiatique et des signaux précoces que les seules données historiques ne peuvent pas encore prédire. En pratique, cela signifie que les acheteurs passent moins de temps à prendre des décisions sur des produits familiers et plus de temps à s'attaquer à la question plus difficile de ce que les clients ne savent pas encore qu'ils veulent — la partie du travail qui nécessite du goût, pas seulement de l'analyse, selon Luis Carvalho, directeur technologique de Farfetch.

« Nous croyons en la capacité de donner du pouvoir au style individuel de nos clients, pas de le dicter », dit Carvalho. Le moteur de personnalisation de Farfetch affine ce que les acheteurs voient en se basant sur des signaux de style plutôt que seulement sur la popularité. « Les avancées de l'IA — du traitement des données à la modélisation prédictive — nous aident à naviguer dans d'énormes quantités d'informations et à connecter chaque client aux produits les plus personnalisés à travers notre réseau. »

Ces avancées incluent la capacité de l'IA à traiter des milliards de signaux — comme le comportement de recherche, les schémas de clics, les métadonnées des produits et les différences d'achat régionales — à une vitesse que les équipes humaines ne peuvent pas égaler. Alors que les capacités de l'IA ont grandi, la place de marché d'agrégation de mode Lyst est passée de catalogues de classement larges à des recommandations au niveau du style, faisant correspondre les produits aux acheteurs individuels en fonction du goût, de la sensibilité au prix et de l'occasion.

L'écharpe à crâne McQueen a récemment fait son retour dans les tendances de la mode, après plusieurs apparitions de célébrités et Charli XCX en portant une lors de sa performance à Glastonbury 2025.
Photo : Shoot Digital pour Style.com / Getty Images

« Avant, le marchandisage consistait simplement à décider les six premiers produits que vous verriez dans un flux », dit Miyon Im, vice-présidente du design produit et de l'éditorial chez Lyst. « Mais avec l'IA, nous pouvons devenir plus sophistiqués — autour du styling, des tenues, ou même des suggestions basées sur des événements. Si nous pouvons utiliser l'IA pour créer quelque chose comme une recommandation pour une fête de bureau, où chaque pièce semble juste parce que nous comprenons votre goût, vos préférences et votre sensibilité au prix, c'est l'avenir. »

En pratique, cela signifie que les marchandiseurs de Lyst reçoivent régulièrement des briefs de données, y compris des articles qui gagnent une traction inhabituelle dans les recherches ou les sauvegardes. Ils les examinent ensuite pour le contexte de la mode avant de faire une recommandation. Lorsque les données montrent des pics dans certaines couleurs ou textures, cela n'est pas immédiatement publié comme une tendance. Un humain doit demander pourquoi : était-ce un moment de défilé, une apparition de célébrité, ou une référence culturelle ? Ce n'est qu'alors que cela est ajouté au marchandisage.

Équilibrer les données avec l'intuition

Les dirigeants disent que, pour l'instant, le potentiel de l'IA vient avec des limites structurelles. Les modèles d'apprentissage automatique ne sont aussi fiables que les données sur lesquelles ils sont formés, et les biais historiques de la mode — en matière de tailles, de représentation, de géographie et de hiérarchies de goût — peuvent facilement être renforcés plutôt que corrigés. Si les ventes passées étaient biaisées vers des gammes de tailles étroites ou des données démographiques spécifiques, ces exclusions ne disparaissent pas dans les modèles d'apprentissage automatique — elles s'amplifient. Les experts disent que l'IA ne peut toujours pas remplacer l'intelligence culturelle, l'intuition et l'instinct narratif qui façonnent la mode.

« L'IA est là, et c'est un outil incroyable pour améliorer votre travail », dit Julie Gilhart, consultante en mode qui a passé 18 ans à superviser les décisions d'achat chez Barneys New York. « Mais la vraie magie vient de l'intuition humaine — le sens instinctif que les seules données ne peuvent pas reproduire. Les marques qui réussiront laisseront la créativité mener, avec l'IA améliorant la vision plutôt que de remplacer la touche humaine. »

Alors que les marques adoptent davantage d'outils basés sur les données, Gilhart dit qu'un nouveau rôle émerge : des marchandiseurs capables de transformer les signaux analytiques en stratégies créatives. « Vous devez être curieux », dit Shepherd. « Vous n'avez pas besoin d'une formation en informatique, mais vous devez comprendre comment la technologie fonctionne pour résoudre des problèmes pour les utilisateurs et les partenaires. »



Questions fréquemment posées
Voici une liste de FAQ sur la façon dont les acheteurs de mode et les marchandiseurs s'adaptent à l'ère de l'IA



Questions de niveau débutant



1 Que fait exactement l'IA dans l'achat et le marchandisage de mode

L'IA analyse d'énormes quantités de données comme les ventes passées les tendances des médias sociaux et les prévisions météorologiques pour prédire ce que les clients voudront acheter Elle aide à décider quelle quantité de stock commander quels styles promouvoir et quand mettre des articles en solde



2 L'IA va-t-elle remplacer les acheteurs de mode et les marchandiseurs

Non L'IA est un outil pour faciliter leur travail pas pour les remplacer Elle gère les calculs répétitifs et la détection de schémas libérant les acheteurs et les marchandiseurs pour se concentrer sur les décisions créatives la négociation avec les fournisseurs et la construction d'histoires de marque



3 Comment l'IA aide-t-elle à prédire les tendances de la mode

L'IA scanne des millions d'images provenant des médias sociaux des défilés et des photos de style de rue Elle identifie les couleurs les silhouettes et les motifs émergents beaucoup plus rapidement qu'une équipe humaine ne le pourrait donnant aux acheteurs une longueur d'avance dans la prévision des tendances



4 Quel est le principal avantage de l'utilisation de l'IA pour un marchandiseur

Le plus grand avantage est la précision L'IA peut prévoir la demande pour des tailles des couleurs et des magasins spécifiques avec beaucoup moins de gaspillage Cela signifie moins de démarques sur les vêtements invendus et moins d'avis de rupture de stock sur les articles populaires



5 Dois-je être un expert en technologie pour travailler avec l'IA en tant qu'acheteur

Pas du tout La plupart des outils d'IA sont conçus avec des tableaux de bord conviviaux Vous devez comprendre les questions à poser à l'IA pas comment la coder La compétence clé est d'apprendre à interpréter les recommandations de l'IA et à leur faire confiance en fonction de votre connaissance du marché



Questions de niveau avancé



6 Comment l'IA change-t-elle le calendrier d'achat traditionnel

L'IA permet un achat agile Au lieu de passer toutes les commandes des mois à l'avance les acheteurs peuvent désormais utiliser l'IA pour tester de petits lots en temps réel puis commander à nouveau les best-sellers instantanément en fonction des données de ventes en direct Cela fait passer le calendrier de lancements saisonniers rigides à un flux continu et réactif de nouveaux produits



7 L'IA peut-elle aider à atteindre les objectifs de durabilité dans le marchandisage

Oui de manière significative L'IA optimise les niveaux de stocks pour réduire la surproduction le plus grand problème de gaspillage de l'industrie de la mode Elle peut également prédire quels matériaux auront