Catégories
Essai

Pourquoi l’IA ne rend-elle pas toujours le commerce plus rentable ?

L’intelligence artificielle fait gagner du temps aux collaborateurs, mais ces gains ne se retrouvent pas systématiquement dans les résultats de l’entreprise. Dans le commerce omnicanal, la valeur dépend des arbitrages entre e-commerce, magasins et logistique. Leur réorganisation pourrait compter davantage que la performance des outils eux-mêmes.

Un magasin prépare désormais ses commandes Click & Collect plus rapidement grâce à l’IA. Ses équipes localisent les produits plus facilement, les tâches sont mieux réparties et les demandes clients reçoivent des réponses plus rapides. Pourtant, le coût global des commandes ne baisse pas nécessairement. Les effectifs restent mobilisés sur les mêmes plages horaires, certaines ruptures imposent des substitutions coûteuses et les délais de retrait continuent de perturber l’activité du magasin.

Ce scénario hypothétique illustre une difficulté économique souvent sous-estimée : améliorer une tâche ne garantit pas l’amélioration du processus auquel elle contribue. Le commerce omnicanal rend cette distinction particulièrement visible, puisque chaque commande mobilise plusieurs fonctions qui possèdent leurs propres objectifs, leurs contraintes et leurs indicateurs de performance.

L’intelligence artificielle peut améliorer chacune de ces fonctions sans modifier leurs relations. C’est précisément dans ces relations que se joue une partie de la valeur attendue.

Le paradoxe de la productivité invisible

En août 2026, l’étude The State of AI: On the Road to ROI de McKinsey apporte un éclairage sur ce décalage. Parmi les 1 719 répondants de 97 pays, 80 % déclarent que l’IA améliore leur productivité individuelle. Mais seuls 37 % attribuent à l’IA un effet positif sur le résultat opérationnel de leur organisation. La proportion d’entreprises considérées comme particulièrement performantes en matière d’IA reste proche de 6 %.

Lorsqu’un collaborateur accomplit en vingt minutes un travail qui en demandait trente, il a effectivement amélioré sa productivité. Mais l’entreprise n’a pas nécessairement réduit ses coûts. Elle dispose d’une capacité supplémentaire dont la valeur dépend de son utilisation.

Trois situations sont possibles :

  1. La première consiste à absorber davantage d’activité avec des ressources constantes. Encore faut-il que la demande existe et que les autres étapes du processus puissent suivre. Un préparateur plus rapide ne sert à rien si les commandes attendent ensuite un transporteur indisponible.
  2. La deuxième consiste à réaffecter le temps libéré vers des activités plus utiles : conseil, vente, amélioration de la disponibilité des produits ou résolution d’incidents. Cette réallocation suppose des compétences, une organisation du travail et parfois des responsabilités nouvelles.
  3. La troisième consiste à réduire effectivement les ressources nécessaires. Dans un magasin soumis à des horaires d’ouverture, des obligations de présence et des effectifs minimaux, cette conversion est loin d’être automatique.

À ces conditions s’ajoutent les coûts de l’IA : intégration, exploitation, vérification des résultats, supervision, formation et traitement des erreurs. Un gain brut sur une tâche peut donc coexister avec un gain économique net très faible (voire négatif).

L’étude McKinsey identifie un autre élément : près des trois quarts des entreprises les plus performantes déclarent avoir profondément repensé leurs processus de travail avec l’IA, contre environ un quart des autres. Ces entreprises peuvent avoir bénéficié d’une meilleure gouvernance, de systèmes d’information plus matures ou de moyens financiers supérieurs. La performance technologique ne constitue qu’une partie de l’équation.

Une commande, plusieurs optimisations contradictoires

Le commerce omnicanal associe une promesse commerciale unifiée à des opérations qui restent largement fragmentées.

Un client commande sur le site d’une enseigne et souhaite retirer son produit deux heures plus tard dans un magasin.

  • Pour le e-commerce, l’objectif est de convertir la visite et de proposer un créneau attractif.
  • Pour la supply chain, il faut préserver la disponibilité des stocks et éviter les mouvements inutiles ou coûteux.
  • Pour le magasin, la préparation doit rester compatible avec l’accueil des clients et le réapprovisionnement des rayons.

Dans cette configuration chaque équipe peut atteindre ses objectifs sans que l’ensemble soit optimal.

Le site peut améliorer son taux de conversion en proposant davantage de produits disponibles au retrait. La logistique peut réduire son coût moyen en regroupant les approvisionnements. Le magasin peut améliorer son temps de préparation en privilégiant les commandes simples. Ces décisions deviennent contradictoires lorsque les promesses commerciales excèdent la capacité réelle des opérations.

Les difficultés ne sont pas seulement théoriques. Dans une étude publiée en mars 2025 dans le Journal of Operations Management, Stuart Milligan et ses collègues analysent huit années de transformation omnicanale d’un grand distributeur alimentaire britannique, entre 2012 et 2019.

Les chercheurs observent que la progression des ventes en ligne s’accompagne d’une dégradation de plusieurs indicateurs d’efficacité logistique. L’entreprise entreprend pourtant quatre adaptations successives de son organisation, portant notamment sur les horaires de livraison, le recours à des tiers et les infrastructures de distribution. Ces évolutions ne résolvent pas durablement les tensions entre flexibilité commerciale et efficacité opérationnelle.

L’explication tient notamment à des contraintes incompatibles. Le magasin traditionnel fonctionne avec des flux consolidés, des livraisons planifiées et des volumes relativement prévisibles. Le commerce en ligne introduit des commandes individuelles, des exigences de rapidité et des variations de demande qui modifient ces flux.

L’étude documente une difficulté préalable que l’IA devra affronter : la performance d’un système omnicanal dépend des interactions entre ses composantes autant que de l’efficacité de chacune.

L’ajout d’un moteur de prévision plus performant ou d’un assistant intelligent ne supprime pas cette contradiction. Il peut même la renforcer si ses recommandations favorisent systématiquement l’objectif d’une fonction au détriment des autres.

Une IA commerciale optimisée pour la conversion pourrait multiplier les promesses de disponibilité. Une IA logistique optimisée pour les coûts pourrait privilégier les regroupements de commandes. Toutes deux seraient performantes au regard de leur objectif propre, sans nécessairement améliorer la rentabilité de la commande. Le problème devient alors celui de l’arbitrage.

IA et rentabilité

Réimaginer le parcours, pas seulement automatiser ses étapes

Prenons le parcours allant de la disponibilité d’un produit jusqu’à sa remise au client.

Dans une organisation classique, plusieurs systèmes et équipes interviennent successivement. Le site expose une disponibilité, le système de gestion des commandes sélectionne un point de préparation, le magasin reçoit une instruction et les collaborateurs exécutent la tâche. Une exception déclenche éventuellement un échange avec le service client ou la logistique.

Cette organisation peut être numérisée de bout en bout tout en conservant des décisions cloisonnées.

Une approche humain–IA pourrait modifier ce fonctionnement en associant prévisions, informations opérationnelles et règles d’arbitrage dans un processus commun. Elle ne nécessiterait pas forcément un agent unique. Plusieurs systèmes spécialisés, utilisant des modèles prédictifs, des règles métier et de l’IA générative peuvent contribuer au même dispositif.

La première transformation concerne la disponibilité

Un stock informatique positif ne garantit pas qu’un produit se trouve réellement en rayon, qu’il soit accessible immédiatement ou qu’il puisse être réservé sans compromettre d’autres ventes. La décision d’afficher un produit comme disponible devrait intégrer la fiabilité du stock, la demande attendue et les capacités locales.

L’IA peut améliorer cette estimation. Mais une décision commerciale reste nécessaire : quelle probabilité d’indisponibilité l’enseigne accepte-t-elle en échange d’une promesse de retrait plus attractive ?

La deuxième transformation concerne l’allocation des commandes

Plutôt que de sélectionner automatiquement le magasin le plus proche ou celui qui dispose du stock théorique, un dispositif d’orchestration pourrait comparer plusieurs possibilités : préparation en magasin, préparation en entrepôt ou transfert depuis un autre point du réseau.

L’arbitrage devrait intégrer le coût complet, la capacité disponible, la marge de la commande et le niveau de service promis. La solution la plus rapide n’est pas nécessairement la plus rentable, tandis que la moins coûteuse peut dégrader l’expérience client.

La troisième transformation concerne l’exécution et les exceptions

Les systèmes peuvent prioriser les commandes, proposer des substitutions, détecter des anomalies et préparer des recommandations. Les collaborateurs confirment les situations physiques, corrigent les informations erronées et interviennent lorsqu’un arbitrage exige une appréciation que le système ne possède pas.

Cette distribution du travail suppose de définir des seuils d’autonomie. Une recommandation de substitution simple peut être exécutée selon des règles validées. Une décision susceptible d’affecter fortement une marge, une promesse contractuelle ou plusieurs magasins peut nécessiter une validation humaine.

L’enjeu consiste également à organiser le retour d’information. Une rupture détectée pendant la préparation doit corriger la disponibilité affichée, alimenter les prévisions et éventuellement modifier les règles d’allocation suivantes. Sans cette boucle, l’organisation automatise la répétition de ses erreurs.

Ces évolutions reposent sur des prérequis moins spectaculaires que les modèles d’IA : qualité des données de stock, connaissance des capacités réelles, interopérabilité des systèmes et définition explicite des objectifs. Des recommandations intelligentes fondées sur des informations inexactes produisent surtout des erreurs plus rapides.

L’organisation hybride redistribue les responsabilités

Les initiatives de plusieurs grands distributeurs montrent différentes manières de faire évoluer le travail, sans établir pour autant un modèle organisationnel universel.

En juin 2025, Walmart présente un système de priorisation des tâches assisté par l’IA, initialement appliqué au réapprovisionnement nocturne. Selon les estimations internes rapportées par les responsables concernés, le temps de planification des équipes serait passé de 90 à 30 minutes.

Le résultat concerne une activité de management, et non le coût complet du magasin. Il illustre cependant une évolution du rôle du responsable : moins de temps consacré à construire un plan de tâches, davantage de capacité potentielle pour superviser l’exécution, résoudre les exceptions et accompagner les équipes.

Chez IKEA, le déploiement du chatbot Billie offre un exemple différent. En juin 2023, Ingka Group indique que le système a résolu environ 47 % des demandes reçues depuis son déploiement, représentant 3,2 millions d’interactions et près de 13 millions d’euros d’économies annoncées. Le groupe précise également avoir accompagné la montée en compétences de 8 500 collaborateurs de centres d’appels vers des activités comprenant le conseil en aménagement et la vente à distance.

Le mécanisme organisationnel est intéressant : l’automatisation des demandes simples permet de repositionner des compétences humaines vers des interactions plus complexes. Le groupe ne fournit cependant pas les éléments nécessaires pour attribuer précisément l’évolution des ventes à distance à cette réorganisation.

En France, Carrefour décrit dans son document d’enregistrement universel 2025 un ensemble de transformations associant digitalisation des opérations magasin et déploiement de l’IA. Elles concernent notamment les assortiments locaux, les prévisions d’approvisionnement, le suivi de la disponibilité en rayon et les outils de préparation des commandes e-commerce. Toutes ces applications ne reposent pas nécessairement sur les mêmes technologies. Ces exemples documentent des investissements, des gains opérationnels annoncés et des évolutions du travail.

Pour le commerce omnicanal, une transformation plus profonde consisterait à redéfinir la responsabilité du parcours.

Aujourd’hui, une commande peut traverser plusieurs directions sans qu’aucune ne possède l’ensemble des leviers permettant d’optimiser son économie. Le e-commerce contrôle la promesse et la conversion, le magasin détient une partie de la capacité opérationnelle, la logistique organise les flux et la finance mesure les résultats.

Une gouvernance transverse pourrait confier à une responsabilité clairement identifiée les règles d’allocation, les niveaux de service et les critères économiques. Les équipes métiers conserveraient leurs compétences et leur autorité sur les opérations qu’elles maîtrisent. Les dispositifs d’IA interviendraient dans un périmètre de décision explicite, avec des possibilités d’escalade et de correction.

Il ne s’agit pas nécessairement de supprimer des directions ou de centraliser toutes les décisions. Une organisation hybride efficace doit également préserver les connaissances locales. Un responsable de magasin peut connaître une difficulté d’approvisionnement, une contrainte de personnel ou une situation exceptionnelle qui n’apparaît pas dans les systèmes.

L’autonomie doit donc être attribuée selon la nature de la décision, la qualité des informations et le coût d’une erreur. Les arbitrages fréquents, réversibles et bien documentés peuvent être davantage automatisés. Les décisions incertaines, coûteuses ou difficilement réversibles justifient une validation humaine.

Le management évolue alors vers une activité de supervision des décisions et d’amélioration des règles collectives, sans que sa disparition soit une conséquence nécessaire.

Mesurer la valeur là où elle se crée réellement

Pour vérifier l’intérêt de cette organisation, il faut déplacer l’unité de mesure. Le temps de préparation d’une commande reste un indicateur utile, mais il ne renseigne pas sur l’ensemble des ressources consommées. Une commande préparée rapidement peut nécessiter un transfert de stock supplémentaire, une livraison coûteuse ou une compensation commerciale après une erreur.

Une mesure plus complète intégrerait les coûts de préparation, de transport, de traitement des exceptions, de retours et de supervision, ainsi que les coûts de l’infrastructure IA. Elle devrait les rapprocher de la marge réellement générée, sans attribuer artificiellement à chaque commande des coûts fixes qui ne varient pas avec les décisions étudiées.

La marge contributive par commande constitue ainsi une référence intéressante, à condition d’en préciser le périmètre. Le taux de disponibilité réelle, le respect des promesses et la satisfaction client restent nécessaires pour éviter qu’une amélioration financière immédiate se traduise par une dégradation commerciale ultérieure.

Il faut également distinguer trois formes de création de valeur :

  1. La première est une économie effectivement réalisée, lorsque des ressources consommées diminuent sans transfert de coûts vers une autre fonction.
  2. La deuxième est une capacité supplémentaire monétisée : davantage de commandes traitées, moins de ventes perdues ou plus de services vendus avec les moyens disponibles.
  3. La troisième est une amélioration de la qualité ou de la résilience opérationnelle, dont l’effet économique peut apparaître progressivement et exige une méthode de mesure appropriée.

Cette distinction permet d’éviter de comptabiliser un temps théoriquement économisé comme une réduction immédiate de dépenses.

Une évaluation sérieuse comparerait des magasins ou groupes de magasins comparables, avec un déploiement progressif lorsque cela est possible. Elle suivrait les coûts complets et les résultats commerciaux avant et après transformation, tout en tenant compte de la saisonnalité, des variations de demande et des changements concomitants.

L’expérimentation doit aussi observer les effets de déplacement. Si un magasin pilote bénéficie d’une meilleure allocation de stock au détriment d’un magasin voisin, le gain local surestime la valeur créée pour l’enseigne. Une amélioration mesurée sur un canal peut simplement correspondre au transfert de coûts ou de ventes depuis un autre.

Il existe enfin des processus pour lesquels une réorganisation profonde ne serait pas justifiée. Une activité stable, répétitive, peu interdépendante et correctement instrumentée peut bénéficier d’une automatisation ciblée. Ajouter une couche d’orchestration et de supervision à chaque tâche créerait alors davantage de complexité que de valeur.

Le critère déterminant n’est donc pas la présence de l’IA, mais la nature des interdépendances et des contraintes économiques.

Pour un distributeur possédant un réseau de magasins et une activité e-commerce significative, la priorité devrait être d’identifier les parcours où les décisions d’une fonction modifient le coût ou la performance d’une autre. Ces parcours constituent les meilleurs candidats à une réorganisation, à condition que les gains attendus compensent les investissements et les coûts de coordination.

L’IA peut contribuer à cette transformation en rendant certaines décisions plus rapides, mieux informées et plus cohérentes. Mais c’est à l’organisation de définir ce qu’elle cherche à optimiser, qui peut engager ses ressources et comment les résultats seront évalués.

La décision stratégique devient alors concrète : faut-il continuer à déployer des outils pour améliorer la productivité de chaque équipe, ou investir dans des mécanismes communs permettant d’arbitrer la performance d’une commande de bout en bout ?

Dans le commerce omnicanal, la seconde option mérite d’être examinée en priorité lorsque les principaux coûts proviennent des interactions entre canaux. Son succès dépendra moins du nombre d’agents IA déployés que de la capacité de l’entreprise à leur donner des objectifs compatibles, des informations fiables et des responsabilités clairement délimitées.