L'intelligence artificielle peut intervenir dans de nombreux domaines d'un commerce : ventes, stocks, catalogue, fournisseurs, documents, clients ou boutique en ligne.
Mais son intérêt ne consiste pas simplement à ajouter une fonction « IA » à chacun de ces outils.
Lorsqu'elle peut accéder aux données et fonctions nécessaires, elle permet surtout de partir d'une demande formulée en langage courant pour rechercher une information, analyser une situation ou préparer une action.
Voici sept usages concrets.
1. Analyser les ventes
« Compare mes ventes de cette semaine avec celles de la semaine dernière et montre-moi les principaux écarts. »
Un logiciel de caisse produit déjà de nombreuses données. L'IA peut faciliter leur exploration sans obliger le commerçant à construire manuellement chaque rapport.
Elle peut par exemple comparer :
- le chiffre d'affaires ;
- le nombre de tickets ;
- le panier moyen ;
- les quantités vendues ;
- les ventes par catégorie ;
- les ventes par produit ;
- les établissements.
Mais constater une variation ne suffit pas toujours. Si le chiffre d'affaires baisse de 8 %, la question suivante devient :
« Qu'est-ce qui contribue principalement à cette baisse ? »
L'analyse peut alors rechercher les catégories, références ou autres indicateurs qui ont le plus évolué. Il faut cependant distinguer contribution statistique et causalité : les données peuvent montrer quels éléments accompagnent une variation sans nécessairement prouver pourquoi les clients ont changé de comportement.
Le détail de cet usage est développé dans notre article sur l'analyse des ventes en magasin.
2. Anticiper les stocks et préparer le réassort
« Quels produits risquent de passer sous leur seuil de stock cette semaine ? »
La gestion de stock est particulièrement adaptée aux analyses croisées. Le stock disponible seul ne permet pas de savoir si une référence est réellement à risque.
Il faut notamment pouvoir tenir compte :
- du rythme de vente ;
- du stock disponible ;
- des commandes déjà passées ;
- du délai fournisseur ;
- du stock de sécurité ;
- éventuellement de la saisonnalité.
L'IA peut aider à faire ressortir les références qui méritent une attention particulière. Puis le commerçant peut poursuivre :
« Prépare une proposition de réassort pour ces références. »
La quantité à commander ne doit toutefois pas être déduite du seul rythme de vente. Elle peut également dépendre du conditionnement, du minimum de commande, du stock cible, des commandes en cours ou des contraintes fournisseur.
L'intérêt est donc de passer de la détection du risque à une proposition de commande vérifiable, et non de considérer le calcul comme automatiquement juste. À l'inverse, la même logique permet de faire ressortir les produits dormants ou les références en surstock.
3. Gérer le catalogue
Créer et maintenir des fiches produits peut devenir fastidieux lorsque le catalogue contient des centaines ou des milliers de références. L'IA peut aider à préparer certaines opérations. Par exemple :
« Prépare une nouvelle fiche pour cette référence : farine T65, sac de 25 kg, fournisseur X. »
À partir des informations fournies et du modèle de données utilisé par le commerce, elle peut préparer les champs nécessaires. Elle peut également aider à :
- rechercher une référence ;
- compléter certaines informations ;
- reformuler une description ;
- classer des produits ;
- repérer des fiches incomplètes ;
- préparer des modifications en série.
La création effective de la référence dépend ensuite du système auquel l'IA est reliée et des droits dont elle dispose. Cette distinction est importante : générer les informations d'une fiche et modifier réellement le catalogue sont deux opérations différentes.
4. Traiter les fournisseurs et les documents commerciaux
Une partie de la gestion quotidienne repose sur des informations qui circulent entre plusieurs documents :
- devis ;
- commandes ;
- bons de livraison ;
- factures ;
- tarifs fournisseurs.
L'IA peut aider à retrouver ces documents, à en extraire certaines informations ou à préparer le document suivant dans le processus. Par exemple :
« Prépare le devis correspondant à cette demande client. »
Puis, une fois le devis accepté :
« Prépare la facture à partir du devis validé. »
L'intérêt est d'éviter de ressaisir inutilement les mêmes informations. Pour les achats, une demande peut également porter sur les fournisseurs :
« Quels fournisseurs ont augmenté leurs tarifs sur ces références ? »
ou :
« Retrouve la dernière commande passée à ce fournisseur. »
Ici encore, préparer, créer et envoyer ne sont pas nécessairement la même opération. Une action engageante peut conserver une étape de validation.
5. Segmenter, fidéliser et relancer les clients
L'IA peut également faciliter l'analyse de la clientèle lorsque les transactions sont reliées à des clients identifiés. Une demande comme :
« Quels clients fidèles n'ont pas acheté depuis deux mois ? »
semble simple, mais le terme « fidèle » doit d'abord être défini. Par exemple :
« Identifie les clients ayant réalisé au moins six achats au cours des douze derniers mois et qui n'ont rien acheté depuis 60 jours. »
Le segment devient alors mesurable. L'IA peut ensuite aider à :
- analyser la récence ;
- mesurer la fréquence d'achat ;
- rechercher les clients ayant généré le plus de chiffre d'affaires ;
- identifier des comportements de décrochage ;
- préparer une communication pour un segment.
Par exemple :
« Prépare un message de réactivation pour ce groupe. »
La qualité de l'action dépend d'abord de la qualité du segment. L'IA ne transforme pas automatiquement une base clients en campagne pertinente : les critères choisis restent déterminants.
Pour approfondir ce cas, voir notre article consacré à la relance des clients inactifs, et notre capacité de fidélisation.
6. Gérer la boutique en ligne
L'e-commerce génère lui aussi des tâches répétitives. L'IA peut aider à :
- préparer une fiche produit ;
- reformuler une description ;
- classer des références ;
- rechercher des informations manquantes ;
- analyser les ventes en ligne ;
- comparer les comportements entre canaux.
Par exemple :
« Réécris cette description produit pour qu'elle soit plus claire sans modifier les caractéristiques techniques. »
La génération de contenu constitue ici un usage direct. En revanche, la synchronisation des stocks entre magasin et boutique en ligne n'est pas réalisée par l'IA elle-même. Elle dépend de l'architecture du système de gestion et des intégrations entre les canaux. L'IA peut interroger ces données ou rechercher certaines incohérences, mais elle ne remplace pas le mécanisme technique qui maintient les stocks synchronisés.
7. Automatiser les tâches récurrentes
Certaines demandes reviennent chaque jour ou chaque semaine. Par exemple :
« Chaque lundi, résume les ventes de la semaine précédente et fais ressortir les écarts importants. »
Ou :
« Chaque matin, vérifie les références proches de leur seuil de réapprovisionnement. »
Lorsqu'une analyse repose toujours sur les mêmes règles, elle peut devenir une routine. Cela évite au commerçant de refaire manuellement la même recherche.
Mais toutes les automatisations ne doivent pas nécessairement produire une action. Il faut distinguer :
Une routine d'information
« Envoie-moi le résumé chaque lundi. »
D'une surveillance conditionnelle
« Signale-moi uniquement les références qui passent sous leur seuil. »
Et d'une action opérationnelle
« Crée une commande fournisseur. »
Ces trois niveaux n'ont pas les mêmes conséquences ni le même besoin de contrôle. Une question utile ponctuellement peut ainsi devenir une tâche automatisée lorsqu'elle répond à un besoin récurrent.
Un huitième levier transversal : la vision IA
Certains usages commencent non pas par des données déjà enregistrées, mais par un document ou une image. Par exemple :
- photographie d'un bon de livraison ;
- facture fournisseur ;
- catalogue papier ;
- liste tarifaire ;
- menu ;
- étiquette produit.
Une IA capable d'analyser des images peut aider à extraire et structurer les informations visibles. Une photo d'un bon de livraison peut par exemple servir à relever les références et quantités inscrites sur le document.
Mais il faut conserver une distinction importante : lire « 12 unités » sur un document ne prouve pas physiquement que 12 unités ont réellement été livrées. De même, extraire les informations d'un catalogue ne signifie pas qu'elles doivent être importées sans vérification.
La vision IA réduit la ressaisie ; elle ne supprime pas la nécessité de contrôler les informations lorsque l'enjeu le justifie.
De la question à l'action
Tous ces usages peuvent être regroupés en plusieurs niveaux :
- Rechercher« Retrouve la dernière facture de ce fournisseur. » L'IA cherche une information existante.
- Comprendre« Comment ont évolué mes ventes cette semaine ? » Elle restitue et rapproche les données disponibles.
- Analyser« Quelles catégories contribuent le plus à la baisse ? » Elle recherche les éléments qui permettent d'interpréter la situation.
- Préparer« Prépare le réassort de ces références. » Elle construit une proposition à partir des données et règles disponibles.
- Agir« Crée la commande fournisseur correspondante. » Si elle dispose des outils et autorisations nécessaires, un agent peut exécuter une opération dans le système.
- Automatiser« Refais cette vérification chaque lundi. » Une demande récurrente devient une routine.
Cette progression permet de comprendre ce qui distingue une simple interface conversationnelle d'un système capable d'utiliser des outils. Répondre à une question et agir dans le système d'information ne sont pas la même capacité. C'est cette capacité à enchaîner compréhension, analyse et action qui distingue un agent IA d'un assistant limité à la production d'une réponse.
L'IA ne remplace pas les logiciels métier
C'est un point important. L'IA n'a pas vocation à remplacer :
- la caisse qui enregistre les ventes ;
- le système de stock qui enregistre les mouvements ;
- le CRM qui conserve les informations clients ;
- le système de facturation ;
- le moteur e-commerce ;
- les outils fournisseurs.
Elle peut constituer une couche d'accès et d'action au-dessus de ces systèmes, à condition qu'ils soient connectés et que les données nécessaires soient disponibles.
Cette distinction permet d'éviter une idée trompeuse : l'IA ne « sait » pas spontanément ce qui se passe dans le commerce. Elle doit disposer des données ou des outils qui lui permettent de le savoir.
Toutes les données ne se valent pas
La qualité de l'analyse dépend directement de la qualité des données.
Une prévision de rupture sera peu fiable si les stocks ne sont pas correctement mis à jour. Une analyse client sera limitée si la majorité des transactions ne sont reliées à aucun client. Une comparaison entre magasins peut être trompeuse si les établissements n'utilisent pas les mêmes règles ou périmètres.
Une IA très performante ne corrige pas automatiquement des données incohérentes. Plus l'action envisagée est importante, plus la qualité des données utilisées doit être vérifiée.
Quel niveau de contrôle conserver ?
Toutes les actions ne nécessitent pas le même niveau de validation.
Afficher un chiffre d'affaires présente peu de risque. Préparer une fiche produit en présente davantage. Envoyer une communication client, modifier un prix ou créer une commande fournisseur peut avoir une conséquence directe sur l'activité.
Le niveau de contrôle peut donc être adapté à :
- la réversibilité de l'action ;
- son impact financier ;
- son impact sur un client ;
- la confiance accordée aux données ;
- les règles internes du commerce.
L'objectif n'est pas d'empêcher l'automatisation. Il est de l'appliquer là où elle apporte réellement du temps sans créer un risque disproportionné.
Comment Gillia applique ces usages ?
Gillia réunit plusieurs fonctions de gestion et peut également exploiter les outils et données auxquels il est connecté.
Le commerçant peut commencer par une question :
« Quels produits risquent une rupture cette semaine ? »
puis poursuivre :
« Prépare le réassort correspondant. »
Ou partir d'une analyse client :
« Quels clients réguliers commencent à ne plus revenir ? »
puis :
« Prépare une action de réactivation pour ce segment. »
L'intérêt est de conserver le contexte entre question, analyse et préparation de l'action, plutôt que de repartir de zéro dans plusieurs outils. Certaines requêtes utiles au quotidien peuvent également devenir des routines récurrentes. Selon l'action et les droits accordés, une validation peut être conservée avant exécution.
Ces usages ne couvrent qu'une partie des possibilités. Le catalogue des usages Gillia rassemble les cas d'usage détaillés par domaine.
IA pour le commerce : commencer par le problème, pas par l'IA
L'usage pertinent ne commence pas par :
« Où puis-je mettre de l'IA ? »
mais plutôt par :
« Quelle tâche me fait perdre du temps ? »
« Quelle information est difficile à retrouver ? »
« Quelle analyse dois-je refaire régulièrement ? »
« Quelle opération implique trop de ressaisie ? »
À partir de là, on peut déterminer si l'IA apporte réellement quelque chose. Pour une règle parfaitement fixe, une automatisation classique peut parfois être plus simple. Pour une question nécessitant de comprendre du langage, rapprocher plusieurs données ou adapter l'analyse au contexte, l'IA peut devenir beaucoup plus intéressante.
Le bon usage de l'IA n'est pas celui qui paraît le plus spectaculaire. C'est celui qui améliore réellement une tâche du commerce.
