La plupart des retailers savent que l’IA agentique arrive. Beaucoup l’évaluent déjà. Pourtant, entre la prise de conscience de son potentiel et son adoption à grande échelle, il reste une étape clé à franchir: instaurer la confiance.
Selon le rapport RELEX 2026 State of the Supply Chain, 67 % des dirigeants supply chain interrogés se disent plus confiants dans leur utilisation de l’IA pour prendre des décisions que l’an dernier. Mais seuls 32 % investissent et déploient activement des solutions IA à ce jour.
La planification retail traverse une transformation majeure. L’IA ne se contente plus d’aider les planificateurs à mieux voir les problèmes : elle agit désormais en analysant, recommandant et exécutant des décisions à une vitesse et une échelle qu’aucune équipe ne peut égaler manuellement.
Cette transformation est portée par une combinaison de facteurs, notamment la hausse des coûts, qui ne laisse plus de place à l’inefficacité, et des supply chains devenues trop complexes pour être pilotées de manière réactive.
Les retailers qui prendront de l’avance ne seront pas simplement ceux qui adoptent des agents IA. Ce seront ceux dont l’infrastructure de planification saura les orchestrer, et qui auront suffisamment confiance en leurs solutions pour leur déléguer certaines décisions.
Pourquoi l’IA agentique est plus qu’un effet de mode
Le mot « agentique » est aujourd’hui accolé à de nombreux outils qui n’utilisent pas réellement l’IA agentique. Un chatbot qui résume un rapport de stock n’est pas un agent. Un logiciel qui recommande un ajustement de stock de sécurité n’est pas un agent non plus. Un agent prend en charge une tâche définie, la raisonne, puis exécute une décision, avec ou sans intervention humaine à chaque étape.
Cette distinction compte, car c’est dans l’action que se trouve la valeur. Ce qui coûte le plus de temps et d’argent aux retailers se situe dans cet espace entre l’analyse et l’action : l’analyse manuelle des causes profondes, les heures passées à retracer une anomalie de commande, ou encore le cycle de reporting qui retarde une décision corrective de plusieurs jours.
L’IA agentique comble directement cet écart. Voici à quoi ressemble concrètement la réalité d’une planification sans IA agentique, à l’échelle d’une opération de planification :
- Un planificateur passe des heures à retracer une rupture de stock jusqu’à une livraison partielle survenue deux jours plus tôt.
- Une équipe merchandising navigue dans des interfaces chargées de formulaires pour créer une promotion, puis attend des semaines pour comprendre pourquoi elle a sous-performé.
- Les équipes d’exécution en magasin remontent des questions de commande courantes à la planification centrale, faute de moyen plus rapide d’obtenir une réponse.
- La prévision pour les nouveaux produits repose sur un étiquetage manuel des attributs, faute d’historique de ventes exploitable.
- La segmentation des sites pour la prévision se fait manuellement, avec des regroupements fondés sur la géographie ou le format de magasin plutôt que sur le comportement de vente réel.
Ces tâches, et bien d’autres encore, constituent le quotidien des équipes de planification à grande échelle. Quand les agents les prennent en charge, les planificateurs disposent de plus de temps à consacrer aux décisions qui exigent réellement un jugement humain.
Comment les agents transforment le rôle du planificateur
La question qui revient le plus souvent au sujet de l’IA agentique dans la planification est aussi la plus légitime : si les agents prennent en charge les analyses et l’exécution, quel rôle reste-t-il au planificateur ?
À mesure que les agents prennent en charge les tâches répétitives et à faible valeur ajoutée, le rôle des planificateurs évolue. Ils peuvent alors se concentrer sur des missions qui requièrent du jugement, une compréhension fine du contexte et une expertise métier qu’aucun agent ne peut remplacer, notamment :
- Définir la stratégie.
- Gérer les exceptions.
- Évaluer les trade-offs et les différents scénarios de planification.
- Gérer les relations fournisseurs.
- Déterminer les décisions qui doivent être confiées à l’IA.
- Décider quand il est nécessaire de passer outre les recommandations des agents.
Les planificateurs qui s’adaptent à ce changement deviennent les arbitres du système : ils savent orienter les agents efficacement, interpréter leurs recommandations avec un regard critique et appliquer un contexte métier que les données, à elles seules, ne suffisent pas à restituer.
| Avant l’IA agentique | Avec l’IA agentique | |
|---|---|---|
| Revue matinale | Le planificateur ouvre ses tableaux de bord, passe en revue les exceptions une à une et consacre près d’une heure à comprendre lesquelles nécessitent son attention, et pourquoi. | L’agent fait remonter les exceptions prioritaires avec la cause déjà identifiée. La revue ne prend que quelques minutes, avec des actions suggérées à examiner. |
| Analyse de rupture de stock | Le planificateur retrace une perte de vente à travers l’historique des commandes, les journaux de livraison et les données de prévision. Cette recherche manuelle prend souvent 2 à 3 heures pour une seule UGS. | L’agent de diagnostic assisté par IA identifie la cause (par exemple, une livraison partielle deux jours plus tôt), le code motif, et recommande une action corrective. |
| Création d’un nouveau produit | Le planificateur renseigne manuellement les attributs du produit afin d’identifier les meilleurs produits de référence pour la prévision. Un processus long et peu homogène, qui pénalise la précision des prévisions dès le lancement. | L’agent d’attributs produit analyse la description du produit, identifie les produits de référence optimaux et les classe par pertinence. |
| Décisions de stock | Le planificateur modélise manuellement différents scénarios, en ajustant les stocks de sécurité et les paramètres de réapprovisionnement UGS par UGS. Il est souvent difficile de traduire les objectifs stratégiques en décisions opérationnelles. | L’agent de gestion des stocks simule différents scénarios (par exemple : « réduire le gaspillage de 10 % dans cette catégorie »), en affiche immédiatement l’impact sur le profit, puis déploie automatiquement la stratégie à grande échelle. |
| Support magasin | Les équipes en magasin sollicitent régulièrement l’équipe de planification centrale pour des questions liées aux commandes. | L’agent de support magasin répond instantanément aux questions via RELEX Mobile. L’équipe centrale se libère ainsi pour des tâches à plus forte valeur ajoutée. |
| Création de promotion | Navigation dans des interfaces complexes chargées de formulaires pour créer ou modifier une promotion : un processus chronophage, avec une courbe d’apprentissage élevée pour les nouveaux utilisateurs. | L’agent de stratégie promotionnelle crée et modifie les promotions via des invites en langage naturel. Une configuration qui prenait des heures ne prend désormais que quelques minutes. |
| Analyse post-promotion | Extraction manuelle de données depuis de multiples sources pour comprendre pourquoi une promotion a sur- ou sous-performé. Les insights arrivent des semaines plus tard, quand ils arrivent. | L’agent de diagnostic des promotions décompose la performance (impact brut, effet de halo, cannibalisation) en langage clair. |
| Fin de journée | Réactif : les planificateurs consacrent l’essentiel de leur journée à comprendre ce qui s’est passé, plutôt qu’à préparer les prochaines décisions. | Stratégique : le planificateur consacre sa journée à arbitrer entre différents scénarios, à piloter les agents IA et à exercer son jugement là où il apporte le plus de valeur. |
Pourquoi une IA spécialisée inspire confiance à ses utilisateurs
La vision de planificateurs consacrés à des tâches à plus forte valeur ajoutée ne tient que si l’on peut faire confiance aux agents qui exécutent le travail.
La plupart des IA appliquées à la planification retail n’ont pas été conçues à l’origine pour le retail. Les grands modèles de langage généralistes produisent des réponses qui semblent plausibles, mais plausible ne veut pas dire correct. Dans un contexte de planification, une recommandation erronée mais formulée avec assurance est pire qu’aucune recommandation. Des agents sujets aux hallucinations sont dangereux.
C’est ce problème de confiance qui se trouve au cœur de l’adoption de l’IA agentique, et c’est pourquoi la nature de l’éditeur compte autant que la capacité elle-même.
Les agents RELEX sont conçus différemment:
Une IA spécialisée plutôt que des modèles généralistes
L’IA de RELEX s’appuie sur plus de 700 jeux de données issus de retailers, 20 ans d’expertise métier documentée et des modèles conçus pour accompagner les décisions les plus critiques de la supply chain. Lorsqu’un agent RELEX formule une recommandation, celle-ci repose sur des données réelles et des modèles éprouvés, déjà validés en production dans le cadre de centaines de déploiements en entreprise.
Une gouvernance qui place l’humain au cœur du dispositif
RELEX pourrait pousser l’automatisation encore plus loin, mais c’est un choix assumé. Chaque action réalisée par un agent sur la plateforme est tracée, explicable et soumise à une validation humaine lorsqu’elle concerne une décision stratégique. Les agents et les planificateurs s’appuient sur le même moteur de règles métier et la même interface. Les planificateurs voient ainsi précisément ce que fait chaque agent, pourquoi il le fait, et peuvent reprendre la main à tout moment.
C’est un principe fondateur : plus l’autonomie est encadrée, plus elle inspire confiance. Et c’est cette confiance qui permet ensuite à l’IA de gagner progressivement en autonomie.
Déployé en production, bien au-delà des démonstrations
L’agent de diagnostic assisté par IA de RELEX est utilisé en production chez des clients depuis le quatrième trimestre 2025. Il constitue le socle sur lequel s’appuient les autres agents F&R, en transformant des données brutes en informations contextualisées et directement exploitables pour la prise de décision.
Les bénéfices sont déjà bien réels pour nos clients.
À quoi ressemblent les agents en action
Les agents RELEX se répartissent en deux catégories : les agents F&R, conçus autour du réapprovisionnement, des stocks et des opérations magasin, et les agents P&P, conçus autour des promotions et de la tarification. Chacun cible une étape différente du cycle de planification, mais le principe de conception reste le même : des agents qui expliquent leur raisonnement, opèrent au sein du moteur de règles métier et restent sous supervision humaine. Les tableaux ci-dessous présentent le rôle de chaque agent et les tâches qu’il permet d’automatiser.
Agents F&R de RELEX
Les agents F&R de RELEX répondent à un enjeu bien plus large qu’un simple workflow isolé. Un planificateur qui passe deux heures à retracer une rupture de stock jusqu’à une livraison partielle survenue trois jours plus tôt effectue un travail essentiel qui ne devrait prendre que deux minutes.
Mais si les planificateurs ne comprennent pas une décision ou ne sont pas capables de l’expliquer, ils ne feront jamais confiance au système qui l’a prise. Et sans cette confiance, un agent ne sera jamais pleinement adopté : il restera un outil relégué au second plan, plutôt qu’un véritable levier de transformation. Chaque agent F&R de RELEX s’appuie sur le moteur de règles métier de la plateforme, garantissant que chacune de ses actions est tracée, auditable et soumise à une validation humaine.
| Agent | Ce qu’il résout | Fonctionnalités clés |
| Diagnostic assisté par IA | Pourquoi la performance s’est-elle dégradée ? | Analyse des causes profondes sur les ventes perdues, la détérioration et les excédents de stock ; identification des codes motifs ; planification de scénarios pour les actions correctives |
| Contrôle des stocks | Comment exécuter des objectifs stratégiques à l’échelle de chaque UGS? | Planification de scénarios sur le stock de sécurité, les objectifs de réduction du gaspillage et la fréquence de réapprovisionnement ; visibilité en temps réel sur l’impact sur la rentabilité |
| Diagnostic des recommandations de commande | Pourquoi RELEX a-t-il recommandé cette commande? | Explications en langage clair pour chaque recommandation de commande ; signalement proactif des risques ; aucune expertise poussée en calcul requise |
| Attributs produit | Comment prévoir un produit sans historique? | Identification de produits de référence à partir des descriptions ; classement par pertinence ; détection des attributs manquants |
| Support magasin | Qui répond aux questions courantes des équipes magasin sans détourner les planificateurs de leurs autres tâches? | Résolution de problèmes en temps réel via RELEX Mobile Replenishment ; réponses instantanées aux questions liées aux commandes propres à chaque magasin |
| Clustering des magasins | Les magasins sont-ils regroupés selon leur comportement réel ou sur la base de simples hypothèses? | Analyse des tendances de vente sur l’ensemble des sites ; adaptation continue au fil de l’évolution de ces tendances |
Agents P&P de RELEX
Une exécution lente coûte de la marge. Ces agents ont été conçus autour des processus où cette perte est la plus prévisible : la création de promotions, l’analyse post-promotion et les décisions tarifaires qui ne peuvent attendre l’intervention de l’équipe data.
| Agent | Ce qu’il résout | Fonctionnalités clés |
| Diagnostic des promotions | Pourquoi cette promotion a-t-elle échoué ? | Clic droit sur « Expliquer » depuis n’importe quelle cellule ; couvre l’impact brut, le report de vente, les effets de halo et la cannibalisation ; réduit la revue post-promotion de plusieurs semaines à quelques minutes. |
| Stratégie promotionnelle | Comment créer et modifier des promotions sans la lourdeur des formulaires ? | Création et modification en langage naturel ; récupération automatique des données de performance historiques ; courbe d’apprentissage réduite pour les nouveaux utilisateurs. |
| Analyses et insights | Comment obtenir des réponses sans attendre l’équipe data ? | Visualisations interactives à la demande ; analyse des tendances de performance, des performances par catégorie, des comparaisons entre marques et de la répartition des remises. |
| Stratégie de prix | Comment les category managers définissent-ils une stratégie sans être des spécialistes du pricing ? | Configuration en langage naturel ; diagnostics automatiques au sein des groupes d’optimisation ; propositions de prix à l’article, équilibrant rentabilité et marge. |
Pour un aperçu plus approfondi du fonctionnement et de la conception de chaque agent, découvrez les agents RELEX.
Étude de cas : les résultats obtenus par un retailer grâce aux agents RELEX
Un retailer alimentaire d’Amérique du Nord perdait quatre heures chaque mercredi à analyser ses prix, élaborer des scénarios et résoudre des incidents, le tout manuellement. Le temps que l’analyse soit prête, la fenêtre d’action s’était souvent réduite.
L’équipe a intégré RELEX à son cycle tarifaire hebdomadaire, orchestré par Rebot. Au lieu de construire manuellement différents scénarios, l’analyste tarifaire pouvait demander à Rebot de simuler plusieurs stratégies de prix, par exemple en comparant différents niveaux de prix sur des dizaines de magasins, et en mesurer l’impact sur les ventes et la rentabilité en quelques secondes. Lorsqu’un problème de configuration d’une règle bloquait son travail, Rebot en identifiait la cause, proposait la correction à apporter, et l’analyste pouvait l’appliquer en moins de 24 heures.
Les résultats ont été immédiats : des scénarios tarifaires qui nécessitaient auparavant près de quatre heures sont désormais réalisés en quelques minutes.
« Cela m’aurait probablement pris quatre bonnes heures si j’avais dû le faire manuellement. Il aurait fallu construire le scénario, le lancer, et bien sûr, au moindre problème, tout reprendre depuis le début. Rebot s’était déjà occupé de tout. »
Analyste tarifaire, retailer alimentaire
Comment se lancer
Le bon point de départ est simple : commencer par un ou deux agents ciblant vos principales difficultés, avec des critères de réussite clairement définis dès le départ.
Un pilote bien structuré repose sur quatre étapes :
- Identifiez le ou les deux processus de planification pour lesquels les tâches manuelles vous coûtent le plus de temps ou pèsent le plus sur vos marges.
- Définissez des KPI précis et un calendrier réaliste avant le lancement du pilote : quels résultats souhaitez-vous obtenir au bout de 90 jours ?
- Constituez une équipe transverse, soutenue par un sponsor au sein de la direction, avec une gouvernance claire et des représentants des équipes de planification et IT.
- Mettez en place un processus d’évaluation documenté, fondé sur des retours structurés, une analyse objective des résultats et une réelle volonté d’ajuster le dispositif au fil du pilote.
En pratique, la préparation est souvent bien moins complexe qu’on ne l’imagine. Les agents RELEX sont conçus pour les équipes de planification, et non pour des spécialistes de l’IA. Ils s’utilisent en langage naturel, expliquent leurs recommandations de manière claire et ne nécessitent ni compétences en data science ni expertise technique particulière.
L’enjeu est avant tout d’instaurer la confiance : dans la technologie, dans votre partenaire, mais aussi auprès des équipes qui l’utiliseront au quotidien. Commencez par un premier cas d’usage, mesurez les résultats qui comptent vraiment, puis déployez progressivement les agents en vous appuyant sur une base solide et éprouvée.
Découvrez comment un grand retailer adopte concrètement l’IA dans notre webinaire « Retail AI : ce qui fonctionne, ce qui ne fonctionne pas, et ce qui arrive ».
