Opérations
De 80 % d’interventions manuelles à 15 %.
Aurélien
Le détaillant
Un détaillant streetwear de 9 magasins, deux acheteurs, trois mille cinq cents SKU.
Notre détaillant exploite 9 magasins en France sur le segment streetwear contemporain unisexe. L'équipe est petite et focalisée : une équipe achat de 2 personnes gérant environ 3 500 SKU en saison, sur un calendrier piloté par les drops.
La stack est standard pour le secteur — Polaris comme socle de gestion retail, Shopify pour l'e-commerce, et Excel comme liant entre le reste. Cela fonctionne. Jusqu'au moment où ce n'est plus le cas.
« Nous contournions l'IA plus que nous ne l'utilisions. À un moment, nous nous sommes demandé : à quoi bon ? »
— Responsable achats
Contexte
Une équipe qui voulait faire confiance à l'IA, mais n'y arrivait pas.
2024. Le détaillant streetwear utilisait un outil de prévision par IA depuis 18 mois. L'éditeur était crédible, le modèle était solide — sur le papier. En pratique, l'équipe invalidait 8 recommandations sur 10.
Le problème ne venait pas de la précision du modèle. C'est qu'il ne connaissait pas la réalité de la marque : drops très attendus, éditions limitées volontaires, fenêtres d'exclusivité côté fournisseurs, mise en scène en magasin, et arbitrage entre ruptures de stock, surstocks, démarque et réassort. Le modèle recommandait comme un détaillant générique. L'équipe pilotait comme une marque streetwear.
Le modèle avait raison en théorie. Il avait tort en pratique.
La problématique
L’IA avait raison en théorie et tort en pratique.
Le modèle du précédent fournisseur d’IA optimisait des résultats de manuel : maximiser le sell-through, minimiser les ruptures de stock, équilibrer la marge. Mais le streetwear n’est pas un manuel. Un drop est censé partir en totalité — c’est le principe. Un flagship store se voit attribuer un stock disproportionné à cause du brand theater. Une édition limitée est surcommandée volontairement, même si le modèle dit non.
Rien de tout cela n’était dans le modèle. L’équipe a donc contourné les recommandations en permanence, puis s’est demandé pourquoi elle payait une IA qui n’était pas capable de penser comme elle.
Trois écarts se sont cumulés :
Modèle entraîné sur des schémas retail génériques, aveugle aux mécaniques des marques streetwear.
Des recommandations sur des hype drops paraissaient naïves — « sell-out is the goal » absent de l’équation.
Un taux d’override de 80 % a érodé la confiance semaine après semaine.
L’équipe n’avait pas besoin d’un modèle plus intelligent. Elle avait besoin d’un modèle qui connaisse son métier.
La solution
Des recommandations calculées dans les contraintes réelles de l’équipe.
Solya a adopté un principe différent : les règles de la marque passent d’abord, le modèle ensuite. L’équipe achats a encodé sa réalité — mécaniques de drop, fenêtres d’exclusivité, règles d’inventaire du brand theater, objectifs de sell-out pilotés par la hype, arbitrages de surstocks, de réassort et de démarque — dans la couche de contraintes de Solya.
À partir de là, chaque recommandation respectait ce qui comptait réellement pour l’équipe. Le modèle n’était pas plus intelligent qu’avant. Il était aligné. Le taux d’override est passé de 80 % à 15 % en trois mois. L’équipe a arrêté de remettre l’IA en question — et a commencé à l’utiliser.
Contraintes spécifiques au streetwear encodées avec l’équipe — drops, brand theater, exclusivité.
Découverte pilotée par les overrides — chaque override mettait en évidence une règle manquante.
Recalibrage hebdomadaire — les règles étaient affinées à mesure que de nouveaux schémas émergaient.
La confiance n’a pas été revendiquée. Elle a été gagnée, override après override.
Comment nous avons procédé
Dans la boucle.
La boucle de construction de la confiance s’est déroulée sur l’Intelligence Layer, l’équipe achats apprenant à Solya ses vraies règles. Voici le fonctionnement du système, de bout en bout.
01 — Faire émerger les règles implicites.
L’équipe et Solya ont mené une série de sessions de revue des overrides. Chaque override révélait une règle implicite que le modèle précédent ne connaissait pas.
02 — Encoder chaque règle.
Chaque règle mise au jour a été intégrée dans la constraints layer de Solya : mécaniques de drop, fenêtres d’exclusivité, allocation au brand theater, objectifs de hype.
03 — Recalculer selon les nouvelles règles.
Solya a régénéré les recommandations avec les règles encodées en place. L’équipe a revu, accepté davantage, eu moins recours aux overrides.
04 — Suivre les schémas d’override.
Quand des overrides survenaient, Solya en consignait le schéma. Les overrides récurrents faisaient ressortir des règles encore manquantes ou mal calibrées.
05 — Itérer chaque semaine.
Chaque semaine, l’équipe passait en revue les schémas d’override avec Solya. Les règles étaient affinées, ajoutées, retirées. La confiance progressait de manière mesurable à chaque cycle.
La confiance n’a pas été revendiquée. Elle s’est gagnée, override après override.
Les impacts
Une IA enfin écoutée par l’équipe.
Après trois mois d’alignement règle par règle, le taux d’override a chuté fortement et l’équipe a intégré les recommandations de Solya dans sa routine quotidienne.
80% → 15% — Taux d’override en 3 mois.
100% — Des contraintes business respectées.
30+ — Nouvelles règles encodées avec l’équipe.
Confiance — Gagnée, override après override.
« Nous avons cessé de lutter contre l’IA. Parce que l’IA a cessé d’ignorer ce que nous savons. »
— Directeur achats
Découvrez d'autres cas d'usage
Une seule plateforme. Chaque décision retail.
Stocks, allocation, tarification, planification, exécution — réunis dans une seule couche opérationnelle.
