IA dans le Retail : Vrais Cas d’Usage de Walmart, Carrefour, Amazon et des Distributeurs Français

Sommaire

• Introduction : le retail, terrain d’application le plus mature de l’IA agentique
• Walmart : négociation fournisseurs, stocks et logistique pilotés par agents
• Carrefour : premier retailer européen à vendre dans ChatGPT
• Amazon SCOT : déchiffrer une adresse écrite à la main dans une ruelle de Mumbai
• C.H. Robinson : 3 millions de tâches de fret traitées par des agents en un an
• Manutan et Point.P : la France n’est pas en reste
• Ce que disent les chiffres d’adoption : le retail français rattrape son retard
• Le commerce agentique : une rupture plus profonde que l’IA générative
• Ce que ces cas ont en commun : cinq leçons pour un Product Owner retail
• Conclusion : le retail n’expérimente plus, il opère
• FAQ
• Regard d’expert
• Passons à l’action
• Références

Introduction : le retail, terrain d’application le plus mature de l’IA agentique

Sur la plupart des sujets IA, 2026 se caractérise par un écart entre l’annonce et la preuve — des pilotes présentés comme des succès, sans mesure de valeur vérifiable derrière. Le retail fait figure d’exception notable. C’est le secteur où l’IA agentique — des agents qui n’assistent plus seulement, mais agissent directement sur les stocks, les prix, les commandes et la logistique — est passée de la démonstration technique à l’opération réelle, avec des résultats financiers publiés et vérifiables plutôt que des études de cas marketing.

Trois forces structurelles convergent pour faire du retail le terrain principal de l’IA agentique grand public en 2026 : des marges faibles qui rendent chaque point de précision d’inventaire ou de conversion immédiatement mesurable en résultat net, des volumes de transactions massifs qui permettent d’entraîner et de valider des agents à grande échelle, et une pression concurrentielle directe des pure players qui ont déjà industrialisé ces usages. Ces trois forces n’existent pas au même degré dans tous les secteurs — un cabinet de conseil ou une administration publique, par exemple, n’a ni les volumes de transactions ni la structure de marge qui rendent un déploiement agentique aussi immédiatement rentable — ce qui explique en partie pourquoi le retail sert aujourd’hui de laboratoire grandeur nature pour des pratiques que d’autres secteurs adopteront ensuite avec retard.

Cet article ne présente que des cas documentés avec des chiffres publics et vérifiables — pas des pilotes internes ni des promesses de feuille de route. C’est délibéré : dans un secteur saturé d’annonces IA, la différence entre un vrai déploiement et un exercice de communication se voit dans le niveau de détail des résultats publiés.

Cette approche répond aussi à une frustration légitime chez beaucoup de dirigeants et de Product Owners : la littérature IA regorge de statistiques macro (« X % des entreprises utilisent l’IA ») qui ne disent rien de ce qui fonctionne concrètement, et de démonstrations produit qui ne survivent jamais au passage en production. Les cas retail présentés ici ont un point commun rare — chacun est assorti d’un chiffre financier ou opérationnel suffisamment précis pour être contesté, vérifié, ou reproduit. C’est le niveau d’exigence qu’un cadrage projet devrait viser dès le départ, plutôt que de le découvrir après coup.

Walmart : négociation fournisseurs, stocks et logistique pilotés par agents

Walmart illustre le passage le plus abouti de l’IA générative à l’IA agentique dans le retail. L’entreprise déploie des agents autonomes sur trois fronts simultanés : la gestion des stocks, la négociation avec les fournisseurs, et la logistique. Ce ne sont pas des projets pilotes isolés — c’est une infrastructure d’agents intégrée aux opérations quotidiennes de l’un des plus grands réseaux de distribution au monde.

Sur la négociation fournisseurs, Walmart utilise depuis 2023 Pactum AI, déployé sur Google Vertex, pour négocier de manière autonome avec ses fournisseurs à faible volume d’achat (tail-spend) — une catégorie de fournisseurs traditionnellement trop coûteuse à négocier individuellement par des acheteurs humains. Le résultat : 15 minutes par accord négocié, avec des milliers de négociations menées en parallèle. C’est un cas d’usage qui n’aurait tout simplement pas existé avant l’IA agentique — pas une automatisation d’un processus humain existant, mais un nouveau processus rendu possible par la technologie.

Sur la gestion des stocks, les résultats financiers sont vérifiables par n’importe quel directeur financier : une précision de gestion des stocks pilotée par l’IA a permis à Walmart une croissance des ventes de 5 % pour une hausse des stocks de seulement 2,6 %. Ce ratio — plus de ventes avec proportionnellement moins de stock immobilisé — est exactement l’indicateur qu’un investisseur ou un comité de direction utiliserait pour juger un projet, contrairement aux métriques d’usage ou de satisfaction souvent mises en avant pour des pilotes moins matures.

Il vaut la peine de s’arrêter sur ce que ce ratio signifie concrètement pour un directeur des opérations. Une croissance des ventes supérieure à la croissance du stock veut dire que chaque euro immobilisé en stock génère davantage de chiffre d’affaires qu’auparavant — c’est un gain de rotation, pas seulement un gain de volume. C’est précisément le type d’indicateur que la direction financière d’une entreprise retail surveille en priorité, bien avant n’importe quelle métrique liée à l’IA elle-même. Le fait que Walmart communique ce chiffre en ces termes, plutôt qu’en nombre de décisions automatisées ou de temps gagné, est en soi un signal de maturité du déploiement.

Carrefour : premier retailer européen à vendre dans ChatGPT

En mars 2026, Carrefour est devenu le premier retailer européen à vendre directement dans ChatGPT, exploitant la base de 26 millions d’utilisateurs français de l’outil OpenAI. Ce mouvement s’inscrit dans une bascule plus large : selon le Boston Consulting Group, le shopping agentique pourrait représenter plus d’un quart des dépenses e-commerce mondiales d’ici quelques années.

Le contexte français rend ce mouvement d’autant plus significatif : 31 % des consommateurs français utilisent déjà l’intelligence artificielle pour leurs achats en ligne, selon des données de février 2026. Ce n’est plus un comportement marginal ou expérimental — c’est un segment de marché suffisamment large pour justifier un investissement direct de la part d’un des plus grands distributeurs alimentaires européens.

Ce cas illustre une dynamique différente de celle de Walmart : là où Walmart optimise ses opérations internes avec des agents, Carrefour redéfinit son canal de distribution en devenant directement adressable par les agents d’achat des consommateurs. Les deux mouvements, bien que très différents dans leur mécanique, répondent à la même logique de fond : l’IA agentique ne se contente plus d’assister les décisions, elle les exécute — que ce soit côté distributeur ou côté consommateur.

Amazon SCOT : déchiffrer une adresse écrite à la main dans une ruelle de Mumbai

Amazon décrit son système SCOT (Supply Chain Optimization Technology) comme le système nerveux central de ses opérations. Un cas d’usage précis illustre bien où l’IA générative apporte une valeur qu’aucun système à règles fixes ne pouvait produire auparavant : dans de nombreux pays, les adresses postales ne suivent pas un format standardisé. Certains lieux sont décrits de façon informelle — « troisième maison à droite après la grange », pour reprendre l’exemple donné par un porte-parole d’Amazon à propos de l’Inde et du Japon.

Grâce à l’IA générative, Amazon peut désormais dériver une localisation précise sur la carte à partir de ces adresses non standardisées — ce qui accélère concrètement la capacité des livreurs à trouver des emplacements spécifiques dans des zones urbaines denses ou des configurations d’adresses non conventionnelles. C’est un exemple révélateur du type de problème où l’IA générative excelle : un problème d’interprétation contextuelle et linguistique qu’aucune base de données structurée ne peut résoudre, parce que l’information elle-même n’a jamais été structurée à la source.

Walmart applique une logique similaire sur un autre terrain : son directeur produit a partagé publiquement que l’entreprise utilise l’IA générative pour synthétiser les avis produits et générer des résumés — un cas d’usage moins spectaculaire que la négociation autonome, mais qui illustre la même règle de fond : l’IA générative est la plus utile là où l’information existe déjà en abondance mais sous une forme trop désorganisée pour être exploitée directement par un système classique.

Cette règle mérite d’être formulée explicitement pour un Product Owner qui cherche à identifier ses propres cas d’usage : la question à poser n’est pas « où pouvons-nous utiliser l’IA » mais « où avons-nous déjà beaucoup d’information non structurée que personne n’a le temps de lire ou d’interpréter systématiquement ». Les avis clients, les adresses de livraison non standardisées, les tickets de support, les descriptions produit rédigées de façon hétérogène par différents fournisseurs — ce sont ces gisements de données non structurées, invisibles dans un tableau de bord classique, qui produisent le meilleur retour sur investissement pour un premier projet d’IA générative.

C.H. Robinson : 3 millions de tâches de fret traitées par des agents en un an

C.H. Robinson, l’un des plus grands courtiers en fret au monde, exploite un parc de plus de 30 agents IA qui ont traité plus de 3 millions de tâches d’expédition de fret en 2025, générant une hausse de productivité documentée de 30 %. C’est l’un des cas les mieux quantifiés du marché — un volume de tâches suffisamment large pour qu’un échantillon statistique solide vienne appuyer le chiffre de productivité annoncé, plutôt qu’une extrapolation à partir d’un pilote restreint.

Deloitte, dans son analyse de la chaîne d’approvisionnement agentique, souligne que ce type de déploiement n’a plus rien d’une vitrine d’innovation — ce sont des déploiements en contexte de production dont les résultats sont vérifiables par des directeurs financiers, exactement la même remarque que l’on peut faire sur le cas Walmart. Cette même analyse rappelle que Gartner prévoit que d’ici 2028, un tiers des applications logicielles d’entreprise intégreront de l’IA agentique, ce qui se traduira par 15 % des décisions opérationnelles quotidiennes prises de manière autonome.

Le passage de l’IA prédictive à l’IA générative, puis à l’IA agentique, suit une progression logique bien résumée par cette même analyse : l’IA prédictive a amélioré la qualité des décisions prises par des humains ; l’IA générative a accéléré la façon dont ces humains s’y préparaient ; l’IA agentique retire désormais certaines décisions du flux de traitement humain. Ce n’est pas une amélioration progressive des capacités — c’est un changement structurel dans le fonctionnement des opérations de la chaîne d’approvisionnement.

Ce point mérite d’être développé, car il clarifie une confusion fréquente sur le terrain : beaucoup de projets présentés comme de l’« IA agentique » ne sont en réalité que de l’automatisation classique enrichie d’un modèle de langage — un script qui suit toujours une logique déterministe, simplement avec une étape de génération de texte au milieu. Le vrai critère distinctif d’un déploiement agentique, tel qu’illustré par C.H. Robinson, est que l’agent évalue un contexte variable, choisit parmi plusieurs actions possibles, et ajuste sa décision en fonction du résultat obtenu — sans qu’un humain ait explicitement programmé chaque branche de décision à l’avance.

Manutan et Point.P : la France n’est pas en reste

Contrairement à une idée reçue, les cas d’usage documentés et chiffrés ne se limitent pas aux géants américains. Manutan, distributeur français de fournitures pour entreprises, a automatisé la génération de fiches produit pour 850 000 références, avec une réduction de 88 % du temps de traitement — un chiffre directement comparable, dans son ordre de grandeur d’impact opérationnel, aux cas Walmart ou C.H. Robinson.

Saint-Gobain Distribution Bâtiment France, via son enseigne Point.P, a déployé un moteur de recherche piloté par l’IA qui a généré 315 000 € de ventes supplémentaires dès le premier mois d’exploitation — un résultat immédiatement mesurable en chiffre d’affaires, sans période d’incubation prolongée avant de voir un impact.

Ces deux cas sont particulièrement utiles pour calibrer les attentes d’un dirigeant de PME ou d’ETI française : ils montrent qu’un cas d’usage bien ciblé — génération de fiches produit, recherche intelligente — peut produire un impact mesurable rapidement, sans nécessiter l’infrastructure d’un Walmart ou d’un Amazon. Le point commun avec les cas des géants internationaux n’est pas l’échelle, mais la méthode : un périmètre borné, un résultat quantifiable, et une mise en production réelle plutôt qu’un pilote qui traîne.

Il existe une raison structurelle à ce succès plus rapide sur des cas ciblés : un catalogue de 850 000 références chez Manutan ou un moteur de recherche chez Point.P sont des problèmes bien délimités, avec un point d’entrée et un point de sortie clairs, contrairement à un projet ambitieux de « transformation IA globale » qui touche simultanément plusieurs processus métier. La littérature sur l’échec des projets IA converge sur ce point depuis plusieurs années : un périmètre étroit et mesurable réussit plus souvent, et plus vite, qu’un périmètre large et ambitieux — une leçon que ces deux cas français illustrent avec une clarté particulière.

Ce que disent les chiffres d’adoption : le retail français rattrape son retard

Les données INSEE sur l’adoption de l’IA dans le commerce français montrent une dynamique claire : le taux d’adoption a doublé en un an, passant de 4 % en 2023 à 10 % en 2024, selon l’enquête TIC 2024 publiée en juillet 2025. Cette adoption reste toutefois très corrélée à la taille de l’entreprise : 9 % chez les entreprises de moins de 50 salariés, 15 % entre 50 et 249 salariés, et 33 % à partir de 250 salariés.

Au niveau mondial, une étude Capgemini révèle que 60 % des distributeurs ont désormais intégré des agents IA capables de gérer des opérations complexes — des outils qui ne se contentent plus d’assister mais agissent de manière proactive. Selon le rapport Predictions for the Digital Economy in 2026 de Sensor Tower, 80 % des entreprises prévoyaient d’ici la fin de l’année d’utiliser ces technologies pour la fixation dynamique des prix et la gestion des stocks en temps réel.

Cette dynamique se reflète également dans la bataille de visibilité que se livrent désormais les enseignes sur les moteurs d’IA générative eux-mêmes. Un baromètre lancé en septembre 2026 par LSA en partenariat avec Botrank.ai mesure pour la première fois la fréquence à laquelle les grandes enseignes de distribution alimentaire française sont recommandées par les IA génératives — Lidl apparaît par exemple dans 95,3 % des réponses générées sur la thématique prix, devançant E.Leclerc. C’est un signal fort : la bataille commerciale ne se joue plus seulement dans le rayon, mais aussi dans la réponse qu’un modèle de langage donne à un consommateur qui lui demande où trouver le meilleur prix.

Le commerce agentique : une rupture plus profonde que l’IA générative

Le commerce agentique — des agents IA qui recherchent, comparent et achètent au nom du consommateur, sans que celui-ci visite lui-même chaque site marchand — constitue une rupture distincte de la simple adoption de l’IA générative dans les opérations internes d’un distributeur. C’est un changement du point d’entrée même de la relation client.

Shopify a co-lancé l’Universal Cart Protocol (UCP) avec Google en janvier 2026, et a scellé un partenariat avec OpenAI permettant un « Instant Checkout » directement depuis ChatGPT. Pour les commerçants qui utilisent Shopify, cela représente l’opportunité d’apparaître dans les résultats de Search, de Gemini, de ChatGPT et de l’Universal Cart sans développement d’intégration sur mesure — un changement d’infrastructure qui touche potentiellement les 4,8 millions de marchands utilisant la plateforme.

Un exemple à plus petite échelle mais tout aussi révélateur : l’agent IA téléphonique Ringly.io équipe plus de 2 100 boutiques Shopify, avec un taux de résolution de 73 % — soit près de trois appels sur quatre traités sans intervention humaine. L’agent, surnommé Seth, répond aux appels entrants 24 heures sur 24, consulte les commandes Shopify en temps réel, traite les retours et répond aux questions produit. C’est un cas d’usage qui aurait semblé irréaliste il y a encore deux ans pour des commerçants de taille moyenne, faute de budget pour un centre d’appels professionnel — et qui devient aujourd’hui accessible à des structures bien plus petites que Walmart ou Carrefour.

Ce type de déploiement pose une question de fond différente de celle des cas Walmart ou C.H. Robinson : non plus « comment optimiser une opération interne massive », mais « comment un commerçant de taille modeste peut-il accéder aux mêmes gains de productivité sans disposer des ressources d’ingénierie d’un géant du retail ». La réponse tient largement dans la maturité croissante des plateformes elles-mêmes — Shopify, dans ce cas précis — qui absorbent la complexité technique et rendent ces capacités accessibles via un abonnement plutôt qu’un projet de développement sur mesure.

Ce que ces cas ont en commun : cinq leçons pour un Product Owner retail

Au-delà de leur diversité d’échelle et de secteur, ces cas partagent des caractéristiques structurelles qui méritent d’être extraites pour quiconque cadre un projet IA dans le retail :

1. Un résultat financier vérifiable, pas une métrique d’usage. Walmart (5 % de ventes en plus pour 2,6 % de stock en plus), C.H. Robinson (30 % de productivité), Manutan (88 % de temps en moins), Point.P (315 000 € le premier mois) — chaque cas cité s’exprime en un indicateur qu’un directeur financier reconnaît immédiatement, pas en un taux de satisfaction utilisateur ou un nombre de requêtes traitées.
2. Un cas d’usage qui n’existait pas avant l’IA, pas une automatisation d’un processus existant. La négociation Pactum AI de Walmart sur le tail-spend n’automatise pas un processus humain préexistant — elle rend possible une négociation qui n’était économiquement pas viable à mener manuellement. C’est un signal fort de valeur réelle, distinct d’une simple substitution de coût.
3. Une échelle de volume suffisante pour que le chiffre soit statistiquement solide. 3 millions de tâches chez C.H. Robinson, 850 000 références chez Manutan — ces volumes distinguent un vrai déploiement en production d’un pilote dont le chiffre de productivité repose sur un échantillon trop restreint pour être fiable.
4. Une clarté sur qui décide et qui agit. Dans chaque cas, la frontière entre ce que l’agent exécute seul et ce qui reste sous supervision humaine est implicitement claire dans la description du cas d’usage — la négociation tail-spend de Walmart reste dans un périmètre à faible risque, l’agent téléphonique Ringly.io escalade manifestement les cas complexes.
5. Une France qui n’a pas besoin d’attendre les moyens d’un Walmart pour produire un résultat mesurable. Manutan et Point.P démontrent qu’un cas d’usage bien borné — génération de contenu produit, recherche intelligente — produit un ROI rapide sans l’infrastructure massive des géants américains.

Conclusion : le retail n’expérimente plus, il opère

Le point commun entre Walmart, Carrefour, C.H. Robinson, Manutan et Point.P n’est pas la taille de l’entreprise ni le montant investi — c’est le passage de l’expérimentation à l’opération réelle, mesurée avec les mêmes indicateurs que n’importe quel autre investissement d’entreprise. C’est précisément ce qui distingue le retail de nombreux autres secteurs où l’IA reste encore majoritairement au stade du pilote non concluant.

Pour un Product Owner ou un dirigeant qui envisage un projet IA dans le retail ou la distribution, la leçon la plus utile de ces cas n’est pas la technologie employée — elle varie d’un cas à l’autre — mais la discipline de cadrage commune : un cas d’usage borné, un résultat financier mesurable, et une échelle de déploiement suffisante pour que le chiffre annoncé résiste à l’examen d’un comité de direction.

Cette discipline n’est pas propre au retail — elle s’applique à peu près identiquement à n’importe quel secteur qui cherche à tirer une vraie valeur de l’IA. Mais le retail offre un terrain d’observation particulièrement instructif parce que ses cycles de vente, ses marges et ses indicateurs de performance sont suffisamment courts et mesurables pour qu’un mauvais cadrage se révèle rapidement — contrairement à des secteurs où l’impact d’un projet IA ne se mesure qu’après plusieurs trimestres, voire plusieurs années.

FAQ

Faut-il l’échelle d’un Walmart pour obtenir un ROI mesurable avec l’IA dans le retail ?
Non. Les cas de Manutan (-88 % de temps de traitement) et Point.P (+315 000 € de ventes au premier mois) montrent qu’un cas d’usage bien borné produit un ROI rapide, à une échelle bien plus modeste que les géants internationaux.

Quelle est la différence entre l’IA générative et l’IA agentique dans les cas retail présentés ?
L’IA générative assiste — elle déchiffre une adresse (Amazon), résume des avis (Walmart) ; l’IA agentique agit directement — elle négocie un contrat fournisseur (Walmart/Pactum AI) ou gère un appel client de bout en bout (Ringly.io) sans validation humaine systématique.

Le commerce agentique concerne-t-il uniquement les grands distributeurs ?
Non. L’Universal Cart Protocol de Shopify et le partenariat OpenAI touchent potentiellement les 4,8 millions de marchands de la plateforme, bien au-delà des seuls grands comptes comme Carrefour.

Quel est le taux d’adoption réel de l’IA dans le commerce français ?
Selon l’INSEE, il a doublé en un an (4 % en 2023 à 10 % en 2024), avec une forte corrélation à la taille de l’entreprise : 9 % pour les moins de 50 salariés, 33 % à partir de 250 salariés.

Regard d’expert

Ce qui distingue ces cas retail des pilotes IA que je vois échouer ailleurs, c’est la précision du périmètre choisi au départ. Walmart n’a pas demandé à un agent de « gérer les achats » — il l’a affecté spécifiquement au tail-spend, un segment de fournisseurs jusque-là trop coûteux à traiter manuellement. Manutan n’a pas demandé à l’IA de « transformer le catalogue » — elle a ciblé la génération de fiches produit sur un périmètre défini. Cette discipline de cadrage étroit, plutôt que l’ambition d’un déploiement transversal d’emblée, est exactement ce qui sépare un cas d’usage qui produit un chiffre vérifiable d’un pilote qui reste indéfiniment en phase de preuve de concept.

Un point que je souligne systématiquement dans mes missions de cadrage retail : la tentation la plus fréquente est de vouloir démarrer par le cas d’usage le plus visible ou le plus impressionnant en interne — souvent lié à l’expérience client directe — plutôt que par celui qui offre le meilleur ratio effort/résultat mesurable. Les cas les mieux documentés dans cet article, à l’exception notable de Carrefour, concernent presque tous des opérations internes peu visibles du grand public : négociation fournisseurs, gestion de stock, traitement de fiches produit. C’est un signal utile sur où chercher en priorité un premier cas d’usage à fort ROI.

Passons à l’action

Vous pilotez une transformation retail ou distribution et cherchez à identifier un cas d’usage IA à impact mesurable plutôt qu’un pilote de plus qui ne débouche sur rien ? Le cadrage précis d’un périmètre borné, à l’image des cas Manutan ou Point.P, fait souvent la différence entre un chiffre vérifiable et une expérimentation qui s’éternise. Discutons de votre contexte opérationnel retail.

Références

• SAP — Agentic AI in Global Supply Chain (cas Walmart)
• Deloitte Canada — La chaîne d’approvisionnement agentique (cas C.H. Robinson, Walmart)
• Proactive Academy — Agent IA pour les achats et la supply chain (Pactum AI, Walmart tail-spend)
• AI to ROI Substack — Walmart’s Autonomous Procurement Agent Case Study
• Proactive Academy — Agents IA dans le retail et l’e-commerce : 7 cas concrets et la guerre des standards en 2026 (Carrefour, Shopify UCP, Ringly.io)
• WWD Sourcing Journal — Amazon v. Walmart: Two Industry Behemoths Battle Over AI (SCOT, adresses non standardisées)
• Les Clés du Digital — L’intelligence artificielle générative recompose la décision d’achat
• LSA / Botrank.ai — Baromètre de visibilité IA de la grande distribution, septembre 2026
• Nymphar.AI — IA dans le retail et la distribution : guide opérationnel PME/ETI françaises (cas Manutan, Point.P, données INSEE)
• INSEE — Insee Première n°2061, juillet 2025, enquête TIC 2024
• Ecommercemag.fr — E-commerce 2026 : un marché porté par l’IA, le retail media et la seconde main (données Capgemini, Sensor Tower)
• Ecommercemag.fr — Les Benchmarks du E-commerce 2026 : Les solutions d’IA appliquée au e-commerce