Depuis deux ans, tous les logiciels de gestion annoncent de l'intelligence artificielle. Les démonstrations sont impressionnantes, les promesses larges, et les dirigeants ressortent des rendez-vous sans savoir ce qui va concrètement changer dans leur semaine.
La question utile n'est pas « ce logiciel fait-il de l'IA ». Elle est : quelle décision, aujourd'hui prise à l'aveugle ou trop tard, sera prise mieux ou plus tôt ? Si la réponse n'existe pas, la fonctionnalité est un argument commercial, pas un outil.
Voici le tri, usage par usage.
Ce qui produit déjà un résultat mesurable
La prévision de la demande. C'est l'usage le plus mûr, et de loin. À partir de l'historique de ventes, de la saisonnalité et des tendances récentes, un modèle estime les quantités à venir par référence. Il ne remplace pas l'acheteur : il lui donne un point de départ chiffré au lieu d'une moyenne mentale. Le gain se mesure directement sur deux chiffres — moins de ruptures et moins de surstock, en même temps.
La condition est stricte : il faut au minimum douze à dix-huit mois d'historique propre. Sur un catalogue récent ou mal tenu, la prévision produit des nombres élégants et faux.
La détection d'anomalies. Un modèle apprend ce qui est normal dans vos données et signale ce qui ne l'est pas : une remise inhabituelle, un écart d'inventaire hors norme sur une famille, un mouvement de stock à une heure improbable, une commande dix fois supérieure à l'habitude d'un client. Cet usage fonctionne bien parce qu'il ne demande pas au modèle de prédire l'avenir, seulement de reconnaître un écart au passé. C'est beaucoup plus facile, et beaucoup plus fiable.
La recherche en langage naturel. Poser « quelles références n'ont pas bougé depuis trois mois dans le dépôt de Casablanca » et obtenir la liste, sans construire un filtre. Le gain n'est pas spectaculaire par requête, mais il ouvre l'analyse à des personnes qui ne l'auraient jamais faite autrement. C'est un usage sous-estimé.
La recommandation de produits associés. À partir des paniers réels, le système identifie ce qui s'achète ensemble et le propose au moment de la vente ou de la relance. Sur un catalogue large, l'effet sur le panier moyen est mesurable en quelques semaines.
Ce qui reste fragile ou marginal
La fixation automatique des prix. Techniquement possible, commercialement risquée. Le prix dépend de la relation client, de la concurrence locale et de la stratégie, dont la plupart ne sont pas dans vos données. Un modèle optimisera une marge court terme et abîmera une relation longue sans jamais s'en apercevoir.
La prévision sur historique court. Nouveau produit, nouveau magasin, marché qui change : il n'y a rien à apprendre. Un modèle produira quand même un chiffre — c'est ce qui le rend dangereux. Un chiffre issu de rien a l'air d'un chiffre issu de quelque chose.
Les assistants qui « pilotent l'entreprise ». Formulation qui devrait déclencher une question simple en démonstration : sur quelles données exactement, et que se passe-t-il quand la réponse est fausse ? Les réponses à ces deux questions séparent l'outil du discours.
La condition qui décide de tout
Aucun modèle ne compense des données incomplètes. C'est la seule règle qui ne souffre aucune exception.
Concrètement, une IA utile suppose que : les ventes sont enregistrées à la ligne et non en global, les références sont uniques et stables dans le temps, les mouvements de stock sont saisis au moment où ils ont lieu, et les retours, la casse et les avoirs sont tracés comme le reste.
Une entreprise qui tient déjà proprement ses données obtient un résultat en quelques semaines. Une entreprise dont la moitié des mouvements passe par un carnet n'obtiendra rien — quel que soit le modèle, quel que soit l'éditeur.
C'est une bonne nouvelle sous un angle inattendu : le travail à faire pour profiter de l'IA est exactement le travail qui améliore déjà la gestion sans elle. Il n'y a pas d'investissement perdu.
Les questions à poser en démonstration
- Sur quelles données de mon entreprise cette fonction s'appuie-t-elle, précisément ?
- Combien d'historique faut-il avant qu'elle soit fiable ?
- Puis-je voir pourquoi elle propose ce résultat, ou est-ce une boîte noire ?
- Que se passe-t-il quand elle se trompe — qui le voit, et quand ?
- Puis-je désactiver la fonction sans perdre le reste du logiciel ?
- Mes données servent-elles à entraîner un modèle partagé avec d'autres clients ?
La question 3 est déterminante en gestion. Une proposition de réapprovisionnement qu'on ne peut pas expliquer ne sera pas suivie par un acheteur expérimenté, et il aura raison de ne pas la suivre.
La question 6 mérite une réponse écrite dans le contrat, pas à l'oral.
Par où commencer
- Choisissez une seule décision que vous prenez régulièrement avec un mauvais niveau d'information — le plus souvent : quoi réapprovisionner, et en quelle quantité.
- Vérifiez que les données de cette décision sont propres sur les douze derniers mois. Si elles ne le sont pas, c'est le chantier à mener d'abord.
- Faites tourner la fonction en parallèle de votre méthode actuelle pendant un mois, sans rien changer à vos commandes.
- Comparez : sur les références où le modèle et l'acheteur divergeaient, qui avait raison ?
- N'étendez qu'après cette comparaison.
Cette étape 3 est la seule façon honnête de savoir si l'IA vous apporte quelque chose. Elle coûte un mois d'attention et évite des années de confiance mal placée.
Le rôle du logiciel
L'IA utile en gestion commerciale n'est pas celle qui décide à votre place. C'est celle qui vous fait remarquer, le mardi, ce que vous auriez découvert le mois suivant.
Dans G-stock, l'assistance porte sur la prévision de la demande par référence, les propositions de réapprovisionnement explicables ligne à ligne, la détection d'anomalies sur les ventes et les mouvements de stock, et la recherche en langage naturel dans vos propres données. Chaque proposition indique sur quoi elle se fonde, et reste soumise à validation.