Cas concrets · Le 8 heures IA

Prévision de la demande : Decathlon gagne 15 points pour 0,03 $ par semaine

Publié le 30 août 2026 · Brice Di Gangi · Lecture 4 min

Decathlon prévoit chaque semaine la demande de dizaines de milliers de produits sur plusieurs continents. Avec un modèle d'IA récent, la précision grimpe et le coût de calcul devient dérisoire. Voici le mécanisme, et ce qu'un dirigeant français peut en retirer.

Combien de produits allez-vous vendre la semaine prochaine ? La question paraît banale. Elle décide pourtant de vos commandes, de vos stocks et de votre trésorerie. Le 28 août 2026, le blog Machine Learning d'AWS a détaillé comment Decathlon a confié cette question à une ia de prévision de la demande, avec des résultats qui parlent à toute entreprise qui gère des stocks.

Ce que Decathlon a mis en place

Decathlon prévoit chaque semaine la demande de dizaines de milliers de références, sur plusieurs continents. Un casse-tête classique du commerce : trop commander gèle de l'argent en stock, pas assez crée des ruptures et des ventes perdues.

Selon AWS (28 août 2026), l'enseigne a déployé un modèle de prévision de dernière génération, appelé Chronos-2, sur son infrastructure cloud. Le modèle apprend les rythmes de vente passés, les saisons, les effets d'un produit sur l'autre, puis projette la semaine suivante.

La précision a un prix, et il est minuscule

Deux chiffres méritent d'être retenus. La précision des prévisions a progressé, et le coût de calcul est devenu presque symbolique.

Ce deuxième chiffre change la donne. Longtemps, ce type de calcul supposait du matériel coûteux et des experts dédiés. Ici, la prévision tourne sur des machines ordinaires, pour le prix d'un café partagé en mille.

Mieux prévoir ses ventes n'est plus une affaire de gros budget informatique, mais de données de vente propres et d'une décision à prendre.

Pourquoi ces points de précision comptent en euros

Un point de précision en plus, ce n'est pas de la statistique pour statisticiens. C'est moins de rayons vides le samedi, moins de cartons qui dorment en réserve, moins de démarques en fin de saison.

Pour une PME, le raisonnement est le même à petite échelle. Un artisan qui prévoit mal ses matières premières immobilise sa trésorerie ou refuse des commandes. Un commerçant qui surstocke solde à perte. La prévision fine attaque directement ces pertes.

Le rôle de l'humain ne disparaît pas

Un modèle de prévision ne remplace pas l'acheteur ni le responsable de rayon. Il prépare le travail. La machine sort une proposition chiffrée pour des milliers de références, l'humain arbitre les cas qu'elle ne connaît pas : une promotion inhabituelle, une météo exceptionnelle, un événement local.

C'est exactement le déplacement utile. Le temps passé à deviner une commande dans un tableur revient à l'analyse et à la décision. La routine part à la machine, le jugement reste à l'humain.

La condition invisible : vos données

Rien de tout cela ne fonctionne sans un historique de ventes fiable. Le même 28 août 2026, AWS a d'ailleurs annoncé des outils pour mieux organiser et retrouver ces données d'entreprise. C'est le socle : dates, quantités, références, cohérence dans le temps.

Beaucoup de PME françaises ont ces données éparpillées entre une caisse, un tableur et un logiciel de gestion. Le premier chantier n'est pas d'acheter une IA, c'est de rassembler proprement ce que vous vendez déjà.

Et dans votre entreprise ?

• Rassemblez douze à vingt-quatre mois d'historique de ventes par référence, dans un format propre et daté. C'est le carburant de toute prévision.
• Choisissez un périmètre test : une famille de produits, un point de vente. Comparez la prévision de l'outil à votre méthode actuelle pendant quelques semaines avant de généraliser.
• Décidez qui garde la main. La prévision propose, une personne valide les commandes et traite les exceptions. Écrivez cette règle noir sur blanc.

Prévoir mieux pour trois centimes de calcul n'est plus un privilège de grand groupe. La question n'est plus de savoir si c'est possible, mais si vos données sont prêtes.