En 2026, le commerce de détail et le e-commerce comptent parmi les secteurs de l'économie les plus saturés d'IA. Les moteurs de personnalisation orientent la majeure partie de la découverte de produits ; la tarification dynamique optimise les marges en temps réel ; les systèmes de recommandation déterminent ce que voient les clients ; l'IA de détection de la fraude filtre les transactions ; l'IA de chaîne d'approvisionnement optimise la logistique et les stocks. Chacune de ces capacités se situe à la croisée du droit de la protection des consommateurs (ACCC, FTC, CMA, protection des consommateurs de la Commission européenne), de la réglementation sur la protection des données (RGPD, Privacy Act, CCPA) et du droit de la concurrence. Le cadre réglementaire qui régit l'IA dans le commerce de détail est plus fragmenté que celui des services financiers ou de la santé, mais tout aussi exigeant. Ce guide couvre les cas d'usage, le paysage réglementaire et le modèle opérationnel de la gouvernance de l'IA dans le commerce de détail.

1. Personnalisation

L'IA de personnalisation est le cas d'usage le plus courant de l'IA dans le commerce de détail et le plus sensible du point de vue de la protection des données. Les moteurs de recommandation, le classement personnalisé des résultats de recherche, les e-mails et notifications push personnalisés, les affichages de prix personnalisés et les programmes de fidélité personnalisés dépendent tous du traitement des données clients, de l'historique d'achat, du comportement de navigation, des données démographiques, de la localisation, des caractéristiques des appareils et, souvent, d'attributs sensibles inférés (centres d'intérêt en matière de santé, situation financière, composition du foyer). Les considérations de gouvernance : le consentement, en particulier pour la personnalisation fondée sur le suivi ; la minimisation des données, c'est-à-dire l'utilisation du minimum de données nécessaire ; la transparence, c'est-à-dire l'explication aux clients du fonctionnement de la personnalisation ; le droit de refus, à savoir la possibilité réelle pour le client de refuser la personnalisation fondée sur le profilage, exigée par l'article 22 du RGPD, par le DSA pour les VLOP et, de plus en plus, par les lois de protection des données des États américains. La catégorie à haut risque de l'AI Act européen ne couvre généralement pas la personnalisation marketing, mais les obligations de transparence de l'AI Act relatives à la reconnaissance des émotions et à la catégorisation biométrique s'appliquent lorsque l'IA du commerce de détail recourt à ces techniques.

2. Tarification dynamique

L'IA de tarification dynamique est le cas d'usage de l'IA dans le commerce de détail le plus sensible sur le plan juridique. Un consensus se dégage progressivement parmi les autorités de la concurrence : une tarification algorithmique qui produit des résultats coordonnés constitue une préoccupation concurrentielle, qu'il y ait eu ou non une coordination humaine explicite. L'ACCC a mené plusieurs enquêtes ; le DOJ américain a été actif en particulier sur les marchés de la location résidentielle (affaires RealPage) ; la Commission européenne a publié des orientations et le règlement sur les marchés numériques (DMA) traite de questions connexes. Les questions auxquelles les détaillants doivent répondre : notre IA de tarification utilise-t-elle des données de prix des concurrents ? Converge-t-elle avec les prix des concurrents selon des schémas pouvant être interprétés comme une coordination ? Sommes-nous en mesure d'expliquer comment les décisions de prix sont prises ? La tarification personnalisée (des clients différents voyant des prix différents pour un même produit) comporte un risque supplémentaire en matière de protection des consommateurs, l'ACCC, la FTC et la CMA ont toutes exprimé des préoccupations à ce sujet. L'interdiction des pratiques trompeuses de l'Australian Consumer Law s'applique. Le DSA impose aux VLOP de divulguer le recours à la tarification personnalisée.

3. Systèmes de recommandation et le DSA

Le règlement européen sur les services numériques (DSA) crée des obligations spécifiques pour les systèmes de recommandation. Les très grandes plateformes en ligne (VLOP), c'est-à-dire celles comptant plus de 45 millions d'utilisateurs dans l'UE, doivent réaliser des évaluations des risques portant sur les systèmes de recommandation, proposer des alternatives non fondées sur le profilage et assurer la transparence sur le fonctionnement des recommandations. L'article 27 impose aux plateformes de divulguer les principaux paramètres utilisés pour la recommandation. L'article 38 impose aux VLOP de proposer au moins une option non fondée sur le profilage. La Commission a désigné plusieurs VLOP dans des catégories proches du commerce de détail (Amazon, AliExpress, Booking.com, Temu, Shein). Les détaillants non qualifiés de VLOP opérant dans l'UE devraient néanmoins considérer l'approche du DSA comme un cadre utile, même lorsqu'ils n'y sont pas directement soumis.

4. Détection de la fraude et protection des consommateurs

L'IA de détection de la fraude doit concilier précision et protection des consommateurs. Les faux positifs, à savoir des clients légitimes empêchés de finaliser leurs transactions ou dont les comptes sont suspendus, créent à la fois une perte financière et un risque de réputation. Considérations de gouvernance spécifiques : des tests de biais et d'équité entre groupes démographiques (des schémas documentés de taux de faux positifs plus élevés touchant certains groupes ont attiré l'attention des régulateurs) ; des mécanismes d'appel et de révision pour les clients dont les transactions sont bloquées ; la transparence sur les raisons du blocage d'une transaction (lorsque cela peut se faire sans compromettre l'efficacité de la détection de la fraude) ; les considérations relatives à l'article 22 du RGPD lorsque les décisions de fraude sont substantiellement automatisées. L'obligation de transparence sur les décisions automatisées (ADM) de l'Australian Privacy Act (10 décembre 2026) s'applique aux décisions de fraude substantiellement automatisées affectant les clients.

5. IA de la chaîne d'approvisionnement et des opérations

La prévision de la demande, l'optimisation des stocks, l'acheminement logistique et l'évaluation des risques fournisseurs par l'IA présentent généralement un risque direct plus faible vis-à-vis des clients, mais soulèvent des considérations de gouvernance spécifiques. IA de risque fournisseur : comment le scoring des fournisseurs est-il réalisé, quels biais peuvent être présents, quel recours les fournisseurs concernés ont-ils ? IA logistique : implications en matière de surveillance des travailleurs (lorsque l'IA logistique dirige le comportement des travailleurs), considérations de sécurité pour les systèmes autonomes en entrepôt, implications au regard du RGPD et de la Privacy Act pour toute IA traitant des données de travailleurs. Prévision de la demande : risque direct plus faible, mais sensibilité commerciale liée à la précision de l'IA et à son rôle dans les décisions en aval.

Le modèle opérationnel de l'IA dans le commerce de détail

Un modèle opérationnel défendable pour l'IA dans le commerce de détail comprend : un inventaire de l'IA couvrant la personnalisation, la tarification, les recommandations, la fraude et la chaîne d'approvisionnement ; un registre de l'IA orientée client avec une transparence appropriée ; une intégration au programme de protection des données, comprenant une AIPD (analyse d'impact relative à la protection des données) pour les cas d'usage d'IA à haut risque, la gestion du consentement et les droits des personnes concernées ; une évaluation au regard du droit de la concurrence pour l'IA de tarification ; des tests de biais et d'équité, en particulier pour la fraude et la personnalisation ; la conformité au DSA pour les VLOP et un cadre utile pour les autres ; des processus de service client et de gestion des réclamations capables de traiter les plaintes liées à l'IA ; une réponse aux incidents liés à l'IA.

Ressources tierces utiles

À lire également sur AIRiskAware

À lire également