Les retours coûtent 849 milliards de dollars au commerce de détail américain. La plupart des IA censées sauver la mode s'attaquent au mauvais problème.

Il y a quelques années, j'avais une démo de prise de mesures corporelles qui fonctionnait à merveille. Un client se tient contre un mur, prend deux photos avec un téléphone, et quelques secondes plus tard nous lui renvoyons des dizaines de mesures corporelles précises à un ou deux centimètres près. Dans nos bureaux, avec un bon éclairage et un mur nu, c'était troublant. Je me souviens avoir regardé les chiffres revenir en me disant que nous y étions.

Puis nous l'avons testée dans de vraies chambres. Des arrière-plans encombrés, une lampe sur le côté, un client en sweat à capuche ample, le téléphone tenu selon un angle fatigué après une longue journée. Le même pipeline qui atteignait un à deux centimètres en laboratoire dérivait à trois à cinq centimètres en conditions réelles. Pour un système de taille, cet écart change tout. Trois centimètres à la taille, c'est la différence entre une taille qui va et une taille qui revient.

Ce mois-là — à regarder une précision de niveau démo s'effondrer au contact de vrais clients — c'est là que j'ai cessé de croire à une quelconque solution miracle unique pour les retours dans la mode. Il m'a appris ce dont parle tout cet essai : le problème de l'ajustement est mécanique, pas visuel, et il n'a pas de solution unique. C'est aussi le principe derrière le système de prédiction d'ajustement par IA que nous concevons désormais chez Veriprajna.

Le chiffre le plus coûteux du commerce de détail

Commençons par le chiffre qui devrait empêcher tout opérateur d'e-commerce de dormir : les retours du commerce de détail aux États-Unis ont totalisé 849,9 milliards de dollars en 2025 (National Retail Federation). La mode est de loin la pire catégorie — les taux de retour du prêt-à-porter s'élèvent de 26 à 40 pour cent, contre une moyenne e-commerce d'environ 20,8 pour cent.

Et c'est presque toujours le même échec. La taille, l'ajustement et la couleur sont à l'origine d'environ 45 pour cent de tous les retours, et au sein du prêt-à-porter en particulier, 53 à 70 pour cent des retours sont liés à l'ajustement. Soixante-dix pour cent des acheteurs de mode en ligne affirment que l'impossibilité d'essayer un article est leur plus grande inquiétude avant l'achat. Ils ont raison de s'inquiéter.

L'e-commerce de mode perd plus d'argent à cause des retours qu'à cause du marketing, de la logistique ou de la fraude réunis. La cause profonde n'est presque jamais une erreur du client. C'est que le vêtement n'allait pas.

L'équation économique empire à mesure qu'on l'examine de près. Le traitement d'un seul retour coûte entre 10 et 65 dollars, et dans certains cas absorbe jusqu'à 65 pour cent du prix d'origine de l'article. Une marque peut donc « vendre » un haut à 40 dollars, encaisser les frais d'expédition aller, encaisser les frais de retour, encaisser l'inspection et le réemballage, et se retrouver en perte sur une transaction qu'elle comptait comme un revenu. La fraude au retour à elle seule coûte aux détaillants plus de 100 milliards de dollars par an, en plus de tout cela.

La plupart des équipes avec qui je parle tentent de résoudre cela avec un guide des tailles et, depuis peu, un essayage virtuel élégant. Je vais vous expliquer pourquoi ces deux approches visent la mauvaise cible.

Pourquoi un guide des tailles n'a-t-il jamais pu résoudre cela ?

Un guide des tailles demande à quatre chiffres unidimensionnels — poitrine, taille, hanches, entrejambe — de décrire une surface tridimensionnelle. C'est le péché originel. Cela n'allait jamais être une information suffisante.

Cela empire parce que l'industrie n'a aucun système de gradation standardisé. Un « Medium » chez une marque correspond à une géométrie corporelle complètement différente d'un « Medium » chez une autre. J'ai vu les données : le tour de taille d'un 38 femme peut varier de cinq pouces d'une marque à l'autre. Quatre-vingt-onze pour cent des acheteurs ont besoin d'une taille différente selon la marque qu'ils achètent. Le vanity sizing aggrave délibérément la situation — les marques modifient discrètement leurs étiquettes pour flatter les gens, ce qui rend la comparaison entre marques essentiellement dénuée de sens.

Alors les acheteurs font la seule chose rationnelle. Ils commandent par lot. Soixante-trois pour cent des acheteurs en ligne commandent désormais plusieurs tailles du même article en ayant l'intention de tout retourner sauf un — et chez la génération Z, ce chiffre atteint 51 pour cent. La seule incertitude sur la taille est à l'origine d'environ 42 pour cent de ce comportement.

Le bracketing est une catastrophe silencieuse pour un détaillant. Il double vos frais d'expédition aller, immobilise les stocks pendant le cycle de retour, et garantit qu'au moins la moitié de ce que vous expédiez revient tout droit. Le client n'est pas difficile. Il a correctement conclu que votre guide des tailles n'est pas fiable, alors il a transformé son propre salon en cabine d'essayage, à vos frais.

Le piège dans lequel j'ai failli tomber

Après que notre pipeline de mesure a trébuché, le conseil qu'on me répétait était une variante de « ajoutez simplement un essayage virtuel ». L'IA générative l'avait rendu bon marché et magnifique — Google a déployé l'essayage virtuel Shopping aux États-Unis, au Royaume-Uni et en Inde ; Zalando a lancé un pilote avec Levi's sur quatorze marchés européens. Les images que produisent ces systèmes sont réellement magnifiques. Pendant un temps, j'ai été tenté de croire qu'une belle image était la réponse.

Elle ne l'est pas, et comprendre pourquoi est la clé de voûte de toute cette activité.

L'essayage virtuel génératif fonctionne en prédisant des pixels statistiquement probables — il peint une image photoréaliste d'un vêtement sur votre corps. Mais il n'a aucune idée de savoir s'il vous montre une taille M ou une taille L. Il ne peut pas vous dire que la hanche est trop étroite de deux centimètres pour la limite d'élasticité du tissu. Le modèle de diffusion ne sait pas s'il drape un ponte extensible dans quatre directions ou un denim brut à lisière de 400 grammes sans aucune élasticité. C'est un rendu, pas une mesure.

Un essayage virtuel rend la supposition convaincante. Il ne rend pas la supposition correcte.

Et les données le confirment de manière inconfortable. L'essayage génératif augmente de façon démontrable la conversion et l'engagement — les gens adorent jouer avec. Mais il n'existe aucune preuve publiée qu'un essayage uniquement fondé sur l'IA générative réduise réellement les retours liés à l'ajustement. Pire, ces modèles portent un biais d'amincissement : ils tendent à rendre le vêtement plus flatteur que la réalité, ce qui peut accroître l'écart entre l'attente et le colis qui arrive. Vous pouvez augmenter la conversion et augmenter les retours en même temps. J'ai vu des équipes célébrer le premier chiffre sans jamais le relier au second.

La paire de jeans qui explique tout

Rendons cela concret avec le cas qui a fini par tout m'éclaircir — le denim, la catégorie qui génère le plus de retours de tout le prêt-à-porter, entre 20 et 25 pour cent.

Imaginez une acheteuse qui achète un jean haut de gamme. Elle mesure son tour de taille, correspond parfaitement au guide des tailles à 71 centimètres, et commande une taille 28. Le jean arrive. La taille va exactement comme promis. Mais la cuisse serre dès qu'elle s'assoit, parce que le denim brut de 400 grammes n'a aucune élasticité et que le guide des tailles n'a jamais comporté de mesure de cuisse. L'essayage virtuel génératif, quant à lui, lui avait montré une image flatteuse d'un jean qui avait fière allure en position debout.

Aucun des deux outils n'a saisi la physique réelle : la rigidité en traction de ce tissu signifie qu'il ne peut pas combler la différence entre la géométrie de la hanche debout et la géométrie de la hanche assise. Le tissu allait toujours perdre ce combat, et aucune photographie améliorée ne l'aurait avertie.

C'est ce que je veux dire par mécanique. Une approche fondée sur la physique simule le vêtement comme un objet matériel. Elle connaît la rigidité en flexion du tissu — comment il drape — sa rigidité en traction — comment il s'étire — et son comportement en cisaillement — comment il épouse une courbe. Elle drape le patron numérique sur un maillage corporel 3D et calcule la contrainte en chaque point. Une contrainte élevée à la cuisse apparaît comme une zone rouge sur le maillage avant qu'une seule unité ne soit expédiée. Ce n'est pas une supposition fondée sur ce qu'ont vécu d'autres acheteurs. C'est un calcul sur le tissu réel et le corps réel.

Quand vous avez fixé une carte thermique de contrainte rougeoyant exactement là où un code motif de retour dirait plus tard « trop serré à la cuisse », vous cessez de penser à l'ajustement comme à un problème de recommandation pour commencer à y penser comme à un problème d'ingénierie.

Alors pourquoi tout le monde ne simule-t-il pas simplement ?

Parce que la simulation physique est coûteuse, longue à mettre en place, et ne porte ses fruits que si vous disposez des données à lui fournir. C'est la partie que les fournisseurs esquivent, et c'est celle qui compte le plus quand vous dépensez de l'argent réel.

Il existe, honnêtement, quatre familles différentes de technologies d'ajustement, et la raison pour laquelle aucune d'elles n'est « la réponse » est que chacune résout une part différente du problème.

La moins coûteuse à déployer est la recommandation statistique de taille — True Fit, Bold Metrics, Fit Analytics. Elles associent un acheteur à une taille en utilisant l'historique d'achat, les données de retour et le filtrage collaboratif sur d'énormes réseaux de marques. True Fit à elle seule s'appuie sur vingt ans de données couvrant 616 milliards de dollars de transactions et plus de 91 000 marques, et en mars 2026 elle a lancé un agent d'achat agentique qui expose son intelligence d'ajustement aux assistants IA. Bold Metrics s'est associée à Gap sur un protocole de dimensionnement agentique et revendique une réduction des retours d'environ 34 pour cent. Le compromis est que ce sont des boîtes noires : elles vous disent quelle taille, jamais pourquoi, et elles peinent sur les produits tout neufs où il n'existe pas encore de données comportementales.

La famille dans laquelle j'ai personnellement travaillé était la prise de mesures corporelles fondée sur la photo. YourFit de 3DLOOK extrait 86 points de mesure à partir d'une ou deux photos de smartphone ; dans une étude de six mois avec une marque de maillots de bain, il a rapporté un taux de retour inférieur de 47 pour cent et a réduit les retours liés au bracketing à 2 pour cent. Mais le compromis est exactement celui qui m'a mordu — la précision se dégrade en dehors de conditions contrôlées, il demande à l'acheteur de faire un effort, et les modèles corporels sous-jacents penchent vers les morphologies « moyennes ». Et puis il y a la confidentialité, sur laquelle je reviendrai.

L'essayage virtuel génératif est la troisième famille — magnifique, favorable à la conversion et aveugle à l'ajustement, pour toutes les raisons évoquées ci-dessus.

La seule famille qui raisonne réellement sur le tissu est la simulation fondée sur la physique : CLO3D (utilisé par plus de 860 entreprises), Style3D, et de nouveaux entrants exécutant une simulation de tissu par éléments finis sur un maillage corporel 3D. Perfitly, qui combine un avatar 3D avec un drapé complet du tissu, a rapporté avoir fait passer les retours d'une marque partenaire de 28 pour cent à environ 10 pour cent. Le hic, c'est que cela ne fonctionne que si vous disposez déjà de patrons numérisés et de données sur les tissus, ce qui est donc réaliste surtout pour les marques dotées de flux de travail de conception 3D matures.

Il n'existe pas de meilleure technologie d'ajustement. Il n'existe que la bonne pour votre nombre de références, votre maturité des données et la forme spécifique de vos retours.

Une marque disposant d'un catalogue de fast-fashion de 50 000 références et sans patrons 3D ne devrait pas acheter de simulation physique ; la recommandation statistique fera bouger les choses plus vite et à moindre coût. Une marque de denim haut de gamme dotée de patrons numérisés et d'un problème d'ajustement de cuisse brutal laisse de l'argent sur la table si elle ne simule pas. L'erreur est de traiter ces approches comme des concurrentes plutôt que comme des outils différents pour des équations économiques différentes.

La fonctionnalité que mon propre avocat a tuée

Personne ne met cette partie dans le dossier commercial. Le jour où nous étions prêts à livrer la fonctionnalité de scan corporel, elle s'est heurtée à un mur que je n'avais pas pris assez au sérieux : la loi sur la confidentialité biométrique.

Selon le RGPD, un scan corporel 3D constitue une donnée biométrique de « catégorie particulière » — le niveau le plus lourdement protégé qui soit. Dans l'Illinois, la loi BIPA impose des règles strictes sur la collecte, le stockage et le partage de ce type précis de données, avec de vraies sanctions, et de plus en plus d'États américains étendent des lois similaires chaque année. J'ai vu apparaître un écran de flux de consentement qui bloquait de fait notre fonctionnalité la plus impressionnante pour une partie du pays, jusqu'à ce que nous repensions son fonctionnement.

Cette refonte s'est avérée être une fonctionnalité, pas un défaut. La réponse est le traitement sur l'appareil — effectuer les calculs de mesure sur le téléphone de l'acheteur et ne jamais laisser le scan brut le quitter. C'est désormais le standard « confidentialité d'abord » qui émerge, et il se trouve que c'est aussi ce qui met les acheteurs suffisamment à l'aise pour utiliser réellement l'outil. Mais il faut le concevoir en ce sens dès le départ. Greffez un scanner corporel sur un site de mode sans penser à la BIPA, et vous n'avez pas construit un outil d'ajustement ; vous avez construit un recours collectif assorti d'un bouton d'essayage.

La prédiction d'ajustement par IA est-elle réelle, ou n'est-ce que du battage ?

On me pose sans cesse la question, et la réponse honnête est : le marché sous-jacent est réel et croît rapidement — le segment de la prédiction de taille et d'ajustement devrait environ tripler, passant d'environ 1,05 milliard de dollars en 2024 vers 2,95 milliards de dollars d'ici 2029 — mais la plupart des déploiements relèvent du battage, parce qu'ils choisissent une technologie avant de comprendre le problème.

Nous ne vendons donc pas un produit unique. Nous partons des propres données de retour d'une marque et demandons quel échec lui coûte réellement de l'argent — mauvaise taille sélectionnée, ou mauvaise attente d'ajustement. Ensuite, nous adaptons l'approche à l'équation économique : recommandation statistique pour les catalogues à nombreuses références, pipelines de mesure fondés sur la photo pour les catégories sensibles à l'ajustement, et simulation fondée sur la physique pour les marques dont la maturité de conception 3D peut le supporter — neutre vis-à-vis des fournisseurs, conforme en matière de confidentialité, et construite autour des schémas de retour spécifiques présents dans leurs données. C'est là toute la philosophie derrière ce que nous avons construit, et elle découle directement du mois que j'ai passé à regarder une réponse universelle s'effondrer.

L'autre question qu'on me pose est de savoir si tout cela vaut le coût d'intégration. J'avais l'habitude de redouter celle-là, jusqu'à ce que je commence à voir atterrir les chiffres d'après : les acheteurs qui interagissent avec un dimensionnement par IA bien construit convertissent à des taux nettement plus élevés, et des réductions de retours de 25 à 50 pour cent dès la première année sont atteignables. Il y a aussi un vent réglementaire favorable — l'UE s'apprête à interdire la destruction des stocks invendus, et la logistique inverse brûle déjà des centaines de milliers de tonnes de CO2 par an. Chaque retour que vous évitez, c'est de l'argent, du carbone et des stocks que vous conservez.

La leçon que cette démo m'a apprise tient bon depuis des années maintenant. Une image flatteuse vendra le vêtement. Seule la physique — ou les bonnes données, honnêtement appliquées — garantira qu'il reste vendu. La mode a passé une décennie à tenter de se photographier pour sortir d'un problème qui allait toujours être résolu par une mesure.