- ▸ Un grand magasin face à son propre signal
- ▸ La thèse : décider autrement, pas calculer davantage
- ▸ Contexte historique : trente ans d'écart entre signal et action
- ▸ Analyse technique : trois terrains, une même logique
L’intelligence artificielle quitte le statut d’outil pour devenir une manière d’exploiter une enseigne. Comment un distributeur historique réorganise-t-il ses décisions autour d’elle ? Réponse avec Murali Murugan, directeur senior de l’ingénierie chez Macy’s, qui détaille à MIT Technology Review une approche dite « AI-first ». Trois leviers, un fil conducteur : réduire l’écart entre le signal et l’action.
Points clés 1. L’IA cesse d’être une couche logicielle ajoutée : chez Macy’s, elle devient une philosophie d’exploitation qui réorganise la manière de décider. 2. Murali Murugan, directeur senior de l’ingénierie, formule le problème central du commerce moderne en une phrase : « l’écart entre le signal et l’action ». 3. La personnalisation, la recherche produit et la planification opérationnelle constituent les trois terrains d’intégration prioritaires de l’enseigne. 4. La méthode revendiquée tient en deux temps : des gains rapides d’abord, puis un passage à l’échelle traité comme une décision de gestion, non comme un débat technologique. 5. La valeur affichée ne réside pas dans un modèle unique mais dans l’amélioration continue — apprendre, corriger, recommencer plus vite.
Un grand magasin face à son propre signal
Imaginez l’organisation d’une enseigne de grande distribution comme une salle de marché silencieuse. Les données affluent en continu : comportements de navigation, ruptures de stock, retours clients, variations de demande d’une région à l’autre. Le signal existe, abondant, daté, parfois redondant. Le problème n’a jamais été de le produire. Il a toujours été de le transformer en geste concret, au bon moment, dans le bon canal.
C’est exactement là que se situe le diagnostic posé par Murali Murugan, directeur senior de l’ingénierie chez Macy’s, dans un entretien publié par MIT Technology Review en juin 2026. Sa formule, sobre, résume des années de frustration sectorielle : tout se joue dans « l’écart entre le signal et l’action ». Un grand magasin peut détecter qu’un produit attire l’attention sans réagir assez vite pour en tirer parti. Le signal arrive ; l’action tarde. Entre les deux, la valeur s’évapore.
La thèse : décider autrement, pas calculer davantage
L’angle défendu par Macy’s prend le contre-pied d’une lecture répandue. L’IA n’y est pas présentée comme un supplément de puissance posé sur des processus existants. « L’AI-first ne consiste pas à ajouter de l’intelligence par-dessus », précise Murali Murugan. La proposition est plus exigeante : « Il s’agit de repenser la façon dont les décisions sont prises, pour que l’entreprise avance plus vite et que chaque expérience paraisse plus pertinente par défaut. »
Le glissement sémantique compte. On ne parle plus d’un projet technologique, mais d’une réorganisation des décisions. Cette nuance traverse l’ensemble du propos et conditionne la suite : si l’IA devient le point de départ de la décision plutôt que son ornement, alors c’est l’architecture de l’entreprise — et pas seulement son outillage — qui se trouve interrogée.
Contexte historique : trente ans d’écart entre signal et action
Pour mesurer la portée de ce repositionnement, il faut remonter le fil de la numérisation du commerce. Dans les années 1990 et 2000, la grande distribution s’est équipée de systèmes de gestion intégrés, puis de plateformes de commerce en ligne. La donnée s’est accumulée, mais elle restait largement descriptive : on savait, après coup, ce qui s’était vendu. L’enseigne regardait dans le rétroviseur.
La décennie suivante a introduit les moteurs de recommandation et la segmentation comportementale. Le commerce a appris à suggérer, à reclasser des résultats, à proposer des produits complémentaires. Le signal s’est affiné. Mais l’action restait, le plus souvent, dépendante de cycles humains : une équipe analysait, une autre décidait, une troisième déployait. Entre la détection d’une tendance et sa traduction concrète sur la fiche produit ou en rayon, plusieurs maillons s’intercalaient. L’écart pointé par Murali Murugan n’est donc pas nouveau ; il est structurel.
L’arrivée des grands modèles de langage a déplacé la question. Là où la course aux paramètres semble marquer le pas, la valeur se redéploie ailleurs : dans la capacité à insérer l’intelligence au cœur même des chaînes de décision. Pour un distributeur, cela signifie passer d’une logique d’analyse a posteriori à une logique d’action quasi immédiate. Le sujet n’est plus de prédire mieux, mais d’agir plus tôt.
Cette bascule explique pourquoi un acteur historique du grand magasin américain s’empare du vocabulaire de l’ingénierie plutôt que de celui du marketing. Le commerce en ligne, désormais mûr, ne cherche plus à séduire par l’innovation visible. Il cherche à compresser des délais internes. C’est une transformation moins spectaculaire, mais plus profonde, qui se joue dans les rouages plutôt que sur la vitrine. Ce déplacement prépare la compréhension du cœur technique de la démarche.
Analyse technique : trois terrains, une même logique
Le propos de Macy’s s’incarne sur trois terrains complémentaires, selon les éléments communiqués à MIT Technology Review : la personnalisation, la recherche produit et la planification opérationnelle. Ces trois domaines partagent une caractéristique : ils sont saturés de signaux et historiquement lents à l’action.
La personnalisation vise à rendre l’expérience d’achat plus intuitive. Plutôt qu’un catalogue identique pour tous, l’enseigne cherche à ajuster ce que voit chaque visiteur en fonction de son intention probable. La recherche prolonge cette logique. Le commerce conversationnel — illustré par des dispositifs du type « Ask Macy’s », mentionnés dans l’entretien — substitue au champ de recherche par mots-clés un dialogue plus naturel, où le client exprime un besoin en langage courant et reçoit une réponse contextualisée. La planification opérationnelle, enfin, porte sur la coordination interne : stocks, approvisionnements, arbitrages. C’est le terrain le moins visible du client, mais celui où l’écart entre signal et action coûte le plus cher.
Le point commun de ces trois chantiers tient dans une intention unique : faire en sorte que chaque expérience « paraisse plus pertinente par défaut ». Le mot « défaut » est central. Il ne s’agit pas d’une option activée à la demande, mais d’un état de base du système.
Pour saisir la différence entre l’approche classique et l’approche revendiquée, une lecture comparée s’impose.
| Critère | Logique applicative classique | Logique « AI-first » (Macy’s) |
|---|---|---|
| Point de départ de la décision | Processus humain, IA en appui ponctuel | Intelligence intégrée au cœur du système |
| Rôle de l’IA | Couche ajoutée par-dessus l’existant | Réorganisation de la manière de décider |
| Délai signal → action | Cycles d’analyse successifs | Compression recherchée du délai |
| Critère de succès | Performance d’un modèle isolé | Amélioration continue, cumul des gains |
| Déclencheur du passage à l’échelle | Arbitrage technologique | Décision de gestion, après gains rapides |
| Expérience client visée | Pertinence activée à la demande | Pertinence « par défaut » |
Ce tableau éclaire un déplacement de nature. La valeur ne se loge pas dans un modèle particulier, mais dans la circulation : entre détection, décision et exécution. « La vraie transformation, dans tout cela, vient de l’amélioration continue », insiste Murali Murugan. Et de préciser la mécanique : « Il s’agit d’apprendre de ses erreurs, de s’adapter vite aux nouveaux standards technologiques qui entrent en jeu, du tempo et de l’exécution — autant d’éléments qui, cumulés, produisent une expérience client nettement meilleure. »
Cette insistance sur le cumul mérite d’être soulignée. Elle écarte l’idée d’un basculement unique au profit d’une trajectoire faite de corrections successives. Le gain ne vient pas d’un saut, mais d’une série d’ajustements qui composent, à la manière d’intérêts capitalisés. Reste à savoir ce que cette logique produit concrètement sur le terrain.
Impact terrain : du laboratoire au déploiement
La théorie de l’amélioration continue se heurte vite à une réalité de grande entreprise : la difficulté à passer du test au déploiement généralisé. C’est sur ce point que le témoignage de Macy’s apporte un enseignement concret. La méthode décrite procède en deux temps. D’abord, identifier des gains rapides — des situations où l’intégration de l’IA produit un résultat tangible sans réorganisation lourde. Ensuite seulement, envisager l’extension.
L’ordre n’est pas anodin. Il inverse une séquence fréquente, où l’on débat longuement de l’architecture cible avant d’avoir prouvé la moindre valeur. « Une fois les premiers gains rapides obtenus, le passage à l’échelle est devenu une décision business, non plus un débat technologique », résume Murali Murugan. La phrase déplace le centre de gravité. La preuve de valeur précède la discussion d’infrastructure ; elle la rend même presque caduque, puisque la question n’est plus de savoir si la technologie fonctionne, mais jusqu’où la déployer.
Pour les directions techniques, l’enseignement est opérationnel. Il suggère de traiter l’IA non comme un programme pluriannuel à valider en bloc, mais comme une succession d’expérimentations cadrées, chacune mesurable, chacune réversible. Cette granularité réduit le risque : un gain rapide qui ne tient pas ses promesses s’abandonne sans avoir mobilisé l’organisation entière. À l’inverse, un gain confirmé devient un argument de gestion difficile à contester.
Cette approche transforme aussi le rapport au temps. L’objectif n’est plus de livrer une plateforme parfaite, mais de raccourcir en permanence le délai entre ce que l’enseigne perçoit et ce qu’elle entreprend. Pour le client, le bénéfice se mesure en pertinence : une recherche qui comprend mieux l’intention, une suggestion qui tombe juste, un produit disponible au bon endroit. Pour l’enseigne, il se mesure en vitesse de réaction. Ces promesses appellent toutefois un examen critique.
Perspectives contradictoires : les angles morts du discours
Un dossier d’analyse ne peut s’arrêter au récit de l’acteur concerné. Plusieurs réserves méritent d’être posées, en regard des éléments disponibles à ce jour.
Première limite : l’absence de chiffres publics. L’entretien décrit une méthode et une philosophie, mais ne communique ni gains chiffrés, ni mesures de performance, ni volume d’investissement. La promesse d’une « expérience nettement meilleure » reste, en l’état, qualitative. Selon les sources disponibles à ce jour, aucun indicateur ne permet d’objectiver l’ampleur des résultats. Pour un lecteur exigeant, c’est une zone d’ombre à garder en tête.
Deuxième limite : le risque de récit rétrospectif. Décrire une trajectoire réussie après coup — gains rapides, puis passage à l’échelle — gomme souvent les tâtonnements, les abandons et les chantiers sans suite. La méthode paraît linéaire dans le discours ; elle l’est rarement dans l’exécution. Le propos de Murali Murugan reconnaît d’ailleurs l’importance d’« apprendre de ses erreurs », ce qui suppose qu’il y en a eu.
Troisième limite : la transférabilité. Ce qui fonctionne pour un grand magasin doté de moyens d’ingénierie conséquents ne se transpose pas mécaniquement à un commerce de taille intermédiaire. La logique « AI-first » exige des compétences internes, une donnée structurée et une gouvernance capable d’arbitrer vite. Ces conditions ne sont pas universellement réunies. Reconnaître ces réserves ne disqualifie pas la démarche ; cela en précise le périmètre et ouvre la réflexion sur la suite.
Prospective : la décision comme avantage concurrentiel
Si la lecture de Macy’s se confirme à plus grande échelle, l’avantage concurrentiel du commerce ne se logera plus dans la possession d’un modèle, mais dans la capacité à raccourcir le délai entre signal et action. Cette grandeur, difficile à imiter, dépend de l’organisation autant que de la technologie. Elle se construit lentement, par accumulation, à rebours des effets d’annonce.
La question ouverte tient en une phrase : combien d’enseignes sauront traiter l’IA comme une réorganisation de leurs décisions, et non comme un nouvel outil à intégrer au catalogue existant ? La réponse départagera sans doute, dans les années à venir, les acteurs qui auront comblé l’écart entre le signal et l’action de ceux qui continueront de le subir. Le commerce, en somme, ne se jouera plus seulement sur ce qu’il sait, mais sur la vitesse à laquelle il agit.
FAQ
Comment l’IA peut-elle améliorer l’expérience client dans le retail ?
Selon les éléments communiqués par Macy’s à MIT Technology Review, l’IA agit sur trois leviers : une personnalisation ajustée à l’intention du visiteur, une recherche en langage naturel via le commerce conversationnel, et une planification opérationnelle plus réactive. L’objectif affiché est qu’une expérience « paraisse plus pertinente par défaut », sans réglage manuel du client.
Que signifie une approche « AI-first » pour un distributeur ?
D’après Murali Murugan, l’approche « AI-first » ne consiste pas à ajouter de l’intelligence par-dessus les systèmes existants. Elle implique de repenser la façon dont les décisions sont prises, afin que l’entreprise réagisse plus vite. L’IA devient le point de départ de la décision plutôt qu’une couche additionnelle, ce qui interroge l’organisation entière.
Quels sont les principaux défis pour adopter cette stratégie ?
Le premier défi tient au passage du test au déploiement. Macy’s privilégie des gains rapides avant toute extension, traitant ensuite la montée en charge comme une décision de gestion. S’y ajoutent la dépendance à des compétences d’ingénierie internes, le besoin d’une donnée structurée et, selon les sources disponibles, l’absence d’indicateurs chiffrés permettant d’objectiver les résultats.
Pourquoi parler d’« écart entre le signal et l’action » ?
Cette formule de Murali Murugan désigne le délai entre le moment où une enseigne détecte une information utile — une tendance, une rupture, un comportement — et celui où elle agit en conséquence. Réduire cet écart constitue, selon lui, le cœur de la transformation : la valeur se perd moins par manque de données que par lenteur de réaction.
Sources – Repositioning retail for the AI era, MIT Technology Review, 25 juin 2026 — lire l’entretien original (déclarations de Murali Murugan, directeur senior de l’ingénierie chez Macy’s). – Mise en perspective sectorielle et lecture comparative : analyse de la rédaction LagazetteIA, à partir de la source primaire ci-dessus. Les chiffres de performance et d’investissement ne sont pas communiqués à ce jour.
Pour aller plus loin : la course aux paramètres et ses limites, le commerce conversationnel expliqué, intégrer l’IA dans les décisions d’entreprise.
