4 L’IA vidéo sait désormais décrire une scène en langage naturel et retrouver un instant précis dans des heures d’enregistrement. On pourrait croire que ce sont de meilleurs modèles qui transforment les caméras d’un magasin en meilleures décisions. Dans le retail, pourtant, l’essentiel du travail se fait après le modèle. Cet article ouvre une série consacrée à la mise en pratique de l’analyse vidéo par IA, pour les enseignes comme pour les équipes qui développent les applications dont les magasins dépendent. Il commence par l’écart entre ce que voit une caméra et ce qu’un commerçant a besoin de savoir. Un événement vidéo peut être anodin ou important, selon des informations que la caméra ne voit pas. Lors de l’événement Scality Day 2026 à Paris, j’ai ouvert une intervention intitulée « Rendre le monde réel interrogeable » pour montrer ce que l’IA vidéo sait aujourd’hui mettre en mots. Par exemple : À une caisse en libre-service de supermarché, un modèle vision-langage peut décrire un article qui passe devant le scanner sans être scanné. J’ai fait toute ma carrière dans l’infrastructure vidéo et les produits de streaming, où la règle consiste à suivre l’expérience jusqu’à la personne qui l’utilise. J’applique la même règle à l’IA vidéo dans le retail. Même la meilleure description a ses limites. À la caisse en libre-service, le modèle ne peut pas savoir si le système de point de vente a enregistré l’article, si un employé est intervenu ou si la transaction a été annulée. C’est dans cet écart entre voir et savoir que l’analyse vidéo retail devient une application. Un système d’IA vidéo peut décrire une scène, retrouver un événement similaire ou déclencher une alerte, mais le commerçant a encore besoin d’un produit qui relie ce résultat à ses transactions, à ses stocks, à ses planogrammes, à ses politiques d’accès ou à ses processus d’entrepôt, puis soumet une décision à la personne qui doit agir. Ce que la vidéo seule ne peut pas dire à un commerçant La vidéo seule ne contient ni les données de transaction du commerçant, ni ses règles de fonctionnement. Les opérations retail reposent sur des produits, des transactions, des emplacements, des plannings, des politiques et des exceptions, et presque rien de tout cela n’est visible dans une image vidéo. Un rayon apparemment vide peut nécessiter un réassort, ou être vide volontairement parce que le planogramme a changé. Un article qui passe devant un scanner peut signaler une anomalie, ou figurer déjà ailleurs dans la transaction. Une palette laissée sur un quai de chargement peut être en retard, ou se trouver exactement là où le système de gestion d’entrepôt l’attend. Le modèle ne peut pas trancher ces questions à partir de la seule vidéo. L’application doit donc combiner ce que la vidéo a observé avec les données métier et les règles propres au commerçant, puis décider : ignorer l’événement, recueillir davantage d’éléments, le placer en file de vérification ou agir. La ligne de partage se situe entre ce que montre la vidéo et ce que sait l’entreprise. Les capacités vidéo génériques peuvent être mutualisées entre enseignes et entre secteurs : ingestion, enregistrement, analyse vision-langage, recherche et alertes. Ces capacités partagées doivent néanmoins être reliées aux données de chaque commerçant et adaptées à ses règles de fonctionnement. Pourquoi une mauvaise réponse coûte plus cher qu’il n’y paraît Le coût d’une erreur est asymétrique. Un événement manqué peut se traduire par une perte, tandis qu’une fausse alerte fait perdre du temps à un employé, peut gêner un client et, si elle se répète trop souvent, éroder la confiance dans le système qui l’a déclenchée. Le critère qui compte est de savoir si l’ensemble du système, de l’objectif à la décision, est suffisamment précis pour le processus opérationnel du commerçant. La fiabilité des décisions dépend des performances du modèle, de la qualité et de la fraîcheur du contexte métier, et du workflow qui les entoure. Les commerçants devraient mesurer les événements exploitables manqués, les interventions inutiles, le délai de résolution et l’attention qu’un employé doit consacrer à chaque problème effectivement résolu. L’application doit réunir les éléments pertinents et les données métier dans un même processus de vérification, et en consigner le résultat. Ce qu’apporte l’application, cas par cas Caisse en libre-service. Les données du point de vente apportent un contexte qui peut manquer à la vidéo : scans antérieurs, annulations ou interventions d’un employé. Une application aligne l’événement vidéo sur ces données, applique les règles d’exception du commerçant, détermine quand une personne doit regarder, et affiche ensemble l’extrait vidéo et la transaction. Disponibilité en rayon. Le planogramme indique quel produit doit occuper l’emplacement vide, les données de stock précisent si de la marchandise devrait être disponible ailleurs dans le magasin, et les données de tâches montrent si un réassort est déjà en cours. Une application croise ces informations pour distinguer une vraie rupture d’un changement d’implantation prévu ou d’une action déjà engagée, et ne crée ou ne priorise la tâche de réassort que lorsque quelqu’un doit intervenir. Quai de chargement. Les données du système de gestion d’entrepôt fournissent les informations d’arrivée, la destination prévue de la palette et les délais nécessaires pour évaluer un retard opérationnel. Une application rattache l’observation au processus de réception, identifie l’expédition et transmet l’anomalie à l’équipe responsable. Les données métier peuvent aussi être incomplètes ou obsolètes. Une transaction tardive, un inventaire périmé ou une correspondance d’expédition incertaine peuvent priver l’application des informations nécessaires pour agir. Elle doit alors rapprocher les éléments disponibles et décider s’il faut attendre, demander une vérification ou poursuivre. De l’alerte à la preuve Une alerte ne fait qu’ouvrir une décision : un produit retail doit donc aller au-delà de la simple notification. Il doit permettre d’examiner l’événement, de le relier aux données métier pertinentes, de consigner la décision prise et d’améliorer la règle de fonctionnement au fil du temps. Prenons un exemple fictif de vérification en caisse : un employé ouvre une alerte qui affiche ensemble l’extrait vidéo et la transaction concernés, confirme que l’article a bien été scanné plus tôt, et clôt le dossier en indiquant le motif. Le workflow doit lui permettre de mener cette vérification sans chercher dans plusieurs systèmes. Le système d’IA vidéo a déclenché l’alerte ; l’application a accompagné la vérification et enregistré son résultat. Les images enregistrées font partie de ce processus : elles permettent à un employé d’examiner ce qui a conduit à une alerte, et au commerçant de revenir plus tard sur l’événement lorsque sa politique l’autorise. Pour que cette vérification fonctionne, l’application doit retrouver rapidement la séquence concernée, l’aligner sur les données métier et montrer suffisamment d’images avant et après l’événement pour rendre la situation compréhensible. Cela impose une exigence au stockage sous-jacent : les images sources doivent rester soumises aux règles de conservation du commerçant aussi longtemps que le processus de vérification et sa politique l’exigent, et pas plus longtemps. Où se trouve le contexte Les systèmes qui donnent son sens à la vidéo sont sous le contrôle du commerçant, tout comme les images elles-mêmes, qui montrent des clients et des employés et, en Europe, relèvent de la réglementation sur la protection des données. Le déploiement doit tenir compte de l’endroit où tournent les systèmes métier, de la rapidité avec laquelle les équipes doivent agir et de ce qui se passe en cas de coupure de connectivité. Le traitement vidéo local peut être utile lorsque le temps de réponse, les contraintes de connectivité ou le volume d’images rendent le traitement à distance peu pratique. Le bon équilibre entre site, datacenter et cloud dépend du cas d’usage. Là où commence l’application Pour un commerçant qui choisit une application d’IA vidéo, la question pratique est la suivante : dans quelle mesure l’éditeur accompagne-t-il son processus opérationnel ? Les responsabilités de l’éditeur de l’application comprennent : Relier les observations vidéo à des systèmes tels que le point de vente, la gestion des stocks, la gestion des planogrammes, le contrôle d’accès ou la gestion d’entrepôt. Définir ce qu’un événement signifie pour ce commerçant, y compris les seuils, les exceptions, les règles d’escalade et les cas où une vérification humaine est requise. Concevoir l’interface opérateur qui présente l’alerte avec le contexte métier et les images nécessaires à la prise de décision. Mesurer les résultats et réinjecter les événements confirmés ou rejetés dans les règles et les modèles de l’application. Une infrastructure vidéo partagée réduit ce que l’éditeur d’application doit assembler lui-même, mais elle ne supprime ni le besoin de connaissances métier, ni la conception des workflows, ni la responsabilité de la précision au niveau de l’application. L’infrastructure capture, décrit et conserve la vidéo. L’application est l’endroit où l’entreprise décide ce que signifie un événement et ce qui doit se passer ensuite. Le prochain article de cette série, « Pourquoi l’IA vidéo a sa place en périphérie (edge) », examine où doivent se situer le traitement vidéo et les images conservées, et comment le temps de réponse, la connectivité et le contrôle opérationnel orientent ce choix. Développer l’application Si vous développez des applications d’IA vidéo pour le retail, ou pour d’autres sites où les images doivent rester sur site, Scality et ses partenaires proposent une pile on-premises validée pour la compréhension vidéo, le stockage et la conservation, afin que vos équipes se concentrent sur les décisions dont vos clients ont besoin. Découvrez le fonctionnement du programme.
