La promesse client est l'engagement le plus concret d'une enseigne retail : un produit disponible, un délai et un mode de livraison ou de retrait annoncés au moment de l'achat. Pourquoi un produit est-il livré en retard chaque début de mois ? Pourquoi certains magasins peinent-ils régulièrement à servir le click & collect à temps ? Ces ratés ne relèvent pas de la malchance. Les équipes corrigent chaque commande, et le même problème revient la semaine suivante, parce que la cause se trouve dans une règle d'exécution, souvent loin de l'endroit où le client constate le problème. La trouver demande de recouper chaque occurrence avec son contexte, un travail que personne n'a le temps de faire pour un raté qui paraît mineur. C'est ce travail que l'IA agentique rend possible : des agents IA observent en continu ce qui arrive aux commandes, relient les ratés à leur cause et proposent des corrections que les équipes valident.
Une promesse client non tenue revient parce que les équipes corrigent les commandes une par une. Le client reçoit sa commande, l'incident est clos, et le même problème réapparaît la semaine suivante sur d'autres commandes.
Ces ratés appartiennent à une zone grise : des frictions trop fréquentes pour être des exceptions, trop petites pour justifier une enquête. Beaucoup sont traitées à la main si souvent que plus personne ne les signale : un délai réannoncé au client, un mode de retrait changé manuellement. Prises une par une, elles coûtent peu. Cumulées, elles usent la confiance du client.
Les indicateurs montrent que la promesse n'a pas été tenue. Ils ne montrent pas où se trouve la cause, et c'est rarement là où on la cherche.
La cause d'une promesse client non tenue se trouve rarement là où le client la constate. Le client voit une annulation, un retard ou une rupture en magasin. La cause se situe souvent plus tôt dans le parcours de commande : une règle d'allocation, un calcul de promesse, une réservation de stock.
Les trois scénarios ci-dessous illustrent ce décalage. Ce sont des situations types, fréquentes dans les supply chains complexes, pas des résultats clients.
|
Symptôme visible |
Où il apparaît |
Cause réelle |
Règle modifiée |
|---|---|---|---|
|
Des magasins de centre-ville tombent en rupture d'un produit phare en milieu de mois, alors que leurs ventes comptoir sont normales |
Magasin |
Les commandes web retirées en magasin sont imputées sur l'allocation du magasin, dimensionnée sur les seules ventes comptoir |
Allocation web dédiée au click & collect, allocations magasins redimensionnées |
|
Des commandes d'un nouveau smartphone sont annulées après acceptation, la semaine suivant chaque livraison |
Tous canaux, service client |
La promesse est calculée sur le stock annoncé par le fabricant ; les livraisons servent les commandes par ordre d'arrivée. Quand le volume reçu est plus faible, les dernières commandes sautent |
Promesse plafonnée à la quantité probable, le reste en précommande, quotas par canal |
|
L'attente s'allonge pour le remplacement de produits de faible valeur sous garantie |
Service après-vente |
Chaque article défectueux passe par une inspection en entrepôt central, qui ne change jamais la décision pour certaines combinaisons produit-défaut-garantie |
Remplacement immédiat, sans retour, pour ces combinaisons |
Dans chacun de ces cas, l'équipe expérience client voit le symptôme dans ses indicateurs : avis négatifs, contacts au service client, NPS en recul. Elle ne voit pas la règle qui le produit, parce que cette règle se trouve au niveau de l'exécution supply chain. Les plans d'action CX portent alors souvent sur la communication au client, et la cause opérationnelle reste en place.
L'IA agentique rend la promesse client plus fiable parce qu'elle rend abordable l'enquête sur chaque friction récurrente. Une friction récurrente ne s'explique pas en regardant une commande isolée. L'explication se trouve au croisement de plusieurs éléments : la commande, la règle qui lui a été appliquée, le stock disponible à ce moment-là, une contrainte que personne n'a modélisée. Reconstituer ce contexte demande des heures d'expertise pour un cas qui paraît mineur. Un agent n'est pas plus intelligent que les équipes : il peut se permettre d'être exhaustif, sur toutes les commandes, en permanence.
Cette amélioration continue suit une boucle en quatre étapes :
Kbrw, moteur d'exécution agentique (Agentic Execution Engine), intègre cette boucle dans son OMS agentique (order management system). Chez un leader mondial du luxe qui compte plus de 6 000 boutiques, un agent connecté à l'OMS enquête sur les problèmes de commande remontés par les boutiques et en identifie les causes. Le dispositif est en phase de test, avant un déploiement mondial. Après deux mois, le client estime qu'il libère jusqu'à une demi-journée par semaine pour chaque Retail Planner.
Dans le retail, les premières promesses à fiabiliser sont celles que les équipes corrigent déjà à la main. Une correction répétée signale une règle qui ne correspond plus au réel. Trois signaux sont les plus parlants pour les professionnels de l'expérience client : les délais réannoncés au client, les changements manuels de mode de retrait, et les annulations après acceptation qui se concentrent sur un même produit ou un même canal.
Pour démarrer, mieux vaut partir d'un périmètre restreint et mesurable : un canal, une famille de produits, un pays. Sur ce périmètre, la bonne question n'est pas le temps de traitement de chaque incident, mais la récurrence : le problème revient-il après correction ? Une promesse plus fiable se traduit par moins d'occurrences du même problème, pas par des incidents traités plus vite.
Le périmètre de départ n'a pas vocation à durer. Beaucoup de problèmes récurrents le dépassent : une même règle d'allocation peut dégrader la promesse dans plusieurs pays et sur plusieurs canaux à la fois. Ils ne sont pas plus difficiles à résoudre pour autant. Comme les agents observent toutes les commandes, étendre l'enquête à l'ensemble du réseau ne demande pas de reconstruire la méthode. La valeur se mesure alors à l'échelle de toute l'exécution, plus seulement du périmètre de départ.
Une promesse client se rate de façon répétée quand chaque incident est corrigé commande par commande. La cause, elle, reste en place dans une règle d'allocation, de calcul de promesse ou de réservation. Cette règle se trouve au niveau de l'exécution supply chain, hors de vue des outils d'expérience client. L'IA agentique rend l'enquête abordable : les agents relient chaque occurrence à son contexte, et les équipes apportent ce qu'aucun système n'enregistre avant de décider du changement de règle.
Combien de promesses vos équipes corrigent-elles à la main chaque semaine, et combien de fois la même ? La réponse dit combien de règles ne correspondent plus au réel. Le livre blanc Partir du réel. Tenir le cap. montre comment les faire remonter et les corriger durablement.