Workflows IA en e-commerce : de 32 à 4,5 heures par semaine

Le client vend de l’électronique grand public sur quatre canaux : Shopify Plus (55 % du chiffre d’affaires), Amazon (25 %), Walmart Marketplace (12 %) et la vente en gros B2B (8 %). Une équipe opérations de 8 personnes gère la préparation des commandes, les retours, les stocks, les échanges avec les fournisseurs et le reporting pour l’ensemble. Rien n’était gravement cassé. Tout demandait 10 minutes de travail manuel de trop, multipliées par 300 commandes par jour.

L’évaluation l’a chiffré. Le traitement des retours prenait 9 heures par semaine, à raison de 12 à 18 minutes par retour. Le rapprochement quotidien des stocks entre 4 systèmes prenait 7 heures par semaine, les relances fournisseurs 5 heures, le reporting manuel 6 heures (et les rapports dataient déjà de 2 heures quand ils étaient remis), le traitement des exceptions de commande 5 heures de plus. Au total, plus de 32 heures par semaine de travail automatisable, soit environ 78 000 $ par an de coût salarial direct.

Une évaluation de maturité IA d’une semaine, à 6 000 $, a cartographié chaque workflow sur les 4 canaux, interrogé 5 membres de l’équipe et classé les automatisations par retour sur investissement : les retours d’abord (le plus gros volume, le processus le plus standardisé), puis le reporting, le rapprochement des stocks, les relances fournisseurs et le routage des exceptions de commande.

Le système repose sur n8n auto-hébergé comme moteur d’orchestration, du code Python spécifique pour la logique complexe et GPT-4o-mini pour les tâches de classification et de rédaction. L’automatisation des retours (en production en semaine 3) vérifie l’éligibilité, crée les enregistrements dans NetSuite, génère les étiquettes ShipStation, envoie les confirmations par e-mail via Klaviyo et déclenche le remboursement à la livraison. GPT-4o-mini classe les motifs de retour saisis en texte libre et signale les défauts potentiels par référence. La suite de reporting (semaine 4) produit quatre rapports automatiques, accompagnés d’une analyse rédigée par l’IA, avant que quiconque n’arrive au bureau.

Le rapprochement nocturne des stocks (semaine 5) corrige automatiquement les écarts dont la cause est connue et ne fait remonter que les vraies exceptions. L’automatisation des relances fournisseurs (semaine 6) envoie les bons de commande, confie à l’IA la lecture des réponses des fournisseurs, très hétérogènes, pour en extraire des dates d’expédition et des numéros de suivi structurés, et relance automatiquement en cas de retard. Le routage des exceptions (semaine 7) classe les exceptions de commande et prépare des actions de résolution en un clic. Une validation humaine y est conservée volontairement, car l’enjeu est trop élevé pour une action entièrement autonome.

Sur les 60 premiers jours de déploiement complet : les heures hebdomadaires consacrées aux processus automatisés sont passées de 32 à 4,5 (−86 %), et le traitement d’un retour de 12 à 18 minutes à zéro pour les 85 % de retours traités en autonomie. Les rapports quotidiens sont remis à 7 h 00 au lieu de 10 h 30, l’exactitude des stocks est passée de 94,2 % à 99,1 %, le suivi des bons de commande fournisseurs de 5 heures par semaine à 45 minutes, et le délai de résolution d’une exception de 25 à 6 minutes.

L’impact financier atteint environ 87 000 $ par an : 40 040 $ d’économies de coût salarial direct (27,5 heures récupérées par semaine), 35 000 $ estimés grâce à l’exactitude des stocks et 12 000 $ estimés grâce à la résolution plus rapide des exceptions. Rapporté à un investissement de 74 000 $ la première année (6 000 $ d’évaluation, 38 000 $ de développement, 2 500 $ par mois d’exploitation), l’amortissement intervient en 10,2 mois, et le ROI s’accélère la deuxième année.

Les 4,5 heures hebdomadaires restantes relèvent du jugement : revue des exceptions, décisions d’allocation en cas de pénurie, négociation avec les fournisseurs. Le rôle de l’équipe est passé du traitement de données à la décision opérationnelle.