Selon une nouvelle étude de Scandit, les données de stock ne correspondent à la réalité en magasin que dans 47 % des cas en France. Seuls 6 % des collaborateurs déclarent leur faire totalement confiance.
Derrière ces chiffres, une réalité peu visible : les équipes passent du temps à vérifier les stocks, corriger les erreurs et contourner les systèmes officiels. Pour un distributeur de 10 000 collaborateurs, ce temps perdu pourrait représenter plus de 21 millions d’euros par an en coûts salariaux.
L’étude révèle également un paradoxe : alors que les distributeurs investissent dans l’IA et la digitalisation, une partie de la réalité du magasin échappe encore aux systèmes sur lesquels reposent ces technologies.
Vous trouverez ci dessous les résultats français de cette étude, qui apporte un éclairage concret sur les enjeux de fiabilité des données, de productivité en magasin et d’adoption de l’IA dans le retail.
Des visuels libre de droits sont telechargeables ici : VISUELS , l'étude complète peut-être consulter sur le site Scandit ici : https://www.scandit.com/resources/reports/the-store-truth-gap/?utm_source=newswire&utm_medium=press-release&utm_campaign=retail-research-report
N'hésitez-pas a me contacter si vous avez la moindre question.
Lucie Arnaud +(0)44 7919 967 346
[email protected]
COMMUNIQUÉ DE PRESSE
En France, les ambitions de l’IA dans le retail se heurtent encore à la réalité des rayons
Des données de stock inexactes coûtent des millions aux distributeurs chaque année
Une étude Scandit révèle que les données de stock ne reflètent la réalité en rayon que dans 47 % des cas en France. Face à ce manque de fiabilité, les équipes en magasin sont contraintes de développer leurs propres méthodes pour vérifier, corriger et compléter les informations disponibles.
Zurich, Suisse, 10 novembre 2026 – Scandit, leader de la capture intelligente de données alimentée par l’IA de vision, dévoile aujourd’hui les résultats français de sa nouvelle étude sur la réalité des données en magasin. En France, les collaborateurs en magasin estiment que les informations de stock correspondent à ce qu’ils trouvent réellement en rayon seulement 47 % du temps. Plus préoccupant encore, seuls 6 % déclarent faire totalement confiance aux données de stock dont ils disposent. Cela crée un écart coûteux entre ce qu’indique le système, la réalité du magasin et ce que vivent les clients, tout en laissant l’IA et les autres investissements technologiques s’appuyer sur des données incomplètes.
Des millions d’euros de temps perdu à compenser les erreurs de données
Les collaborateurs français estiment qu’ils pourraient récupérer en moyenne 3,2 heures par semaine s’ils disposaient de données suffisamment fiables pour travailler en toute confiance. Cela représente plus de quatre semaines de travail par an et par collaborateur.
À l’échelle d’un distributeur employant 10 000 collaborateurs en magasin, ce temps représente plus de 21 millions d’euros par an de coûts salariaux liés au temps consacré à compenser les écarts entre les systèmes et la réalité du magasin*.
Quand le système ne dit pas toute la vérité, les collaborateurs créent leur propre “magasin fantôme”
Lorsque les données ne correspondent pas à la réalité, les collaborateurs français prennent les choses en main. 56 % déclarent corriger eux-mêmes les informations, tandis que 53 % procèdent à un ajustement de stock.
Mais ces corrections ne passent pas toujours par les outils officiels. Parmi les collaborateurs qui agissent lorsque le système est erroné, 40 % contournent complètement le système officiel et 65 % utilisent au moins une méthode informelle pour gérer la situation : notes papier, conversations d’équipe, photos prises avec leur téléphone, applications ou simplement leur mémoire.
Il en résulte un « magasin fantôme », où des informations essentielles existent en dehors des systèmes sur lesquels s’appuient les équipes du siège, les tableaux de bord et, de plus en plus, les outils d’IA. Autrement dit, une partie de la réalité du magasin échappe aux systèmes censés la décrire.
« Les distributeurs ne sont pas confrontés à un problème d’adoption de l’IA, mais à un problème de fiabilité de la réalité magasin », déclare Samuel Mueller, CEO et cofondateur de Scandit. « Les collaborateurs passent un temps précieux à vérifier et à corriger les informations dont ils disposent. Une partie de ce travail reste ensuite invisible, car il est effectué en dehors des systèmes officiels. Avant de demander à l’IA de prendre davantage de décisions, les distributeurs doivent d’abord s’assurer qu’ils disposent d’une vision fiable de ce qui se passe réellement en rayon et dans leurs magasins. »
La confiance ne progresse que lorsque les données deviennent réellement fiables
La confiance des collaborateurs dans les données de stock ne se construit pas progressivement. L’étude montre qu’elle reste faible tant que les données ne sont pas suffisamment fiables. Seuls 6 % des collaborateurs français déclarent avoir totalement confiance dans les informations de stock de leur magasin, tandis que 31 % estiment que ces données sont exactes plus de 70 % du temps.
Dans les sept pays étudiés, la confiance reste faible tant que la précision des données ne dépasse pas 70 %. Jusqu’à ce seuil, environ un quart des collaborateurs seulement leur font fortement confiance. Au-delà de 70 % de précision, la confiance augmente nettement.
« Ce n’est pas un problème d’amélioration progressive », explique Andrew Smith, Managing Partner et cofondateur de ThinkUncommon et RETHINK Retail Top Expert depuis 2021. « Faire passer la précision des données de stock de 46 % à 60 % peut sembler être un progrès dans un rapport présenté à la direction, mais cela ne change pas nécessairement la réalité dans les rayons. La confiance commence réellement à progresser lorsque la précision dépasse 70 %. En dessous de ce seuil, les collaborateurs font ce que toute personne raisonnable ferait : ils vérifient eux-mêmes le rayon, corrigent le système ou font simplement ce qui est nécessaire pour aider le client qui se trouve devant eux. »
Cette défiance a des conséquences très concrètes sur le quotidien des équipes. En France, les collaborateurs consacrent en moyenne 3,6 heures par semaine à répondre à des questions de clients que la technologie en magasin devrait pouvoir traiter. Ils sont également invités à vérifier physiquement la disponibilité d’un produit 5,8 fois par semaine en moyenne. Près d’un quart d’entre eux (24 %) déclarent effectuer ces vérifications plus de dix fois par semaine.
Autrement dit, lorsqu’un système ne permet pas de répondre avec certitude à la question « est-il vraiment en stock ? », le collaborateur devient lui-même le moteur de recherche du magasin.
Impliquer les équipes pour réussir le déploiement
À l’échelle des sept pays étudiés, les collaborateurs ayant participé à un projet pilote utilisent davantage les outils disponibles en magasin : 74 % chez ceux qui ont été consultés avant le déploiement contre 61% pour ceux qui n’ont jamais été sollicités. Ils leur font également davantage confiance : 50 % des participants à un projet pilote déclarent avoir fortement confiance dans leurs données de stock, contre 25 % chez ceux qui n’ont jamais été consultés.
Pour les distributeurs qui souhaitent déployer davantage d’IA, d’automatisation et de nouveaux outils digitaux, l’enjeu est donc moins de multiplier les technologies que de s’appuyer sur des données fiables et d’impliquer les équipes dans leur déploiement, afin qu’elles puissent les utiliser avec confiance au contact du produit et du client.
Lire le rapport « The Store Truth Gap » ici.
Interrogés sur ce qui permettrait de simplifier les processus de gestion des stocks, les collaborateurs français ont notamment répondu :
● « Qu’on puisse avoir une vision du stock en temps réel. »
● « Plus de terminaux pour que tout le monde puisse effectuer les changements de prix et de stock au fur et à mesure. »
● « Améliorer la qualité des outils et appareils de gestion des stocks, notamment lorsqu’ils sont défectueux ou peu pratiques à utiliser. »
● « Plus de temps pour mettre en rayon ce que l’on a en stock. »
● « Automatiser les inventaires grâce à des drones ou des caméras en rayon. »
À propos de l’étude
Scandit a commandé à Sapio Research une étude en ligne auprès de 2 200 collaborateurs de magasins en septembre 2026. Tous travaillent dans des magasins physiques pour des distributeurs employant plus de 1 000 personnes, aux États-Unis, en Allemagne, au Royaume-Uni, en France, en Italie, au Canada et en Pologne.
L’étude couvre différents formats de distribution : grande distribution alimentaire, enseignes généralistes et grands magasins, hypermarchés et supercentres, bricolage et amélioration de l’habitat, commerce de proximité, ainsi que pharmacies et parapharmacies.
À propos de Scandit
Scandit est le leader de la capture intelligente de données, alimentée par l’IA de vision. Sa technologie donne de nouvelles capacités aux collaborateurs, aux consommateurs et aux entreprises en fournissant des informations exploitables et en automatisant les processus de bout en bout.
La plateforme Smart Data Capture de Scandit permet aux smartphones, terminaux portables, drones, lunettes connectées, robots et caméras fixes d’interagir avec les objets physiques en capturant les données issues des codes-barres, textes, pièces d’identité et objets, avec rapidité, précision et intelligence.
Scandit accompagne les entreprises dans leurs projets d’innovation afin de réduire significativement leurs coûts, d’améliorer la fidélisation des collaborateurs et de renforcer la satisfaction et la fidélité des clients. L’entreprise accompagne ses clients à chaque étape, de l’expérimentation et de la conception de solutions jusqu’à leur intégration et leur déploiement.
Rendez-vous sur scandit.com pour découvrir pourquoi des leaders mondiaux du retail, du transport et de la logistique, de la santé et de l’industrie tels qu’Instacart, Carrefour, Ahold Delhaize, Albertsons, Levi Strauss & Co., Sephora, Lufthansa et FedEx font confiance à Scandit.
* Estimation fondée sur un salaire horaire moyen déclaré de 14 € par les collaborateurs interrogés en France. Le calcul repose sur 3,22 heures récupérées par semaine, 47 semaines travaillées par an et 10 000 collaborateurs. Il s’agit d’une illustration basée sur les moyennes de l’étude et non d’un coût mesuré pour un distributeur donné.