Quand un commerçant annonce l'arrivée de caméras intelligentes, ses équipes posent rarement une question technique. Elles demandent plutôt : « Est-ce que ça va me regarder, moi ? ». La question est légitime, et une plaquette commerciale n'y répond pas. Pour savoir ce que l'IA de vision analyse vraiment en magasin, le plus simple est de suivre le chemin d'une image, de la caméra jusqu'à la notification, en notant au passage tout ce que le modèle ignore.

L'analyse vidéo reste d'ailleurs peu déployée dans le commerce. Dans l'enquête d'ECR Retail Loss sur l'analyse vidéo dans le commerce, menée en 2024 auprès de 70 distributeurs, européens et nord-américains pour la plupart, le taux d'utilisation moyen des analyses recensées ne dépassait pas 10 %, et tombait à 4 % sur la surface de vente. Faute de consensus dans le secteur, le même rapport propose une définition de travail de l'analyse vidéo : un système qui interprète automatiquement des images pour produire des résultats clairement définis et exploitables. Tout ce qui suit tient dans ces deux mots.

Ce que « voir » veut dire pour une IA de vision

Une caméra transmet une suite d'images. Le modèle, lui, ne « comprend » pas une scène comme le ferait un employé de rayon : il compare des positions de mains, des objets et des mouvements à des catégories apprises. Quand ce qu'il observe colle suffisamment à l'une d'elles, il produit un événement : un type de geste, une zone, une heure, un court extrait vidéo. Rien de plus.

Tout dépend alors de la finesse de l'image. Sur un flux basse définition, la main qui glisse un rasoir dans une poche de veste se réduit à quelques pixels flous, d'où l'intérêt d'une analyse vidéo sur le flux principal en haute résolution. Chez Oxania, ce flux principal est traité sur un GPU dédié installé dans le magasin : la détection se fait en local, le flux des caméras ne quitte pas le site, et seuls les extraits liés à une alerte sont conservés, sur des serveurs situés au plus près du pays du client.

Un vocabulaire fermé de gestes, pas un regard sur les gens

Appliqué à la prévention des pertes, un modèle de détection de gestes travaille avec une liste finie de catégories. Côté vol, on retrouve en général :

  • la dissimulation d'un article dans une poche, sous un vêtement ou dans un sac personnel ;
  • le dépôt d'un produit dans un sac à dos, un sac à main ou un sac dont la nature est incertaine ;
  • l'ouverture d'un emballage avant le passage en caisse ;
  • la consommation sur place, boire ou manger un produit non réglé ;
  • des éléments de contexte comme un chariot, une poussette ou un sac de courses, qui aident à lire la scène.

Certains systèmes ajoutent une alerte de chute, utile pour la sécurité des clients et des équipes plutôt que pour la marchandise. Aucune de ces catégories ne dit qui est à l'image. La détection de gestes à risque porte sur une action, à un instant donné, dans une zone donnée.

Ce que l'IA ne fait pas

La liste des exclusions compte autant que celle des détections, et c'est souvent elle qui rassure les équipes. Une IA d'analyse de gestes conçue dans ce cadre :

  • n'identifie personne : pas de reconnaissance faciale, pas de nom, pas de fichier de personnes ;
  • ne suit pas un individu d'un rayon à l'autre, ni d'une visite à la suivante ;
  • ne dresse aucun profil : ni âge, ni origine, ni tenue « à risque ». Les statistiques se lisent par zone et par créneau, pas par personne ;
  • ne qualifie pas d'intention : un geste à risque n'est pas un délit, seulement une situation qui mérite un regard humain ;
  • ne mesure pas le travail des salariés : aucune catégorie ne porte sur la productivité, les pauses ou le respect des procédures.

Avec un périmètre aussi resserré, l'usage de l'outil reste facile à expliquer. On peut dire en une phrase, à une vendeuse comme à un client, ce qui déclenche une alerte, et c'est précisément ce qui le rend acceptable.

L'alerte n'est pas un verdict : la décision reste humaine

Un modèle se trompe parfois. Prenez un client qui range ses lunettes dans sa poche juste après avoir saisi un paquet de café : pour la machine, la scène ressemble à une dissimulation. L'alerte doit donc être traitée comme une question posée à l'équipe, jamais comme une conclusion.

Le règlement européen sur l'IA, dans son article 14 sur le contrôle humain, nomme le piège sans détour : le biais d'automatisation, cette tendance à se fier automatiquement ou excessivement aux résultats de la machine. Il demande que les personnes chargées du contrôle aient la possibilité d'ignorer, de remplacer ou d'inverser le résultat du système. Le texte vise les systèmes à haut risque, mais rien n'empêche d'appliquer la même discipline à tout outil de détection de gestes à risque.

Sur le terrain, la personne qui reçoit l'alerte regarde l'extrait, puis choisit : ne rien faire, passer dans le rayon, proposer son aide au client ou, lorsque la situation est confirmée, engager des démarches auprès des autorités. Les agents et l'IA travaillent ensemble selon une règle simple : la technologie détecte, l'humain décide.

Transparence envers les clients et les salariés

Les principes de l'OCDE sur l'IA, adoptés en 2019 et mis à jour en mai 2024, comptent la transparence, l'explicabilité et la responsabilité parmi les cinq principes d'une IA digne de confiance. Dans un magasin, cela passe par quelques habitudes concrètes :

  1. Expliquer avant d'installer. Montrer aux équipes ce qui est détecté, ce qui ne l'est pas et qui reçoit les alertes. Associer les représentants du personnel lorsque c'est prévu.
  2. Écrire une règle d'usage. L'outil sert à limiter les pertes et à protéger les personnes, pas à évaluer le personnel : autant le mettre noir sur blanc.
  3. Informer les clients. L'affichage à l'entrée relève de l'exploitant, comme pour son installation de caméras existante. Un panneau lisible et une courte notice accessible suffisent souvent à désamorcer les inquiétudes.
  4. Former à la lecture des alertes. Vérifier l'extrait, rester courtois, ne jamais interpeller quelqu'un sur la seule foi d'une notification.
  5. Faire le point régulièrement. Reprendre les alertes écartées, ajuster les zones couvertes, partager ce qu'on en apprend avec l'équipe.

Bien déployée, une IA de vision ressemble moins à un œil qui juge qu'à un collègue au vocabulaire très limité : elle signale des gestes et laisse la suite à ceux qui connaissent le magasin. Le cadre gagne à être présenté dès la réunion de lancement, avant même la pose du matériel. Une équipe qui sait ce que l'outil regarde, et ce qu'il ne regarde pas, s'en sert vraiment, et c'est à ce moment-là qu'il commence à réduire la démarque inconnue.