Impact: MoyenDemand forecasting, replenishment and local assortment decisions2026-10-16· Retano
Umai Retail étend Retano SCM avec Leonardo AI et des outils de réapprovisionnement contrôlés par les planificateurs
Dans une communication datée du 16 octobre 2026, Retano indique qu'Umai Retail étend son utilisation de Retano SCM avec l'assistant Leonardo AI, un tableau de contrôle des prévisions, la planification des événements et promotions, ainsi que la gestion des assortiments locaux. Umai exploite plus de 170 magasins au Kirghizistan, avec une offre globale d'environ 20 000 références. Selon l'éditeur, Leonardo explique les recommandations de prévision et de réapprovisionnement, tandis que les planificateurs gardent la maîtrise des prévisions et que les responsables de magasin décident des changements d'assortiment local dans les matrices définies par le siège. Retano décrit ces fonctionnalités et processus, sans démontrer de diminution mesurée des ruptures, des stocks ou des coûts de planification attribuable à cette extension. Il s'agit d'un réapprovisionnement assisté par IA et encadré, et non d'une preuve de décisions de réapprovisionnement autonomes.
Photographie illustrative d'un magasin alimentaire, ne représentant ni un point de vente Umai Retail ni une interface Retano. Photo : Khaya Motsa / Pexels. Source : https://www.pexels.com/photo/grocery-store-worker-stocking-shelves-with-vegetables-40240972/ - Licence : https://www.pexels.com/license/
L'angle Dataleo
La nouveauté significative n'est pas simplement l'ajout d'un assistant IA à une plateforme de réapprovisionnement. C'est le lien, décrit par Retano, entre les explications, les diagnostics de prévision et les décisions qui restent du ressort des planificateurs et responsables de magasin.
Pour les dirigeants de la Supply Chain dans la distribution, cette approche ne crée de valeur que si les raisons des recommandations de prévision et d'assortiment permettent réellement d'agir, si les ajustements locaux sont traçables et si leurs résultats peuvent être confrontés aux hypothèses de départ. Dans un réseau de magasins aux formats variés, les commandes générées de manière centralisée doivent pouvoir intégrer les événements locaux sans donner à chaque utilisateur une autorité illimitée sur le modèle de planification.
L'arbitrage oppose contrôle, rapidité et cohérence : une plus grande autonomie locale peut améliorer la réactivité, mais aussi engendrer des hypothèses contradictoires et diluer les responsabilités. Le principal risque est une interface IA apparemment explicable produisant de nombreuses recommandations sans amélioration effective de la disponibilité, des marges ou de l'économie des stocks. Retano présente des fonctionnalités et des contrôles annoncés, pas des gains mesurés indépendamment ni un réapprovisionnement entièrement autonome.