Burberry
copilote genAI pour conseiller (recherche, reconnaissance image, complete-the-look)
Penguin, le copilote genAI de clienteling construit en interne par Burberry, a apporte +24% de panier moyen sur les canaux service client et equipe plus de 100 conseillers sur tous les marches.
L'essentiel
- Copilote GenAI Penguin pour conseillers : recherche produit, reconnaissance image street-to-shop, complete-the-look.
- Construit en interne (transformers et LLM fine-tunes sur les looks Burberry) par une equipe de trois personnes.
- +24% de panier moyen sur les canaux service client, plus de 100 conseillers equipes.
- Preuve B, statut vivant confirme (DataIQ Awards 2025).
Objectif
Donner aux conseillers service client de Burberry un copilote genAI qui accelere la recherche produit, la reconnaissance d'articles et les suggestions de tenues, pour servir les clients plus vite et augmenter la valeur des transactions.
Le déploiement
Penguin est une plateforme generative construite en interne par une equipe data science de trois personnes avec le service client. Elle combine trois fonctions : une recherche produit en langage naturel multilingue, une reconnaissance d'image street-to-shop qui identifie un produit Burberry sur une photo et le retrouve au catalogue, et un complete-the-look qui genere des propositions de tenues coherentes avec l'esthetique de la marque a partir d'un seul article. Penguin s'appuie sur des transformers et des LLM fine-tunes sur les looks Burberry. En parallele, Burberry exploite une suite de modeles data (intention, recommandation, affinite produit) qui alimente les campagnes pilotees en boutique. La demarche a ete distinguee aux DataIQ Awards 2025.
Résultats Preuve B
Deux dossiers laureats DataIQ Awards 2025 chiffrant separement le copilote clienteling (Penguin, +24% ATV) et la transformation data (7 M GBP incremental). Etude de cas chiffree, jugee par un tiers du secteur, pas de figure issue de la marque seule.
Comment ça fonctionne
Architecture documentéeLa stack en détail
- llm LLM fine-tunes sur les looks Burberry Modeles de langage adaptes au corpus de looks cures de la marque pour le complete-the-look ; le modele de base n'est pas nomme dans les sources.
- outil Reconnaissance d'image street-to-shop (transformers maison) Detection d'un produit Burberry sur une photo et rattachement au catalogue, integree a Penguin.
- outil Recherche produit en langage naturel multilingue Brique de recherche de Penguin, construite en interne sur le catalogue produit.
- outil Suite de modeles data (intention, recommandation, affinite produit) Modeles maison qui alimentent les campagnes pilotees en boutique, plus de 90% des campagnes store-led utilisant ce cadre.
Comment ça tourne, concrètement
Pour les équipes ops-
1Requete du conseiller conseiller service client
Le conseiller pose une question produit en langage naturel ou charge une photo d'article a identifier.
-
2Recherche et reconnaissance IA
Penguin interprete la requete ou detecte le produit sur l'image (street-to-shop) et le relie au catalogue.
-
3Suggestion de tenue IA
A partir d'un article, le complete-the-look genere des propositions coherentes avec les looks Burberry.
-
4Reponse au client conseiller service client
Le conseiller valide, ajuste et transmet la reponse au client, gardant la main sur la relation.
Le catalogue produit a jour et les looks Burberry cures qui servent au fine-tuning. Sans ce corpus de marque, le complete-the-look derape hors de l'esthetique et perd sa credibilite.
Comment vos clients perçoivent ce type d'usage
Études sourcéesLes consommateurs n'acceptent pas les chatbots par defaut : 64% prefereraient que les entreprises n'utilisent pas d'IA dans leur service client (Gartner, 2024) et pres d'un utilisateur sur cinq du service client par IA n'en retire aucun benefice (Qualtrics, 2025). L'acceptation se construit sur trois conditions mesurees par Salesforce : savoir qu'on parle a une IA, pouvoir escalader vers un humain, comprendre la logique de l'agent.
Conditions d'acceptation
- Etre informe qu'on parle a une IA et non a un humain (pres de 75% le demandent, Salesforce 2024)
- Un chemin d'escalade clair vers un agent humain (45% plus enclins a utiliser l'agent IA, Salesforce 2024)
- Une logique de l'agent clairement expliquee (44% plus enclins, Salesforce 2024)
Lignes rouges
- Rendre l'humain injoignable : c'est la premiere inquietude des consommateurs sur l'IA dans le service client (Gartner 2024) et 50% craignent que l'IA les coupe du contact humain (Qualtrics 2025)
- Remplacer le service client par l'IA sans alternative : 53% envisageraient de partir chez un concurrent (Gartner 2024)
Sources : Salesforce 2024 · Gartner 2024 · Qualtrics 2025
Voir l'acceptation complète : par pays, par usage, par génération
Comment répliquer
Inférence - non sourcéPrérequis data
- catalogue produit structure avec images
- corpus de looks de marque pour le fine-tuning
- donnees client opt-in pour la personnalisation
Prérequis orga
- equipe data science interne capable de fine-tuner des LLM
- service client implique dans la conception
- conduite du changement cote conseillers
Stack possible
- LLM open ou API avec fine-tuning
- modele de vision (detection produit)
- moteur de recommandation
- interface conseiller mobile/tablette
Le plan, étape par étape
- Étape 1Structurer le catalogue (attributs, images) et curer un corpus de looks de marque avec les equipes style.Livrable : Corpus d'entrainement valide par la direction de style.
- Étape 2Prototyper la recherche produit en langage naturel sur le catalogue et la faire tester par une poignee de conseillers.Livrable : Prototype teste avec retours conseillers documentes.
- Étape 3Ajouter la reconnaissance d'image et le complete-the-look fine-tune sur le corpus de looks.Livrable : Copilote trois fonctions en pilote sur un perimetre restreint.
- Étape 4Deployer aupres des conseillers d'un marche avec formation ; le conseiller garde la main sur la reponse au client.Livrable : Adoption mesuree sur un premier marche.
- Étape 5Comparer le panier moyen des canaux equipes et non equipes, puis arbitrer l'extension aux autres marches.Livrable : Bilan panier moyen et plan de rollout.
Première étape : Prototyper une recherche produit en langage naturel plus un complete-the-look sur un catalogue, teste avec une poignee de conseillers.
Le même pattern, prouvé dans d'autres industries
Amazon
assistant shopping genAI
Booking.com
assistant de planification de voyage genAI
Flipkart
assistant d'achat conversationnel genAI
Sources
- S1 Most Innovative Use of AI (Global) - Burberry (DataIQ Awards 2025) Secondaire archive à générer
- S2 Transformation with Data (Global) - Burberry (DataIQ Awards 2025) Secondaire archive à générer
Une erreur, une info plus récente, une source ?
Cette fiche vit de sa justesse. Si un chiffre a bougé, si le déploiement a changé, ou si vous avez une source de meilleure qualité, dites-le nous. Toute correction sourcée est vérifiée avant publication.