masecu.fr
    Le média de la sécurité privée
    Technologies

    IA et démarque inconnue en magasin : cadre RGPD 2026

    L’IA permet de détecter plus tôt les fraudes et pertes en magasin, à condition de cadrer strictement les traitements de données. Voici comment concilier performance opérationnelle, sécurité juridique et acceptabilité terrain.

    Sophie Lambert··9 min de lecture
    Partager
    IA et démarque inconnue en magasin : cadre RGPD 2026
    Sommaire · 27 sections

    Chapô

    La démarque inconnue pèse directement sur les marges, la disponibilité produits et la qualité d’exploitation des points de vente. Face à des équipes sous tension, l’IA promet une détection plus rapide des anomalies, une priorisation des contrôles et une meilleure allocation des moyens terrain. Mais dès qu’un dispositif croise caméras, analyse comportementale, données d’incidents ou rapprochement de tickets, la question n’est plus seulement technique : elle devient juridique, opérationnelle et sociale. Pour les exploitants et les dirigeants, l’enjeu en 2026 est clair : utiliser l’IA pour réduire les pertes sans basculer dans une surveillance disproportionnée ni fragiliser la conformité RGPD.

    À retenir

    • L’IA peut identifier des schémas de démarque inconnue plus tôt qu’un contrôle manuel, mais elle doit rester proportionnée et documentée.
    • Le RGPD impose une base légale, une information claire, une minimisation des données et une durée de conservation limitée.
    • En magasin, la vidéosurveillance ne doit pas se transformer en système de reconnaissance ou de profilage des clients sans analyse d’impact renforcée.
    • Les solutions les plus robustes sont souvent celles qui travaillent sur des événements agrégés, anonymisés ou pseudonymisés plutôt que sur l’identification directe des personnes.
    • Le DPIA, les contrats avec les sous-traitants et la gouvernance des accès sont incontournables dès qu’un moteur IA traite des données potentiellement identifiantes.
    • La CNIL rappelle régulièrement qu’un dispositif de sécurité ne peut pas produire des effets excessifs sur les droits des personnes.
    • Côté terrain, la réussite dépend autant du paramétrage, des seuils d’alerte et des procédures d’escalade que de l’algorithme lui-même.

    Pourquoi l’IA change la lutte contre la démarque inconnue

    La démarque inconnue ne se limite plus au simple vol à l’étalage. Elle agrège les erreurs de caisse, les écarts de réception, les litiges fournisseurs, les invendus mal enregistrés, les fraudes internes et certains comportements opportunistes. Dans un magasin à forte rotation, quelques points de marge perdus sur une année peuvent représenter des dizaines de milliers d’euros. Un site réalisant 12 millions d’euros de chiffre d’affaires avec 1,8 % de démarque inconnue supporte déjà 216 000 euros de pertes brutes ; si l’IA réduit cette part à 1,2 %, le gain annuel atteint 72 000 euros.

    L’intérêt majeur de l’IA tient à sa capacité à corréler des signaux faibles : passage répété sans achat dans une zone sensible, écart entre flux de fréquentation et ventes, anomalies de tickets à certaines heures, récurrence de gestes suspects sur des familles produits, ou encore disparités entre magasins comparables. Là où une équipe humaine observe après coup, l’IA permet d’agir en quasi temps réel, soit pour renforcer la présence dissuasive, soit pour affiner la prévention.

    Ce que l’IA sait faire utilement

    Les usages les plus matures sont l’analyse vidéo d’événements, la détection d’anomalies de caisse, la comparaison des flux inventaires/ventes, et la priorisation des alertes selon un score de risque. Dans ce cadre, l’IA ne “condamne” personne : elle signale une probabilité. C’est une nuance essentielle pour éviter les décisions automatisées excessives.

    Ce qu’elle ne doit pas faire seule

    Une IA ne doit pas servir de machine à désigner un suspect sans contrôle humain. En pratique, toute alerte doit être qualifiée par un manager, un chef de caisse ou un agent habilité, puis recoupée avec plusieurs éléments objectifs. Cette étape protège à la fois la fiabilité opérationnelle et la conformité juridique.

    Le cadre RGPD appliqué au magasin

    Le point de départ est l’article 5 du RGPD : licéité, loyauté, transparence, minimisation, exactitude, limitation de conservation et intégrité/confidentialité. Dans un dispositif IA de détection de démarque, ces principes commandent tout le reste. Le traitement doit reposer sur une base légale adaptée, souvent l’intérêt légitime de l’exploitant au titre de l’article 6, paragraphe 1, point f, du RGPD, dès lors que le dispositif est strictement nécessaire à la prévention des pertes et qu’un test de mise en balance a été réalisé.

    Le recours à l’intérêt légitime ne dispense ni d’informer les personnes, ni d’encadrer la durée de conservation, ni de réaliser un DPIA lorsqu’un risque élevé est identifié. Si le dispositif implique une surveillance systématique à grande échelle d’une zone accessible au public, la prudence commande un examen renforcé. La CNIL insiste depuis longtemps sur le caractère proportionné des dispositifs de vidéosurveillance et sur la nécessité de ne pas détourner la finalité initiale du système.

    Information des clients et des salariés

    Les clients doivent être informés de manière visible et compréhensible : finalité du dispositif, responsable de traitement, droits, contact DPO ou référent, durée de conservation, destinataires. Pour les salariés, l’information doit être encore plus claire, notamment si les images ou événements peuvent être utilisés pour l’organisation du travail ou la sécurité. L’article L1222-4 du Code du travail rappelle qu’aucune information collectée par un dispositif non porté à la connaissance des salariés ne peut être utilisée à leur encontre.

    Base légale et finalité

    Un magasin peut difficilement justifier un moteur IA “généraliste” sans finalité explicite. Il faut distinguer la prévention de la démarque, la sécurisation des biens et la gestion des incidents. Mélanger les finalités augmente les risques de dérive et complique la documentation. En cas de contrôle, l’exploitant doit démontrer que chaque usage est relié à un objectif précis et mesurable.

    Les architectures techniques les plus conformes

    Le meilleur moyen de concilier efficacité et conformité consiste à réduire les données personnelles traitées. Les architectures les plus vertueuses sont celles qui privilégient le traitement local, la détection d’événements plutôt que l’identification, et l’anonymisation en amont quand c’est possible. Un système embarqué en edge computing peut, par exemple, analyser une séquence vidéo pour produire une alerte “franchissement de zone sensible”, sans remonter l’intégralité des flux vers un serveur central.

    Dans les magasins à forte affluence, cette approche limite la circulation des images et réduit les risques de fuite. Le traitement centralisé, plus simple à exploiter, n’est pas interdit, mais il doit être justifié par un besoin réel de supervision multi-sites ou d’amélioration continue des modèles. Plus le dispositif agrège de données, plus les exigences de sécurisation, de gouvernance et de documentation augmentent.

    Anonymisation, pseudonymisation, agrégation

    L’anonymisation effective sort du champ du RGPD, mais elle est difficile à garantir sur vidéo. La pseudonymisation reste souvent le compromis le plus réaliste : les identifiants directs sont supprimés, les accès sont restreints, et les correspondances sont conservées séparément. Pour les tableaux de bord, il est préférable de remonter des indicateurs agrégés par rayon, créneau horaire, magasin ou typologie d’anomalie plutôt que des données nominatives.

    Choix des capteurs

    La conformité se joue aussi dans le choix du matériel. Des capteurs de présence, des compteurs de flux ou des analytics en bord de caméra peuvent suffire à détecter certaines incohérences sans recourir à des fonctions intrusives. À l’inverse, la reconnaissance faciale ou la notation comportementale individualisée exposent à des risques juridiques majeurs et, selon le contexte, à une incompatibilité avec les exigences de proportionnalité.

    Gouvernance : ce qu’un dirigeant doit exiger du projet

    Un projet IA anti-démarque ne peut pas être piloté comme un simple achat de logiciel. Il faut un sponsor métier, un référent RGPD, un responsable sûreté/sécurité, la DSI et, idéalement, le DPO dès la phase d’expression de besoin. Le cahier des charges doit décrire la finalité, les scénarios d’usage, les sources de données, les personnes habilitées, les critères d’alerte et les seuils de tolérance. Sans cela, le risque est double : surinvestir dans une solution mal exploitée ou créer un dispositif juridiquement fragile.

    La gouvernance doit aussi prévoir une revue périodique. Un algorithme performant en boutique urbaine ne l’est pas forcément en hypermarché, en zone touristique ou en drive. Les faux positifs peuvent saturer les équipes et ruiner l’adhésion du terrain. À l’inverse, des seuils trop élevés laissent filer la démarque. Il faut donc une boucle de calibration continue, avec mesures de précision, rappel, taux d’alerte utile et taux de levée d’ambiguïté après contrôle humain.

    Le DPIA comme outil de pilotage

    Le registre des traitements ne suffit pas. Dès lors qu’un traitement peut engendrer un risque élevé pour les droits et libertés, une analyse d’impact est nécessaire au sens de l’article 35 du RGPD. Le DPIA doit décrire les flux, les risques, les mesures de réduction et les raisons pour lesquelles le traitement reste proportionné. En cas d’analyse vidéo avancée ou de corrélation poussée de comportements, ce document devient une pièce maîtresse.

    Le rôle des sous-traitants

    L’article 28 du RGPD impose un contrat de sous-traitance précis. Il faut exiger les garanties de sécurité, la localisation des données, les modalités de support, la réversibilité et les conditions d’entraînement des modèles. Point crucial : le fournisseur ne doit pas réutiliser les données du magasin pour son propre bénéfice sans base juridique claire et sans clause expresse.

    Vidéo, IA et contrôle des personnes : la frontière à ne pas franchir

    La ligne rouge est simple : mieux détecter une anomalie ne donne pas le droit de surveiller tout le monde de façon permanente et individualisée. La CNIL rappelle que les dispositifs de sécurité doivent être proportionnés à la zone filmée, au niveau de risque et à la finalité poursuivie. Filmer des caisses, des réserves ou des rayons sensibles peut se justifier plus facilement que la surveillance continue d’une zone de passage ou d’un espace de pause.

    Sur le terrain, le plus grand risque n’est pas toujours la caméra elle-même, mais l’usage secondaire des données. Si les images servent aussi à l’évaluation disciplinaire, au contrôle du temps de présence ou au suivi comportemental des salariés, il faut une base, une information et des garanties spécifiques. L’article L1121-1 du Code du travail impose une restriction proportionnée aux droits des personnes. La surveillance ne doit jamais devenir généralisée ni permanente sans nécessité démontrée.

    Jurisprudence utile et ligne CNIL

    La jurisprudence sociale admet que des preuves issues d’un dispositif de surveillance puissent parfois être recevables si le système est licite et proportionné, mais l’exploitation d’un moyen déloyal ou non porté à la connaissance des intéressés reste risquée. En pratique, un système mal déclaré ou trop intrusif affaiblit la position de l’employeur devant les juridictions.

    Cas des zones sensibles

    En réserve, en réception ou sur les caisses automatiques, l’IA peut être plus facilement justifiée qu’en surface de vente si elle cible un risque précis. En revanche, les zones de repos, les vestiaires et les sanitaires sont hors sujet. La règle doit rester simple pour les équipes : on filme la sécurité des biens et la prévention des pertes, pas la vie privée des personnes.

    Cas pratiques de mise en œuvre

    Cas 1 : magasin alimentaire de proximité

    Un réseau de 40 magasins en centre-ville subit une démarque inconnue de 1,7 % sur un chiffre d’affaires moyen de 4,5 millions d’euros par point de vente. Le groupe installe une solution IA qui détecte les incohérences entre passages en caisse, ouvertures de porte réserve et séquences de forte affluence. Après trois mois, les alertes exploitables sont de 180 par magasin et par mois, avec 22 % de faux positifs. En abaissant le seuil de sensibilité sur certaines plages horaires et en couplant les alertes à des contrôles de caisse ciblés, le taux d’alertes utiles grimpe à 61 %. Le gain net estimé est de 18 000 euros par magasin et par an.

    Cas 2 : enseigne spécialisée non alimentaire

    Une enseigne de bricolage utilise des caméras intelligentes en sortie de rayon pour repérer les ruptures de trajectoire inhabituelles vers les issues secondaires. Le système ne stocke que des événements horodatés et non des visages. Le DPIA conclut à un risque modéré, compensé par la pseudonymisation, l’accès restreint aux alertes et une conservation de 30 jours maximum pour les incidents. Le résultat : meilleure priorisation des rondes et baisse des écarts inventaires sur les outillages à forte valeur.

    Cas 3 : hypermarché avec self-checkout

    Sur les caisses automatiques, l’IA repère les schémas “scan skipping” et les séquences d’annulation répétées. Ici, la vigilance RGPD est maximale : le système doit être paramétré pour détecter des comportements, pas profiler des personnes au long cours. La direction décide de croiser les alertes avec les journaux de caisse, sans extraction massive d’images, et de réserver l’accès aux seuls responsables habilités. Cette organisation réduit les risques tout en permettant un contrôle terrain ciblé.

    Erreurs à éviter et bonnes pratiques opérationnelles

    La première erreur consiste à acheter une solution “tout-en-un” sans cadrage juridique. La deuxième est de confondre sécurité, productivité et disciplinaire dans le même outil. La troisième est de conserver les données trop longtemps “au cas où”. En réalité, plus la durée de rétention s’allonge, plus le risque de dérive et d’incident augmente.

    Autre écueil fréquent : laisser l’outil produire des alertes sans supervision. L’IA doit assister la décision, pas la remplacer. Il faut aussi éviter la sous-information des équipes. Une solution contestée par les salariés ou mal comprise par les managers finira souvent sous-exploitée. Enfin, ne pas tester le taux de faux positifs avant le déploiement réel revient à confondre démonstration commerciale et performance opérationnelle.

    Bonnes pratiques concrètes

    • Définir une finalité unique et mesurable.
    • Réaliser un DPIA avant le déploiement.
    • Limiter les accès aux images et alertes.
    • Pseudonymiser et agréger autant que possible.
    • Paramétrer des durées de conservation courtes et tracées.
    • Former les équipes à la qualification des alertes.
    • Auditer les seuils, les biais et les faux positifs tous les trimestres.

    Comment industrialiser le déploiement sans perdre la conformité

    Pour un réseau de magasins, l’enjeu n’est pas seulement de réussir un pilote, mais de standardiser un modèle déployable. Il faut un socle documentaire commun : politique de traitement, modèle d’affichage, procédure de gestion des incidents, matrice d’habilitation, contrat type sous-traitant et protocole de rétention. Ensuite, chaque site peut ajuster les paramètres selon sa typologie : flux, saisonnalité, amplitude horaire, niveau de risque, surfaces sensibles.

    La réussite repose aussi sur la mesure. Un projet bien conçu suit plusieurs indicateurs : taux de démarque avant/après, nombre d’alertes traitées, taux de levée de doute, temps gagné en contrôle, taux de contestation salarié, et coût complet du dispositif. Sans ces métriques, impossible de savoir si l’IA crée réellement de la valeur ou seulement du bruit.

    Arbitrer entre performance et sobriété

    Un modèle plus sophistiqué n’est pas toujours le meilleur. Dans bien des magasins, une solution sobre, bien paramétrée et bien acceptée rapportera davantage qu’un système très intrusif. La sobriété n’est pas un renoncement : c’est souvent le meilleur levier de conformité durable et d’efficacité terrain.

    Références utiles pour cadrer le projet

    Le socle juridique à garder sous la main comprend le RGPD, notamment les articles 5, 6, 13, 28, 35 et 32 ; le Code du travail, en particulier les articles L1121-1 et L1222-4 ; ainsi que les lignes directrices et recommandations de la CNIL relatives à la vidéosurveillance, à la vidéosurveillance des salariés et à la sécurité des données. En pratique, la doctrine CNIL rappelle qu’un dispositif doit être nécessaire, proportionné, transparent et sécurisé.

    Pour les exploitants, le bon réflexe consiste à documenter chaque arbitrage : pourquoi ce capteur, pourquoi cette durée, pourquoi ce seuil, pourquoi cet accès. Cette traçabilité protège l’entreprise en cas de contrôle CNIL, mais aussi en cas de litige social ou de contestation interne. Elle fait la différence entre un projet technologique ambitieux et un système juridiquement maîtrisé.

    Conclusion

    L’IA peut devenir un levier puissant contre la démarque inconnue, à condition d’être pensée comme un outil de décision encadré, pas comme un dispositif de surveillance généralisée. Les magasins qui réussiront en 2026 seront ceux qui concilient performance, sobriété des données et gouvernance rigoureuse. En pratique, la bonne stratégie consiste à réduire les données collectées, renforcer l’analyse d’impact et maintenir un contrôle humain systématique sur les alertes.

    Partager

    Questions fréquentes

    Quelle base légale utiliser pour un dispositif IA anti-démarque en magasin ?

    Dans la plupart des cas, l’intérêt légitime de l’exploitant est la base la plus adaptée. Il faut toutefois documenter la mise en balance et montrer que le dispositif est nécessaire et proportionné.

    Faut-il un DPIA pour une caméra intelligente en magasin ?

    Dès qu’il y a surveillance systématique, analyse comportementale ou risque élevé pour les droits des personnes, le DPIA est fortement recommandé et souvent indispensable. Il sert à démontrer la maîtrise des risques avant le déploiement.

    Peut-on utiliser les alertes IA pour sanctionner un salarié ?

    Oui, mais uniquement si le dispositif est licite, porté à la connaissance des salariés et conforme aux règles du droit du travail. Une alerte IA doit être corroborée par des éléments humains et objectifs avant toute décision disciplinaire.

    Combien de temps conserver les images ou événements ?

    La durée doit être la plus courte possible au regard de la finalité. En pratique, beaucoup de magasins retiennent des durées brèves pour les événements courants, avec conservation plus longue uniquement pour les incidents qualifiés et documentés.

    Comment réduire les faux positifs sans perdre en efficacité ?

    Il faut calibrer les seuils par typologie de magasin, suivre les taux de levée de doute et ajuster régulièrement les modèles. Le meilleur indicateur reste la part d’alertes réellement exploitables par les équipes terrain.

    Pour aller plus loin

    Questions liées à cet article

    Où approfondir « Technologies & Sûreté » sur Masecu ?

    La rubrique Technologies & Sûreté regroupe nos enquêtes, guides pratiques et brèves sur ce thème, mises à jour régulièrement par la rédaction.

    Explorer Technologies & Sûreté →
    SL
    Auteur
    Sophie Lambert

    Ancienne DRH d'un groupe de sécurité de 800 agents, Sophie Lambert accompagne depuis 12 ans les agences sur la convention collective IDCC 1351, la formation MAC et les politiques de fidélisation. Elle intervient régulièrement auprès des branches professionnelles sur les enjeux de pénurie d'agents.

    La veille Masecu

    L'essentiel de la sécurité privée, chaque mardi

    Veille réglementaire, décryptages CNAPS, appels d'offres et outils opérationnels. 5 minutes de lecture, gratuit.

    • Le récap réglementaire de la semaine (CNAPS, CCN, marchés)
    • Les analyses et guides réservés aux abonnés
    • Les nouveaux outils et modèles à télécharger

    Vous voulez aller plus loin ? Créez un compte abonné gratuit pour configurer votre veille et accéder au contenu exclusif.