Alvanon a embauché son propre client. La société spécialisée dans les données de tailles a nommé deux directrices régionales ce mois-ci. L’une d’elles, Tabitha Chilton, dirigeait le développement produit numérique chez HanesBrands et y a normalisé l’ajustement technique sur les avatars et mannequins d’Alvanon. C’est le côté de la table qui signe. Les recrutements sur le terrain d’un fournisseur trahissent le type d’acheteur qu’il vise, et celui d’Alvanon se situe désormais en amont de l’échantillon.

La seconde nomination se situe à l’autre bout du même processus. Laura Berens a fondé la marque DTC Love & Fit avant de se tourner vers le conseil en e-commerce, et décrit sa nouvelle mission comme consistant à « rendre des données produit précises et cohérentes accessibles aux agents d’IA et à faire tomber les cloisonnements hérités entre les équipes ». Aucune de ces deux recrues n’est technicienne de l’ajustement. Alvanon a pourvu le cahier des charges et la fiche produit, et laissé la cabine d’essayage aux mannequins.

L’ajustement a été vendu à ce secteur comme un problème de retours. Ce cadrage le place aux côtés de l’e-commerce et du contrôle qualité, qui tous deux inspectent un travail déjà accompli. Un retour est le reçu d’une décision prise une saison plus tôt, par quelqu’un qui rédigeait des mesures à destination d’une usine. L’argent était déjà perdu avant même que le colis ne revienne.

C’est dans le tech pack que résident ces décisions. Les règles de gradation et les tolérances sont arrêtées avant même qu’un échantillon existe, dans un document que suit l’usine. Envoyer une responsable du développement produit dans les locaux d’un client signifie qu’Alvanon s’attend à ce que le débat se joue là.

Une cabine d’essayage ne peut que rejeter le vêtement qu’un tech pack a déjà autorisé.

Le compte rendu de Sourcing Journal sur l’étude Coresight coécrite par Alvanon expose clairement l’argument commercial. Bershka a aligné l’ensemble de sa gamme entre équipes internes et fournisseurs grâce à des avatars numériques et à des mannequins physiques jumeaux, réduisant ses retours de 10 %. L’économie provient de ce qu’on a demandé aux usines de fabriquer, pas de ce qu’un client a renvoyé. Aucune cabine d’essayage ne peut récupérer cela.

Ce même article de Sourcing Journal place les tailles lisibles par machine au cœur du shopping agentique : les agents d’IA s’appuient sur des données structurées pour évaluer et recommander des produits, et pénalisent les marques dont les tailles sont incohérentes ou incomplètes. Un agent ne peut pas recommander ce qu’il ne peut pas analyser.

Nous avancions en juillet que la porte était déjà en train de se refermer. Un guide des tailles conçu pour des yeux humains ne peut pas être publié comme un cahier des charges, parce qu’il n’en a jamais été un.

Remarquons où se situe désormais la norme que Chilton a construite. Gildan a finalisé le rachat de HanesBrands le 1er décembre 2025 et vise au moins 200 millions de dollars d’économies en rythme annuel. La norme d’ajustement Hanes fait désormais partie de cette arithmétique, tandis que la personne qui l’a normalisée travaille pour la société qui vend les mêmes outils aux concurrents de Hanes. Rien n’a été dérobé. Le savoir s’est simplement déplacé vers la partie capable de le vendre deux fois.

Cela place les acheteurs dans une position inconfortable. Le corps auquel une marque ajuste ses vêtements sera spécifié par une société qui spécifie aussi ceux de ses rivales, et c’est ainsi qu’un secteur se retrouve avec une norme que personne n’a votée. Alvanon ne s’est pas donné pour mission d’écrire les règles ; elle a été engagée pour résoudre le problème des retours, et écrire les règles s’est avéré être la seule chose qui fonctionnait. Les normes sont efficaces. Celle-ci a un propriétaire.