#IA #IntelligenceArtificielle #SupplyChain #SupplyChainManagement #Logistique #Optimisation #Prediction #MachineLearning #LLM #LargeLanguageModel #IAgenerative #AgentsIA #Digitalisation #PME #ERP #PerformanceIndustrielle #Dillygence #DispoX #Innovation #Technologie
IA et Supply Chain Management
Ayant récemment accompagné différentes PME dans le choix de leur ERP, j’ai été déçu de constater que les solutions de Business Intelligence intégrées aux ERP nécessitent encore de maîtriser le SQL pour créer les requêtes et exploiter la data. Bref, à moins de se former au SQL, les dirigeants de PME (ou certains de leurs collaborateurs) n’ont pas directement accès aux données de leur entreprise, ce qui constitue un frein à la compréhension de leur activité, des opportunités et des tendances… éléments pourtant essentiels au pilotage opérationnel et stratégique de leurs entreprises dans un contexte de transformation digitale et de compétitivité accrue dans la chaîne logistique.
Dans le cas des ERP Open Source, une solution palliative facilite l’accès aux données : il est possible de demander à un LLM (Large Language Model) tel que ChatGPT de générer la requête SQL souhaitée à partir d’une interrogation en langage naturel. Avant même que des LLM ne soient intégrés directement aux ERP, cette approche permet déjà d’automatiser des tâches complexes et de démocratiser l’exploitation du big data en entreprise. Les LLM deviennent ainsi des copilotes et des assistants digitaux capables d’aider les responsables logistique ou supply chain managers à piloter plus efficacement leurs flux logistiques, leurs approvisionnements et la gestion d’entrepôt.
Mais de façon plus générale, qu’en est-il de l’intelligence artificielle dans le pilotage de la supply chain ? Les excès de l’usage du terme IA et le tapage médiatique associé créent un brouillard autour de ce concept et mettent en doute la réalité de sa mise en œuvre effective. Pourtant, l’IA – qu’il s’agisse d’apprentissage automatique (Machine Learning), d’apprentissage profond (Deep Learning), d’analytique prédictive ou encore de jumeaux numériques – s’impose progressivement dans la gestion des stocks, la planification logistique, la traçabilité et la visibilité de bout en bout, jusqu’à la distribution logistique et la logistique internationale.
Tout d’abord, l’IA est capable d’optimiser, de prédire, de classifier ou de générer. Concernant l’optimisation, l’IA s’appuie essentiellement sur des algorithmes de recherche opérationnelle qui existent pour la plupart depuis des décennies. Il s’agit là de la seule discipline de l’IA qui ne nécessite pas d’effectuer un apprentissage avant d’utiliser ces algorithmes. L’usage le plus classique concerne l’optimisation logistique et en particulier des itinéraires de livraison, dont la précision a été améliorée depuis 10 ans en tenant compte des données de vitesse par tranche horaire. D’autres algorithmes d’optimisation sous contrainte, comme ceux utilisés pour l’ordonnancement de la production, permettent d’optimiser les flux de production, le planning, et d’améliorer le pilotage des flux physiques tout en réduisant les coûts. Ces techniques sont devenues essentielles dans les projets logistiques de grande distribution ou de logistique industrielle, où les responsables supply chain doivent assurer la fiabilité et la résilience des processus.
Concernant la prédiction, on constate de plus en plus d’utilisation du Machine Learning. Ce dernier permet de prendre en compte diverses variables exogènes pour améliorer la qualité de la prévision de la demande, des expéditions ou des performances des fournisseurs. Si des méthodes de prévisions existent depuis des décennies – le lissage exponentiel a été défini par Robert G. Brown dès les années 1950 – l’amélioration de la précision des prédictions, notamment via l’évaluation des impacts de facteurs exogènes, est aujourd’hui l’une des grandes forces de l’IA. Avec des bibliothèques open source telles que Prophet de Meta, il devient possible en quelques semaines de mettre en place des modèles capables d’anticiper des ruptures de stock, de simuler des scénarios ou d’évaluer la fiabilité de fournisseurs. Ces solutions permettent d’automatiser des analyses qui, autrefois, nécessitaient des mois d’expertise et de paramétrage. Elles transforment ainsi la gestion des approvisionnements, la manutention, le réapprovisionnement et l’organisation logistique dans l’entreprise.
Mais la réelle révolution de l’IA est liée à l’intelligence artificielle générative, très récente – ChatGPT 3 ne date que de 2022 – et qui présente de multiples cas d’usage dans la supply chain. Chez Renault, par exemple, une solution s’appuyant sur la connaissance du réseau des sites fournisseurs de rang 1 à n, combinée avec un scan des articles de presse et autres données issues d’Internet des Objets (IoT), permet d’identifier en temps réel des événements perturbant la production, comme une grève ou un blocage logistique. Cette anticipation – véritable insight – permet de prendre rapidement des décisions pour réduire le risque, optimiser les délais de livraison et éviter une contre-performance opérationnelle. Dans ce cadre, l’IA devient un levier puissant pour la logistique de distribution, le transport routier, ou encore la gestion des opérations logistiques dans des contextes complexes comme le commerce international.
En s’appuyant sur l’IA générative et les LLM, la révolution actuelle consiste à créer des agents IA capables de répondre de façon autonome à des questions complexes et d’assister activement les supply chain managers. Ces agents IA peuvent :
Comprendre une instruction en langage naturel et l’automatiser,
Lire et analyser des documents et données en temps réel,
Planifier l’exécution d’une tâche complexe en la décomposant en tâches élémentaires,
Interagir avec les logiciels de gestion des entrepôts (WMS), de production ou de transport et logistique,
Simuler des scénarios (what if) via des jumeaux numériques et proposer des alternatives,
Évaluer qualitativement et quantitativement différents scénarios d’approvisionnement, de transporteurs ou de conformité réglementaire.
Ces avancées permettent par exemple d’interroger un agent sur les risques de rupture de stock suite au blocage du canal de Suez, puis d’obtenir en quelques secondes des scénarios optimisés : réallocation des flux logistiques, recherche d’alternatives fournisseurs, ou encore simulation de délais selon différents modes de transport. Là où le supply chain manager devait mobiliser plusieurs heures et différents acteurs, l’IA réduit le temps de décision et augmente la précision des arbitrages. Toutefois, l’humain dans la boucle reste indispensable : les IA génératives, malgré leur puissance, peuvent encore produire des hallucinations, et la responsabilité de l’arbitrage final appartient toujours au décideur.
Ce sujet fait actuellement l’objet de recherches intensives chez les éditeurs de solutions pour la gestion de la chaîne logistique, tels que Kinaxis, Planisense-Futurmaster ou SAP, qui ont présenté leurs avancées lors du Forum d’été de Supply Chain Magazine le 3 juillet 2025. Leur objectif : intégrer des modules basés sur l’IA, le cloud et l’optimisation des flux afin de rendre les outils plus autonomes, plus interopérables avec les systèmes hérités et plus efficaces en termes de traçabilité et de conformité réglementaire. La promesse est claire : transformer profondément les métiers de la logistique, améliorer la performance logistique, tout en réduisant les coûts, l’impact environnemental et le gaspillage.
Qu’en est-il de l’IA chez Dillygence ?
Chez Dillygence, notre jumeau numérique DispoX excelle dans l'optimisation des flux de production, surpassant les approches classiques par une vitesse d’analyse des milliers de fois supérieure et de ce fait, de sa capacité à analyser les dynamiques de l’usine dans son ensemble. Nous nous positionnons ainsi comme un acteur clé de jumeaux numériques basés sur l'IA dédiée à l'optimisation des performances industrielles.
Alors que les technologies d'IA et de LLM tendent à devenir des commodités, notre force réside dans notre R&D et la manière d’utiliser les expertises métiers en combinaison avec l’IA et les LLMs. Cela nous permet de réaliser des interventions chirurgicales, rapides et génératrices de résultats impactants, se chiffrant souvent en millions de gains pour nos clients. Nos projets logistiques, qu’il s’agisse de gestion de production, de planification logistique ou d’optimisation des approvisionnements, reposent sur une ingénierie avancée, une agilité forte et une amélioration continue du pilotage des flux.
Pour aller plus loin
Gartner Hype Cycle for AI de juin 2025 :
Kinaxis :
Planisense-Futurmaster :
SAP :
*SQL = Structured Querry Language c’est le langage universel utilisé pour interroger des bases de données relationnelles, et tous les ERP s’appuient sur des systèmes de gestions de bases de données relationnelles.
* Pendant des décennies, c’est le terme prévision que j’utilisais, aujourd’hui le terme de prédiction s’impose, porté par les data scientists que ce soit en français ou en anglais (forecast – prediction). Il est temps de clarifier ces termes quasi synonymes, car tous deux consistent en une estimation du futur :
La prévision est une estimation du futur basée sur des modèles explicites, des données historiques et une certaine compréhension des causes,
La prédiction est une estimation du futur sans forcément comprendre les mécanismes, souvent basée sur des algorithmes ou corrélations statistiques me dit Chatgpt. En effet, avec les solutions de l’IA, par exemple le Deep Learning ou Random Forest, les modèles apprennent des relations complexes et non linéaires dans les données, mais ne rendent pas toujours visibles les corrélations qu’ils utilisent. Si globalement, et paradoxalement, la prédiction peut s’avérer plus précise que la prévision, il n’en demeure pas moins que la corrélation peut révéler une causalité mais, dans la réalité, n’en apporte aucune garantie… aussi des erreurs peuvent se produire du fait de cette assimilation par l’IA entre corrélation et causalité.
