Si l'histoire du ROI de l'IA en entrepôt 2026 se résumait en une phrase, ce serait celle-ci : cette année-là, la conversation est passée de « faut-il adopter l'IA ? » à « l'IA déjà déployée s'est-elle amortie ? ». En janvier, les fournisseurs montraient encore des humanoïdes et des grands modèles dans les salons ; à mi-année, ceux qui signaient les chèques posaient tous la même question : le contrat de l'année dernière a-t-il encore un sens dans les comptes de cette année ?
Les données du ROI de l'IA en entrepôt 2026 : l'adoption monte, la satisfaction stagne
Selon le rapport annuel 2025 de MHI et Deloitte, 28 % des organisations de la chaîne d'approvisionnement utilisaient déjà l'IA, et 54 % de plus prévoyaient de l'adopter dans les cinq ans : 82 % au total à l'horizon 2029. Un an plus tard, le rapport annuel MHI 2026 a ajouté des nuances : parmi plus de 500 dirigeants de la chaîne d'approvisionnement, 27 % utilisent désormais l'IA pour automatiser les décisions opérationnelles, 33 % pour la prévision de la demande et l'optimisation des stocks, et 30 % pour la maintenance prédictive.
Un point de données complémentaire mérite l'attention. Une étude de 2025 de MHI, Peerless Research Group et The Robotics Group a révélé que 48 % des organisations utilisaient des robots dans leurs installations — contre 23 % trois ans plus tôt — et que 64 % payaient via des modèles de robotique-as-a-service ou de software-as-a-service. Le matériel entre, et avec lui une nouvelle façon de payer.
Sur la taille du marché : Interact Analysis évalue le marché mondial de l'automatisation des entrepôts à $29.6 billion en 2020, en croissance jusqu'à $69 billion en 2025, avec des déploiements de robots mobiles passant d'un peu plus de 9,000 sites clients fin 2020 à plus de 53,000 fin 2025.
Mais l'enquête Insight 2030 de DHL ajoute une note sobre : 73 % des dirigeants s'attendent à dépendre davantage de l'IA dans cinq ans et 68 % à une dépendance accrue à la robotique — pourtant seuls 44 % ont réellement déployé des robots d'entrepôt, et à peine 34 % se disent pleinement satisfaits de leur robotique actuelle.
L'adoption a doublé ; la satisfaction reste à un sur trois. La divergence vit dans cet écart.
Les gagnants du ROI de l'IA en entrepôt 2026 : trois déploiements avec factures
Pièce n° 1 : DHL et Locus. Le partenariat a commencé en 2017. En mars 2026, DHL a annoncé que sa flotte d'AMR Locus avait réalisé sa milliardième préparation : des milliers de robots dans plus de 40 installations gérées par DHL, du e-commerce à la logistique de santé. Les chiffres publiés : des hausses de 30–180 % des unités préparées par heure, et une réduction de 80 % du temps de formation. Brian Gaunt, VP digitalisation de DHL Supply Chain, a attribué le mérite non pas aux robots mais à la « software and data readiness » (la préparation des logiciels et des données). Pour l'échelle : Locus, en tant qu'entreprise, a dépassé 22,000 robots, 8.5 billion préparations et 360 sites en octobre 2026, selon le rapport Mobile Robot Market d'Interact Analysis — le milliard de DHL n'est qu'un chapitre d'un livre plus grand.
Pièce n° 2 : Sequoia d'Amazon. Le système d'orchestration des stocks piloté par l'IA est entré en service à Houston en octobre 2023 puis a été installé dans le centre de traitement de nouvelle génération d'Amazon de 3.1 millions de pieds carrés à Shreveport, en Louisiane, ouvert en septembre 2024. Les chiffres publiés par Amazon : Sequoia identifie et range les stocks 75 % plus vite et réduit le temps de traitement des commandes dans le centre jusqu'à 25 %. Avec plus de 750,000 robots déployés sur tout le réseau, prenant en charge plus de 75 % des commandes clients, le PDG Andy Jassy a déclaré aux analystes lors de la conférence de résultats de février que l'entreprise avait déjà retiré « a significant amount of value » (une valeur significative) de ses innovations robotiques. L'IA de Sequoia n'a remplacé personne : elle a conteneurisé les stocks et les a orchestrés. Le maillon le moins glamour de la chaîne.
La pièce n° 3 est un contre-exemple : Berkshire Grey. En juillet 2021, l'entreprise est entrée en bourse via une fusion SPAC à une valeur d'entreprise de $2.2 billion, avec $507 million de trésorerie et aucune dette au bilan, selon les documents déposés auprès de la SEC, comptant Walmart, Target et FedEx parmi ses clients. La technologie n'était pas le problème. En 2024, SoftBank l'a retirée de la cote pour environ $375 million en cash : $1.30 par action. La même entreprise, la même technologie, plus de 80 % de la valeur envolée en trois ans. La leçon porte sur le modèle économique, pas sur l'ingénierie : les offres d'IA intégrées à actifs lourds n'avaient toujours pas de modèle de retour sur investissement fonctionnel en 2026.
Côte à côte, le schéma est lisible :
| Scénario | Preuves publiques (2026) | Structure de coûts | Pourquoi ça a payé — ou brûlé |
|---|---|---|---|
| Préparation collaborative AMR (DHL × Locus) | 1B préparations ; +30–180 % unités/heure ; −80 % temps de formation | RaaS allégé en actifs, extensible à la demande | Payé : ça a remplacé la marche, pas les travailleurs ; les flottes s'adaptent aux pics |
| Orchestration IA des entrées (Amazon Sequoia) | Rang des stocks 75 % plus rapide ; −25 % temps de traitement | Développé en interne, amorti à l'échelle | Payé : l'IA intégrée au processus, pas un appareil isolé |
| Bras de tri IA et tri par vision | 750K robots prenant en charge plus de 75 % des commandes | Amorti à l'échelle | Payé : mouvements à haute répétition, en service 24/7 |
| Prévision de la demande et optimisation des stocks | MHI 2026 : 33 % en usage, le plus élevé de tous les usages IA | Logiciel pur | La logique tient, mais les résultats dépendent de la qualité des données |
| IA agentique pour décisions autonomes | MHI 2026 : seulement 27 % | Logiciel pur | Brûlé : encore dans la phase « oserons-nous lui confier des décisions ? » |
| Robotique intégrée à actifs lourds | Valorisation $2.2B → rachat privé $375M | Capex lourd, déploiements longs | Brûlé : technologie correcte, modèle économique non prouvé |
| Robots humanoïdes | DHL Trend Radar 8.0 : tendance de long terme | Élevé | Brûlé : aucune preuve de retour en 2026 |
La lecture contre-intuitive, que les données de 2026 confirment largement : l'IA d'entrepôt qui s'est amortie le plus vite était généralement la moins « sonnante IA ». Préparation collaborative, orchestration des entrées, bras de tri — toutes faisant le travail ingrat de réduire les marches inutiles, de conteneuriser les stocks, d'identifier et de trier. Les noms les plus bruyants — la décision agentique, les humanoïdes — brûlaient encore du cash en validation. Les chiffres de MHI 2026 traduisent la phrase en arithmétique : seuls 27 % laisseraient l'IA prendre une décision opérationnelle, pendant qu'un seul opérateur enregistrait un milliard de préparations.
Pourquoi la fracture : trois variables
Premièrement, la structure de la main-d'œuvre. Le responsable mondial de la transformation numérique de DHL, Tim Tetzlaff, l'a dit sans détour à CNBC : les centres de distribution sont généralement situés là où « it's very tough to find additional labor or even additional spaces just to build these warehouses » (« il est très difficile de trouver de la main-d'œuvre supplémentaire, voire des espaces supplémentaires rien que pour construire ces entrepôts »). Le premier moteur de l'automatisation n'est pas que les gens coûtent cher — c'est qu'on ne peut pas les embaucher. Les projets qui remplacent des travailleurs introuvables s'amortissent vite ; ceux qui remplacent des travailleurs déjà présents exigent des calculs bien plus fins.
Deuxièmement, les fondations de données. Un détail révélateur dans Insight 2030 de DHL : 91 % des répondants avaient installé ou mis à niveau leur WMS au cours des cinq dernières années, mais à peine plus de la moitié utilisait un système de gestion de la main-d'œuvre — un écart que le rapport dit susceptible de « could be limiting the ability to optimize scarce labor resources » (« limiter la capacité à optimiser des ressources de main-d'œuvre rares »). Ajouté à l'insistance de Gaunt sur la préparation des logiciels et des données, la ligne de partage du retour sur investissement en 2026 est claire : ce n'est pas l'avancée du modèle qui compte, mais l'existence de données opérationnelles continues et exploitables.
Troisièmement, le modèle de paiement. Avec 64 % des organisations en RaaS ou SaaS, selon l'étude MHI de 2025, les robots sont passés d'un capex unique à un opex mensuel. En 2026, SoftBank et Symbotic ont formé la coentreprise GreenBox et signé environ $7.5 billion de contrats clients visant le marché de l'entrepôt-as-a-service. La question du retour a changé de forme : de « combien d'années pour atteindre le seuil de rentabilité ? » à « est-ce rentable chaque mois ? ».
Perspectives 2027–2029 : trois chronologies
Le Logistics Trend Radar 8.0 de DHL, publié en octobre 2026, cite l'IA agentique parmi ses tendances émergentes les plus significatives — l'IA passant de l'assistance aux humains à l'action autonome, ce que DHL appelle « an era of autonomous and physical AI » (« une ère de l'IA autonome et physique »). Mais les données de 2026 contraignent la chronologie : seuls 34 % sont pleinement satisfaits des robots d'aujourd'hui, seuls 27 % confieraient une décision opérationnelle à l'IA. Le champ de bataille de 2027–2028 sera plus probablement la construction de la confiance que des modèles plus intelligents.
La deuxième chronologie est le matériel. Interact Analysis s'attend à ce que les déploiements de robots mobiles dépassent 53,000 sites fin 2025 — le matériel continue de se répandre, tandis que la valeur migre vers le logiciel et les services.
La troisième est l'ubiquité. MHI et Deloitte projettent 82 % d'adoption de l'IA d'ici 2029. Mais « adopté » n'est pas « amorti » — la divergence documentée par cette revue du ROI de l'IA en entrepôt 2026 persistera probablement bien avant cette date.
Ce qui laisse une question ouverte : si la plus grande leçon de 2026 a été « d'abord les données, d'abord les processus », le retour le plus rapide de 2027 appartiendra-t-il à l'IA la plus ennuyeuse de toutes — celle qui nettoie vos données et remet vos processus en ordre ? La seconde moitié de l'IA en entrepôt appartiendra peut-être non pas au modèle le plus intelligent, mais à l'exploitant le plus patient.
Par Dr. Chen, chercheur en chaîne d'approvisionnement Traduit de l'anglais. En cas de divergence, la version anglaise fait foi.
