Nous sommes au quatrième trimestre 2026, et la plupart des entreprises bouclent leurs cycles budgétaires 2027. Les responsables informatiques de la supply chain et de l'entreposage répondent à la même question : où devrait réellement aller le budget IA de l'année prochaine ? Plutôt que de se fier à l'instinct, il vaut la peine de partir de deux enquêtes publiées du secteur, puis de raisonner à partir des données pour parvenir à une réponse.
Ce que deux enquêtes disent du climat budgétaire de l'IA en entrepôt pour 2027
Selon le « rapport annuel 2025 de MHI », publié conjointement par MHI et Deloitte en mars 2025 et fondé sur une enquête auprès de professionnels de la supply chain, 28 % des répondants ont déclaré utiliser déjà l'IA dans les opérations de supply chain, et 54 % prévoyaient de le faire dans les cinq ans. Cela porte le taux d'adoption cumulé à cinq ans à environ 82 % d'ici 2029. Les trois domaines d'application de l'IA à plus forte intention étaient l'optimisation des stocks et des réseaux (92 %), le cloud computing et le stockage (91 %), ainsi que les capteurs et l'identification automatique (88 %). Par ailleurs, 45 % des répondants prévoyaient d'acheter des équipements d'automatisation tels que des AMR, des systèmes automatisés de stockage et de récupération et de la robotique au cours des trois prochaines années, et la part des organisations prévoyant d'intensifier les efforts de reconversion et de formation est passée de 25 % en 2024 à 38 % en 2025.
Un second point de données vient de l'« enquête Perspectives 2026 » de Modern Materials Handling. Elle a révélé que 28 % des répondants s'attendaient à ce que les dépenses de leur entreprise en solutions de manutention augmentent en 2026, en moyenne de 27 %. Parmi les entreprises poursuivant leurs investissements, 59 % dépensaient dans des systèmes d'information technologiques comme le WMS, contre 41 % dans des technologies d'automatisation. À deux ou trois ans, 42 % s'attendaient à une augmentation des dépenses, contre 35 % l'année précédente.
Prises ensemble, ces données décrivent des budgets prudents mais une direction claire : la plupart des entreprises marquent le pas ou attendent, mais l'argent dépensé penche résolument vers le logiciel — WMS, WCS, plateformes de données — et les équipements d'automatisation. C'est le bon point de départ pour se demander où iront les budgets IA des entrepôts l'an prochain : la question n'est plus de savoir s'il faut financer l'IA, mais quels projets seront financés en premier.
Trois types de projets susceptibles d'absorber les budgets IA des entrepôts en 2027
La logique d'attribution est la suivante : 2023–2025 a été l'ère des pilotes pour l'IA en entrepôt, dominée par des projets de preuve de concept. Le cycle budgétaire 2027 marque un tournant vers la réplication et la monétisation. Dans ce contexte, et en cohérence avec les deux enquêtes ci-dessus, le capital affluera très probablement vers trois catégories.
La première est la réplication à grande échelle de projets au ROI éprouvé — inspection visuelle par IA, réapprovisionnement piloté par les prévisions. L'enquête MHI classe l'optimisation des stocks et des réseaux en tête des intentions IA avec 92 %. Le point commun de ces projets : ils ont déjà été éprouvés dans un ou deux sites, leur impact est mesurable et le coût marginal de leur déploiement sur d'autres sites est faible. Pour les budgets 2027, l'attitude envers eux sera l'expansion plutôt qu'un nouveau cycle d'expérimentation.
La deuxième catégorie est l'automatisation des processus à retour immédiat et calculable — optimisation de la planification de flottes d'AMR, reconnaissance intelligente des documents entrants. Ces projets ne font pas de grandes promesses ; leur calcul est direct. Les heures de main-d'œuvre économisées, les kilomètres à vide réduits et le traitement documentaire accéléré se convertissent en dollars dans un horizon de douze mois. La conclusion de l'enquête MMH sur la hausse des intentions d'investissement autour de la « réduction des besoins en main-d'œuvre » va dans le même sens. Une clarification s'impose : il s'agit de la combinaison de l'automatisation et de l'optimisation algorithmique, et non d'achats d'équipements seuls. Le matériel a sa propre ligne budgétaire d'investissement ; le budget IA paie pour rendre l'équipement plus intelligent.
La troisième catégorie est l'infrastructure de données : gouvernance des données de référence, lacs de données et observabilité des données inter-systèmes. C'est la moins glamour et la plus facile à couper, mais elle pourrait devenir la ligne la plus rigide des budgets IA 2027. La preuve vient d'un aveu frappant du rapport MHI : de nombreuses entreprises ont déjà lourdement investi dans des systèmes avancés de collecte de données et des solutions ponctuelles, mais peinent encore à analyser les données, à les replacer dans un contexte plus large et à en extraire des enseignements réellement exploitables. Les recommandations du rapport commencent par « des données unifiées et précises ». Sans cette fondation, la réplication des deux premières catégories calera.
Deux observations à noter
Première observation, tirée de l'enquête MHI/Deloitte publiée en mars 2025 (échantillon de professionnels américains de la supply chain) : 45 % des entreprises prévoyaient d'acheter des AMR, des AS/RS et de la robotique dans les trois ans. C'est un signal « du pilote à l'achat ». Si l'IA des entrepôts de 2023–2024 vivait surtout dans des preuves de concept logicielles, au cycle budgétaire 2027, l'argent côté équipements rattrape son retard. L'implication pratique : la planification du budget IA ne peut pas regarder la ligne logicielle isolément ; elle doit avancer au même rythme que les investissements en automatisation. Caméras d'inspection pour les contrôles qualité visuels, algorithmes de planification pour les flottes d'AMR, jumeaux numériques pour les AS/RS — logiciel et matériel forment un seul livre comptable.
Deuxième observation, tirée de l'enquête de Modern Materials Handling début 2026 : parmi les entreprises continuant d'investir, 59 % des dépenses allaient aux systèmes d'information comme le WMS, bien au-dessus des 41 % allant aux technologies d'automatisation. L'investissement logiciel devance le matériel, et l'ordre est révélateur — l'argent coule d'abord vers le travail invisible des données : mises à niveau des systèmes, intégration des interfaces, capture des données KPI. La même enquête signale un schéma émergent de « capture de données pour les indicateurs clés de performance avec l'automatisation, l'intelligence artificielle étant susceptible de jouer un rôle pour tirer de la valeur des données ». Autrement dit, la dépense d'infrastructure de données a déjà lieu ; de nombreuses entreprises ne lui ont simplement pas encore donné sa propre ligne budgétaire. En 2027, elle sera officiellement sur la table.
Un cadre de référence pour allouer le budget IA 2027
Sur la base du raisonnement ci-dessus, un cadre de départ viable alloue environ 50 % à la montée en échelle de projets éprouvés (risque le plus faible, retour le plus certain), 30 % à l'automatisation des processus tirée par le retour sur investissement (sélectionnée selon un seuil de retour de douze mois), et 20 % à l'infrastructure de données (gouvernance des données de référence, lacs de données, standardisation des interfaces).
Pour être explicite : cette répartition 5:3:2 est un cadre heuristique, pas un résultat statistique d'une enquête publiée. Les ratios réels doivent suivre la base numérique de chaque entreprise. Les entreprises dont la qualité des données WMS est médiocre devraient augmenter la part de l'infrastructure de données ; celles qui ont déjà éprouvé deux cas d'usage IA ou plus peuvent se permettre de pondérer davantage la réplication. La valeur du cadre est d'être un point de départ pour la discussion, pas une réponse standard.
Un pari contre-intuitif
À juger purement sur l'endroit où va l'argent, une conclusion contre-intuitive émerge : les plus grands gagnants du cycle budgétaire IA des entrepôts de l'année prochaine pourraient ne pas être les vendeurs d'algorithmes, mais les prestataires de services qui aident les entrepôts à mettre leurs données en ordre.
La chaîne logique tient. L'enquête MHI montre l'adoption de l'IA en supply chain grimpant de 28 % vers 82 % à horizon cinq ans — l'argent arrive. Mais le même rapport admet que la contrainte limitante n'est pas un manque d'algorithmes ; ce sont des données fragmentées, sales et déconnectées. Les vendeurs d'algorithmes vendent de la capacité ; les prestataires de gouvernance des données, d'intégration des systèmes et de données de référence vendent la condition préalable au fonctionnement de l'IA. Dans le langage des approbations budgétaires, la condition préalable passe souvent les comités plus facilement que la capacité, parce qu'elle répond à une douleur déjà ressentie tandis que l'autre promet des gains encore à venir.
Ce pari a une limite temporelle : il vaut pour la fenêtre 2027, la transition des pilotes vers la réplication. Si d'ici 2028–2029 la plupart des entreprises ont achevé leur rattrapage en infrastructure de données, la gravité budgétaire reviendra naturellement vers les algorithmes et les agents.
Trois questions à réexaminer fin 2027
Plutôt que de conclure, trois questions méritent d'être réexaminées fin 2027. Premièrement, le chiffre de 82 % d'adoption à cinq ans de l'enquête MHI sera-t-il atteint en avance, ou corrigé à la baisse par la réalité ? Deuxièmement, le secteur peut-il s'accorder sur une manière crédible de calculer le ROI des dépenses d'infrastructure de données ? Troisièmement, une fois la planification des AMR et les décisions de réapprovisionnement confiées aux algorithmes, que gèrent exactement les gens dans l'entrepôt ?
Les réponses détermineront où iront les budgets 2028. Et pour 2027, les données suggèrent que l'argent ira d'abord à ce qui peut être répliqué, à ce qui peut être compté — et à ce qui rend les données assez propres pour que tout le reste fonctionne.
Par Dr. Chen, chercheur en supply chain
Traduit de l'anglais. En cas de divergence, la version anglaise fait foi.
