Le 5 octobre 2026, l'intégrateur européen de systèmes logistiques Logistics Reply a annoncé un modèle d'autorité pour les agents IA, accompagné de cinq agents pré-construits conçus pour réécrire dans le système de gestion d'entrepôt : un diagnostique les causes de rupture, un équilibre la main-d'œuvre, un recalcule les classifications ABC, un réserve des créneaux de quai par conversation en langage naturel, et un extrait les flux caméra quand une tâche prend du retard pour vérifier si quelque chose bloque le passage d'un AMR. D'après les reportages publics sur l'annonce.
Ce n'est plus la même espèce que l'IA d'entrepôt que la plupart d'entre nous connaissent. Depuis deux ans, l'IA dans l'entrepôt a surtout été du RAG sur les documents SOP : un travailleur demande comment fonctionne le processus de retours, et l'assistant récupère un paragraphe de la base de connaissances. Elle ne touche aucun système et ne change aucune donnée ; une mauvaise réponse coûte un haussement de sourcil et une seconde recherche. La vraie ligne de démarcation pour l'adoption des agents IA en entrepôt, c'est l'accès aux outils : la permission d'appeler les API du WMS, de générer des recommandations de réapprovisionnement, voire de réécrire les classes ABC mises à jour dans le référentiel articles.
Ce qui sépare un agent IA d'un chatbot, ce n'est pas l'intelligence, c'est l'accès
Derrière l'annonce se cache un ensemble de chiffres d'enquête qui méritent une lecture attentive. Selon une enquête ORTEC menée en novembre 2025 auprès de plus de 2,000 dirigeants logistiques en Amérique du Nord, 42 pour cent des organisations logistiques n'exploraient pas du tout l'IA agentique, tandis que 23 pour cent déclaraient prévoir de lancer un pilote dans les douze prochains mois. L'industrie a de fait désigné 2026 année de test et d'apprentissage.
Une seconde enquête, plus proche du terrain, vient de Logistics Reply : seuls 2.5 pour cent des répondants ont déclaré que l'IA prend actuellement des décisions opérationnelles de manière autonome ; 82.4 pour cent ont déclaré qu'ils examinent généralement les recommandations de l'IA avant d'agir ; près des trois quarts ont déclaré que les employés peuvent annuler les recommandations ou décisions de l'IA. Quand les perturbations frappent, 47.5 pour cent ont déclaré que l'IA signale le problème pendant que les humains coordonnent la réponse, et seulement 3.8 pour cent ont déclaré que l'IA coordonne automatiquement une réponse entre les systèmes.
Lus ensemble, le schéma est clair : la question de l'agent IA en entrepôt est passée de « est-ce que ça peut marcher » à « les organisations osent-elles le laisser faire ». La capacité des modèles n'est pas le goulot d'étranglement. L'autorité déléguée, si.
Trois tâches d'entrepôt où les agents IA peuvent vraiment décoller
Du point de vue de la recherche, la question pertinente n'a jamais été ce que l'IA peut faire. C'est quelles tâches ont une structure de coût d'erreur et de coût de main-d'œuvre qui permet aux machines d'aller d'abord. Les cas documentés publiquement se regroupent en trois catégories.
La première est le diagnostic de stock et les recommandations de réapprovisionnement. L'agent de rupture ci-dessus distingue les vraies ruptures des conditions temporaires, comme des marchandises en transit pas encore réceptionnées, transformant l'investigation manuelle SKU par SKU en criblage machine. Ces tâches prennent des entrées structurées (stock disponible, en transit, historique des ventes) et produisent des recommandations plutôt que des ordres ; une personne confirme, et le coût d'une erreur reste contenu.
La seconde est la communication autonome des exceptions. L'agent de planification des quais permet aux transporteurs de chercher et réserver des créneaux de quai via une conversation guidée régie par des règles de planification. C'était autrefois des dizaines d'échanges d'e-mails quotidiens pour un planificateur, hautement répétitif et encadré par des règles. L'IA convertit la conversation en actions structurées de réservation.
La troisième est le triage des inventaires tournants et la maintenance des données de référence. Le rééquilibreur ABC recalcule les classifications à partir des données de mouvement et produit un rapport de reclassification qui ne réécrit dans le référentiel articles du WMS qu'après approbation humaine ; l'agent de tâches en retard utilise les entrées caméra pour diagnostiquer les causes de retard. Ce qu'ils partagent : haute fréquence et faible valeur par instance — du travail que personne ne veut faire mais que quelqu'un doit faire.
Les trois catégories tiennent dans un cadre de décision simple :
| Type de tâche | Coût d'erreur | Coût manuel par instance | Niveau d'autorité adapté |
|---|---|---|---|
| Diagnostic de stock / conseil de réappro | Moyen (les recommandations peuvent être interceptées en revue) | Élevé (investigation SKU par SKU) | Recommande, l'humain approuve |
| Communication d'exceptions / réservation de quais | Faible à moyen (réversible dans les règles) | Élevé (communication répétitive) | Exécution semi-autonome |
| Triage des comptages / données de référence | Élevé (les écritures affectent tout le système) | Moyen (travail périodique par lots) | Rapporte, approuve, puis exécute |
La règle empirique : plus une action se rapproche de l'écriture dans le système, plus elle a besoin d'une signature humaine ; plus elle reste dans le criblage et la recommandation, plus tôt la machine peut aller d'abord.
Pourquoi la plupart des entrepôts ne peuvent toujours pas utiliser les agents IA en 2026
Les chiffres expliquent aussi l'écart entre l'intérêt et l'adoption. Une enquête inFlow de juillet 2026 auprès de 400 professionnels du stock a révélé que 81 pour cent veulent l'IA dans l'entrepôt, mais que seuls 11 pour cent l'utilisent actuellement ; 85 pour cent gèrent encore le stock sur tableurs comme outil principal.
ORTEC a classé les obstacles : les coûts d'intégration élevés avec les systèmes existants (32 pour cent) en tête de liste, suivis du manque d'explicabilité des modèles (26 pour cent) et de la mauvaise qualité des données (22 pour cent). 42 pour cent ont déclaré que les processus métier devraient être repensés pour prendre en charge les décisions autonomes ; 22 pour cent ont pointé la nécessité de flux de données fiables en temps réel.
Trois barrières structurelles émergent.
Premièrement, l'autorité et l'audit. Chaque écriture dans un WMS porte une responsabilité : qui a créé le bon de commande, qui a changé la classe ABC, qui répond quand ça tourne mal. L'exécution autonome n'a pas de propriétaire naturel dans les cadres d'audit actuels, et ce problème organisationnel est plus difficile que le problème technique.
Deuxièmement, les coûts d'erreur asymétriques. Un chatbot qui répond mal reçoit une seconde question. Un agent qui émet un mauvais bon de commande ou corrompt les données de référence coûte de l'argent réel. Un entrepôt est un environnement où une erreur peut arrêter la ligne ; sa tolérance à l'erreur est structurellement plus faible que celle d'un bureau.
Troisièmement, la fondation API et données. Beaucoup d'entrepôts tournent sur des plateformes WMS dont les API sont incomplètes ou mal documentées, donc les agents ne peuvent pas les appeler. La précision du stock elle-même est fragile, avec 49.5 pour cent des répondants inFlow la citant comme leur principal axe d'amélioration. L'automatisation construite sur des données sales ne fait qu'amplifier les erreurs.
Le constat contre-intuitif : ce qui donne le tempo de l'adoption des agents IA en entrepôt, ce n'est pas à quel point les modèles deviennent plus intelligents, mais la propre structure de coût d'erreur de l'entrepôt et la maturité de ses API. La presse technologique couvre les paramètres et les benchmarks ; les responsables d'entrepôt se soucient de deux choses : si la machine a besoin de mon visa avant de toucher mes données, et si je peux annuler ce qu'elle a fait.
Une chronologie pour les agents IA dans l'entrepôt : l'appel d'un chercheur
En rassemblant tout, voici un jugement de chronologie, proposé à titre de référence.
2026 est l'année pilote (base : 23 pour cent d'entreprises prévoyant des pilotes sous douze mois dans l'enquête ORTEC). La forme dominante cette année est l'agent conseiller : criblage, rapports, brouillons, exécutés après approbation humaine. Les vendeurs vendent déjà des agents pré-construits ; les acheteurs sont surtout de grands 3PL et des DC détenus par des distributeurs.
2027 à 2028 apportent la semi-autonomie : les maillons à haute fréquence et faible risque de la chaîne (réservation de quais, triage des exceptions, brouillons de réappro) passent à l'exécution par défaut avec des humains traitant les exceptions, à condition que les pistes d'audit et les mécanismes d'annulation rattrapent leur retard. Le raisonnement : les modèles d'autorité et les outils d'audit mûrissent généralement 12 à 18 mois derrière la capacité des modèles.
L'exécution de tâches entièrement autonome comme norme devra attendre qu'une catégorie de tâches démontre des taux d'erreur durablement inférieurs aux niveaux humains, et que les contrats et assurances précisent qui assume les erreurs. La discipline de recherche dit de ne pas dater précisément ce point, mais il est peu probable qu'il arrive avant 2028.
Alors peut-être que la question n'est pas quand les agents IA entrent dans l'entrepôt. C'est celle-ci : une fois que les machines commencent à juger pour vous, quelles décisions de votre exploitation êtes-vous prêt à signer, et lesquelles préféreriez-vous ne plus jamais regarder ? Cette liste est la vraie feuille de route IA de chaque entrepôt.
Par Dr. Chen, chercheur en supply chain
Traduit de l'anglais. En cas de divergence, la version anglaise fait foi.
Traduit de l'anglais. En cas de divergence, la version anglaise fait foi.
