En 2026, presque tous les éditeurs de logiciels d'entrepôt parlent d'agents IA. Dans les vidéos de démonstration, l'agent se comporte comme un répartiteur infatigable : les commandes arrivent et il planifie les vagues ; le stock baisse et il lève des ordres de réapprovisionnement ; un chauffeur est en retard et il reprogramme le rendez-vous au quai. En regardant une démo, il est facile de conclure que l'ère de l'exécution autonome en entrepôt est déjà arrivée. Mais entre cette impression et la réalité, plusieurs écarts n'ont pas encore été franchis. Cet article tente quelque chose de simple : prendre les données publiques, ouvrir ces écarts, et compter combien d'étapes restent entre les agents IA d'entrepôt qui répondent aux questions et ceux qui agissent seuls.

Commençons par les données : un enthousiasme réel, un atterrissage incertain

Selon les prévisions de Gartner de juin 2025, plus de 40 % des projets d'IA agentique seront annulés d'ici fin 2027, les causes principales étant l'escalade des coûts, une valeur commerciale floue et des contrôles de risque insuffisants. C'est une prédiction, pas un fait accompli.

La même prévision contient un autre ensemble de chiffres qu'il vaut la peine de placer à côté. Gartner s'attend à ce que, d'ici 2028, au moins 15 % des décisions quotidiennes de travail soient prises de manière autonome grâce à l'IA agentique, contre près de zéro aujourd'hui ; et à ce que, d'ici 2030, 60 % des entreprises utilisant un logiciel de gestion de la chaîne d'approvisionnement aient adopté des fonctionnalités d'IA agentique, contre 5 % en 2025. Une analyse du secteur citant Gartner ajoute que, d'ici fin 2026, 40 % des applications d'entreprise intégreront des agents IA spécialisés par tâche, contre moins de 5 % en 2025.

Les données d'adoption côté entrepôt montrent le même écart. Selon une étude de 2025 du MIT et de Mecalux couvrant plus de 2,000 professionnels de la chaîne d'approvisionnement, plus de 60 % des entrepôts ont mis en place une forme d'IA ou d'apprentissage automatique, et près de 90 % fonctionnent à des niveaux d'automatisation au-delà du basique. Mais « utiliser l'IA » et « laisser un agent exécuter de manière autonome » sont deux propositions différentes. La première signifie surtout prédiction, reconnaissance et recommandation. La seconde exige qu'un système réécrive de vraies instructions de travail sans que personne n'approuve chaque étape. La distance entre les deux est exactement les quelques étapes dont parle cet article.

Les déploiements réels d'aujourd'hui se concentrent sur la couche de coordination, pas sur le cœur d'exécution. Le partenariat entre DHL Supply Chain et HappyRobot est un cas représentatif : des agents IA gèrent la planification des rendez-vous, les appels de suivi aux chauffeurs et la coordination prioritaire de l'entrepôt par téléphone et par courriel — un travail de coordination répétitif et encadré par des règles. Le système ORION d'UPS analyse plus d'un milliard de points de données par jour pour orchestrer les tournées de livraison de colis, là encore un cas où l'on calcule une réponse optimale et où l'on exécute une action prédéfinie. Amazon intègre des agents IA directement dans les opérations de ses centres de traitement, gérant les positions de stock, l'optimisation de l'espace en rayon, la préparation des commandes et la coordination des robots. Ces cas prouvent que les agents peuvent déjà travailler là où les règles sont explicites et les objectifs mesurables. Ils ne prouvent pas qu'un agent puisse décider seul là où les règles sont ambiguës et les enjeux élevés.

Une échelle de maturité pour les agents IA en entrepôt : de L1 à L4

Pour juger « combien d'étapes restent », il faut d'abord décomposer l'autonomie en degrés. En m'appuyant sur les approches de notation couramment utilisées dans le secteur, voici un cadre en quatre niveaux :

Niveau Forme Ce que l'agent peut faire Où se situe l'humain Exemple en entrepôt
L1 Réponse aux questions Répondre aux questions, consulter les données, produire des rapports L'humain demande, l'humain décide « Quel était le taux d'erreur de picking la semaine dernière ? »
L2 Conseiller Analyser les données, présenter des recommandations classées L'humain choisit, l'humain exécute Trois plans de vagues avec leurs avantages et inconvénients
L3 Exécution avec confirmation Rédiger des actions, exécuter uniquement après approbation humaine L'humain est la porte d'approbation Ordre de réapprovisionnement généré, le superviseur confirme avant diffusion
L4 Exécution autonome avec garde-fous Exécuter dans les règles, escalader automatiquement les exceptions L'humain supervise, ne gère que les exceptions Vagues de nuit planifiées automatiquement, commandes au-dessus du seuil transmises au personnel

De L1 à L2, c'est une étape de capacité : la qualité des recommandations dépend de la qualité des données. De L2 à L3, c'est une étape de confiance : la volonté des gens de confier des actions rédigées par une machine dépend de la précision des recommandations passées. De L3 à L4, c'est une étape de responsabilité : l'exécution autonome signifie que quelqu'un assume le coût d'une erreur, et ce quelqu'un ne peut être aujourd'hui qu'une personne. La plupart des entrepôts se situent aujourd'hui entre L1 et L2, quelques pilotes ont touché L3, et L4 n'existe que dans des scénarios étroits où les règles sont extrêmement claires et les risques très faibles.

Quatre écarts avant que les agents IA en entrepôt puissent agir seuls

Le premier écart est la maturité technique. Pour qu'un agent exécute de manière autonome, il doit faire trois choses à la fois : comprendre l'objectif, appeler les outils et vérifier le résultat. L'objectif est compris par le modèle, les outils sont appelés via les interfaces du système, et le résultat est vérifié par relecture et contrôles. Le maillon le plus faible des trois est celui des interfaces : beaucoup d'entrepôts exploitent un WMS, un TMS et des systèmes de commande d'équipements sans interface unifiée appelable par machine entre eux, de sorte qu'un agent qui veut modifier une vague doit d'abord traverser trois ou quatre silos de données. Le serveur MCP d'Opendock, en service depuis juin 2026, permet à tout agent IA compatible MCP de planifier, modifier, annuler et consulter directement les rendez-vous au quai — une percée directionnelle, mais qui couvre les rendez-vous au quai, pas le cœur d'exécution à l'intérieur de l'entrepôt.

Le deuxième écart est celui des autorisations et des garde-fous. Un agent qui exécute de manière autonome dépense de l'argent et réécrit des plans au nom de quelqu'un : un mauvais réapprovisionnement automatique peut signifier un camion entier de stock mort ; une mauvaise replanification de vague peut désorganiser le rythme de picking de toute une équipe de nuit. Les garde-fous doivent être construits avant d'accorder l'autonomie : plafonds de montant, plafonds de quantité, fenêtres horaires, SKU sur liste noire, annulation automatique. Une autonomie sans garde-fous n'est pas de l'innovation ; c'est une perte de contrôle.

Le troisième écart est le siège du superviseur humain. L4 ne retire pas les humains de l'entrepôt ; il les déplace vers la supervision : surveiller les tableaux de bord, traiter les exceptions, auditer périodiquement les journaux de décision de l'agent. Mais la supervision elle-même exige une nouvelle capacité : un superviseur doit pouvoir voir pourquoi l'agent a planifié une vague de cette façon, l'arrêter après trois mauvaises décisions d'affilée, et distinguer « l'agent s'est trompé » de « les données étaient fausses ». Selon une enquête de Gartner auprès de 782 responsables des infrastructures et des opérations fin 2025, parmi ceux qui ont signalé des revers, 38 % ont cité la mauvaise qualité des données ou la disponibilité limitée des données comme cause directe — la première chose qu'un superviseur doit généralement superviser n'est pas l'agent, mais les données qui lui sont fournies.

Le quatrième écart est le livre des coûts. Le coût d'un agent n'est pas seulement un frais de mise en œuvre unique ; il comprend les appels continus au modèle, la maintenance des interfaces, la main-d'œuvre de supervision et les réserves de garde-fous. Prenons le calcul (exemple illustratif) : si un entrepôt de taille moyenne laisse un agent prendre en charge la planification des vagues de nuit, les coûts mensuels de modèle et d'interface s'élèvent à environ 8,000 yuans, tandis que la main-d'œuvre de planification de nuit économisée est d'environ 1.5 heure par jour ; à 40 yuans de l'heure, cela économise environ 1,800 yuans par mois — une perte sur le papier. Ce n'est que lorsque le même agent s'occupe aussi des conseils de réapprovisionnement, des commandes d'exception et de la coordination des rendez-vous que le coût peut se répartir sur suffisamment de tâches pour atteindre le seuil de rentabilité. Un agent à point unique se rembourse rarement ; un agent groupé pourrait y parvenir.

Un jugement sur le calendrier : mon point de vue

En rassemblant tout cela, mon jugement est le suivant. En 2026 et 2027, les agents IA conseillers de niveau L2 en entrepôt deviendront la norme dans les logiciels d'entrepôt, et l'« exécution avec confirmation » de L3 entrera en pilote dans trois scénarios — réapprovisionnement, rendez-vous et commandes d'exception. Avant fin 2027, le taux d'annulation de 40 % prédit par Gartner se matérialisera largement, et les survivants seront pour la plupart des projets qui ont réduit leur périmètre et construit de vrais garde-fous. D'ici 2028, le chiffre de 15 % de décisions autonomes a plus de chances d'être atteint à la couche de coordination qu'au cœur d'exécution — rendez-vous, replanifications, relance des chauffeurs, notifications d'exception — plutôt que par la réécriture automatique des plans de picking. Une véritable exécution autonome de niveau L4, je crois, ne deviendra courante que dans des scénarios étroits, aux règles claires et aux risques maîtrisés, autour de 2030, ce qui correspond à peu près à la prévision de Gartner selon laquelle 60 % des entreprises utilisant un logiciel de chaîne d'approvisionnement auront adopté des fonctionnalités d'IA agentique d'ici là.

Ce jugement laisse une question ouverte : si les interfaces appelables par machine entre le WMS et les systèmes d'équipement deviennent largement standardisées avant 2027, le premier écart s'effondrera plus vite que prévu et tout le calendrier avancera ; à l'inverse, si les problèmes de qualité des données continuent de traîner, même la diffusion de L3 sera retardée. L'histoire des agents IA en entrepôt ne porte finalement pas sur l'ingéniosité des modèles, mais sur la question de savoir si les fondations de l'entrepôt — données, interfaces, règles de garde-fous — sont prêtes. Si les fondations ne sont pas prêtes, aussi ingénieux soit l'agent, il ne pourra que rester au poste de réponse aux questions et regarder l'entrepôt travailler.

Par Dr. Chen, Chercheur en chaîne d'approvisionnement Traduit de l'anglais. En cas de divergence, la version anglaise fait foi.