Si l'IA ne sait même pas combien de personnes il vous faudra la semaine prochaine, lui confieriez-vous la rédaction du planning ?
J'ai posé cette question à plus d'une dizaine de patrons d'entrepôts, et la réponse est remarquablement cohérente : l'IA devient de plus en plus douée pour prévoir le volume de commandes, mais quand elle crache un chiffre d'effectif, le chef d'équipe secoue la tête au premier coup d'œil. Cet écart, c'est exactement là où en est aujourd'hui la planification par l'IA.
Pourquoi l'IA est correcte en prévision de volume
Parce que le volume, ce sont des données propres. Commandes historiques, saisonnalité, calendriers de promotions, même la météo : les entrées sont structurées et le WMS conserve des années d'enregistrements. Les schémas que le modèle doit apprendre sont relativement simples : le volume a triplé dans les deux semaines précédant le Black Friday de l'année dernière, donc il fera probablement de même cette année.
L'année dernière, j'ai vu un entrepôt e-commerce dans l'Indiana adopter un outil de prévision de volume, et son erreur d'effectif en haute saison est passée de trente ou quarante pour cent à à peine plus de dix. Les mots exacts du patron : "C'est mieux que mon instinct. Au moins, je ne découvre pas en novembre qu'il me manque du monde."
La prévision de volume est essentiellement un problème résolu pour l'IA. Ce qui reste, c'est de l'ingénierie, pas de l'intelligence.
Pourquoi la prévision de productivité du travail reste à la traîne
Mais entre "80 000 commandes la semaine prochaine" et "le shift du mardi matin a besoin de 47 personnes", il y a tout un marécage.
La productivité n'est pas le volume divisé par l'effectif. Les mêmes 80 000 commandes se préparent à des cadences très différentes selon qu'il s'agit de petits colis ou de mobilier volumineux à moitié. Les nouvelles recrues sont trente pour cent plus lentes que les vétérans, c'est normal. Les équipes de nuit sont intrinsèquement moins productives que celles de jour. Et pendant deux semaines après un changement de parcours de picking, la productivité de tout le bâtiment est encore en train de remonter.
Pire, la planification n'est pas que des maths, c'est du management. L'IA calcule "47 personnes mardi matin, c'est l'optimum", mais vos permanents sont sur des shifts fixes, les intérimaires exigent 48 heures de préavis, et seule une poignée de personnes détient la certification cariste. Une solution optimale que vous ne pouvez pas pourvoir en réalité n'est pas une solution.
Alors, l'état honnête de la planification par l'IA aujourd'hui : l'IA prévoit le volume, les humains écrivent le planning, l'IA fournit au mieux une référence. Tout fournisseur qui vante la "planification en un clic" devrait d'abord expliquer pourquoi votre équipe de nuit est plus lente ; s'il n'en est pas capable, vous n'oseriez de toute façon pas utiliser sa sortie en un clic.
Quelles données la modélisation de productivité exige vraiment
"Modélisation de productivité" semble facile jusqu'à ce qu'on demande : d'où viennent les données ?
Trois couches, de bas en haut. La couche un, ce sont les données de commandes : le WMS les a : volume, lignes, unités, poids, profil de fret. La couche deux, ce sont les données d'heures de travail : qui a travaillé dans quelle zone pendant combien de temps. La plupart des entrepôts le suivent sur le presse-papiers du superviseur, beaucoup trop grossier. La couche trois, ce sont les données de mouvement : parcours de picking, comptages de vérification, temps de traitement des exceptions. Presque aucun entrepôt ne possède cette couche aujourd'hui.
Mon conseil : ne soyez pas gourmand. Verrouillez d'abord la couche deux. Badgez par zone, liez les connexions des terminaux RF aux personnes, et enregistrez avec précision "qui a travaillé où pendant combien de temps". Trois mois de cela vous donnent une base de productivité respectable. Avec ce tableau, la prévision de l'IA a un socle ; sans lui, tout achat de logiciel est un château en Espagne.
Avant d'acheter un logiciel : trois gestes qui ne coûtent rien
Premier : mettez trois ans de "volume vs effectif vs heures supplémentaires" dans un seul tableau. Beaucoup de patrons sont stupéfaits de voir la corrélation volume-effectif visible à l'œil nu. Ce tableau devient votre levier face à n'importe quel fournisseur d'IA : quand il affirme que son modèle est précis, vous le vérifiez contre lui.
Deuxième : fixez une base de productivité par zone. Pas besoin de précision décimale : "120 lignes par heure pour les vétérans au picking, 80 pour les recrues", ça suffit. Les bases existent pour repérer les anomalies, pas pour punir : ne les liez pas encore au salaire, ou les données se faussent instantanément.
Troisième : écrivez chaque rétrospective de haute saison. Quel jour a explosé quelle année, comment vous avez renforcé, où la chaîne a cassé, en prose. Ces histoires de guerre n'entreront jamais dans un modèle, mais elles entreront dans la réunion de planification de l'année prochaine. L'IA gère bien les moyennes ; les humains gèrent les extrêmes, à condition que les humains s'en souviennent.
Rien de tout cela ne coûte d'argent, mais cela fait passer un entrepôt de la "planification au flair" à la "planification par les données". Consolidez d'abord cette étape, et vos chances de réussir avec la planification par l'IA doublent largement.
À quoi ressemble un entrepôt qui en voit déjà les fruits
Après tout ce "pas encore prêt", y a-t-il quelqu'un qui tourne vraiment ? Je connais un centre de distribution 3PL dans le Midwest qui est plus avancé que la plupart. Son parcours mérite d'être étudié, non parce que la tech est exotique, mais parce qu'il a respecté l'ordre des choses.
Première année : aucun logiciel d'IA. Un seul travail : enregistrer avec précision "qui a travaillé dans quelle zone pendant combien de temps". Plus de deux cents personnes badgées par zone, les données alimentant leur propre BI. Deuxième année : ils ont construit des tableaux volume vs demande de main-d'œuvre à partir de ces données, et les réunions de planification sont passées du flair à la lecture du tableau. Troisième année : ils ont enfin fait entrer un outil de prévision externe, pour la prévision de volume uniquement, en gardant leur propre base pour la productivité.
Trois ans plus tard, leur recrutement d'intérimaires en haute saison a baissé d'un cinquième : ce n'est pas qu'il y a moins de gens qui travaillent, mais qu'ils recrutent juste, en connaissant les manques deux semaines à l'avance. C'est la capitalisation des actifs de données : plus tôt vous commencez à enregistrer, plus tôt le retour.
Notez la séquence : les données d'abord, puis le tableau de comparaison, puis l'IA. Tous ceux que j'ai vus sauter les deux premières étapes pour aller directement à l'IA se sont plantés. Non parce que la tech échoue, mais parce que les fondations n'avaient pas été coulées.
Combien de temps ce chemin va-t-il prendre ?
Voici mon pronostic : d'ici un à deux ans, la prévision de volume devient une fonctionnalité standard des logiciels d'entrepôt, pas un achat à part. Le vrai champ de bataille, c'est la modélisation de productivité : les entrepôts qui transformeront la productivité par équipe, par zone et par type de fret en actif de données rafleront les gains en premier.
La planification entièrement automatique, je la mets à trois à cinq ans, et elle n'atterrira d'abord que dans les entrepôts à structure de main-d'œuvre simple : tous payés à l'heure, shifts flexibles, profils de fret uniformes. Dans les bâtiments aux règles de shift complexes et à main-d'œuvre très chevronnée, les humains continueront à valider le planning, aussi précise que devienne l'IA, parce qu'un planning concerne des gens, pas des chiffres.
La technologie résoudra d'abord "calculer avec précision", puis "produire un planning viable", et enfin seulement "faire accepter à tout le monde". Cette séquence ne peut pas être précipitée.
Où en est votre entrepôt sur ce chemin ?
Traduit de l'anglais. En cas de divergence, la version anglaise fait foi.
