Je vais être franc : si un projet d'IA ne peut pas démontrer un retour sur trois ans sur un tableau blanc, il ne devrait pas quitter la salle de réunion. Ces deux dernières années, j'ai observé de loin plus d'une douzaine de projets d'IA en entrepôt, et très peu de propriétaires avaient fait le calcul du ROI avant de signer. La plupart ont acheté la technologie d'abord, puis ont travaillé à rebours pour embellir les chiffres. Inversez l'ordre et toutes les fins se ressemblent : le système passe en production, les données ne suivent jamais, les effectifs restent, et l'argent se consume en silence.
L'enquête mondiale 2025 de McKinsey sur l'IA apporte une paire de chiffres qui donnent à réfléchir. Seuls 39% des entreprises déclarent que l'IA a eu un impact attribuable sur leurs résultats. Pourtant, parmi les employés qui utilisent l'IA au quotidien, huit sur dix disent qu'elle les rend plus productifs. Mettez les deux ensemble et la leçon est claire : être utile à l'individu et rapporter de l'argent à l'entreprise, ce sont deux choses différentes. Un projet d'IA en entrepôt doit parier sur la seconde.
Où va vraiment l'argent
Commencez par le coût total, pas par le devis du fournisseur. La plupart des budgets que j'examine listent la licence logicielle et le matériel, et sautent discrètement les trois postes qui finissent par dominer les dépenses.
La préparation des données. L'IA fonctionne avec des données propres, et les données d'entrepôt sont rarement propres. Des codes d'emplacement non standardisés depuis dix ans, des écarts d'inventaire tournant ajustés à la main, des dossiers de vagues éparpillés sur trois systèmes. En 2024, j'ai visité un centre de fulfilment e-commerce en Californie du Sud où un pilote de tri visuel a passé la majeure partie de six mois à simplement étiqueter des images historiques de commandes : deux intérimaires, presque à temps plein. Ce poste n'est jamais apparu dans la proposition de projet.
Les gens. Pas ceux que vous économiserez, ceux que vous ajouterez. Tout projet d'IA a besoin d'un champion interne qui y travaille à plein temps ou presque pendant des mois : quelqu'un qui connaît l'exploitation, quelqu'un pour régler le modèle, quelqu'un pour se disputer avec le fournisseur. Le salaire de ce champion, plus le travail qu'il cesse de faire pendant le projet, fait partie du coût.
La courbe d'apprentissage. Tout système d'IA passe ses premiers mois à apprendre à marcher, et pendant cette période son taux d'erreur peut être pire que celui du processus manuel qu'il a remplacé. Le coût de ces erreurs — retouches, avoirs, expéditions urgentes — appartient au budget. La démo du fournisseur vous montre la version réglée ; votre bâtiment reçoit la version du premier jour.
Le côté retour mérite la même honnêteté. Les économies de main-d'œuvre sont les plus faciles à gonfler : dans la plupart des entrepôts, les effectifs « économisés » ne partent pas, ils sont simplement réaffectés, et la masse salariale ne diminue pas d'un dollar. Les gains de débit ne comptent que si la capacité est vraiment votre goulot, transformant la vitesse supplémentaire en commandes supplémentaires. Le poste le plus honnête est la réduction des erreurs : erreurs d'expédition, défauts manqués, rétrofacturations. Ces chiffres arrivent avec des factures jointes.
Trois projets d'IA que je vous conseillerais d'éviter
Soyons directs. À ce stade de 2026, il y a trois catégories que je déconseillerais à la plupart des entrepôts de taille moyenne.
La prévision de la demande pour les SKU longue traîne. Elle fonctionne à merveille pour les géants qui planifient le réapprovisionnement sur des dizaines de milliers de SKU. Mais si votre bâtiment expédie quelques milliers de commandes par jour et que vous avez moins de deux ans d'historique propre, le modèle meurt de faim. Sa prévision ne battra pas l'instinct de votre planificateur chevronné. Sans assez de données, l'IA, c'est de l'astrologie.
Le bot de service qui fait tout. L'entreposage est du B2B et les questions sont douloureusement spécifiques : une exception sur une palette, un rendez-vous de quai reprogrammé. Les clients veulent quelqu'un qui peut prendre une décision, pas un bot aux scripts bien polis. J'ai vu un 3PL déployer un service client IA et renvoyer discrètement les téléphones aux humains trois mois plus tard.
Les remplacements d'équipement pour l'IA elle-même. Les AGV et l'inspection visuelle sont des technologies vraiment cool. Mais si votre taux d'erreur de picking est déjà tombé dans les faibles fractions de point de pourcentage, dépenser gros pour gratter une décimale de plus ne sera jamais rentable. Éliminez d'abord le gaspillage du processus, améliorez l'équipement ensuite. L'ordre compte.
Les chiffres rapides, avant ceux du fournisseur. Voici comment je valide une proposition en une vingtaine de minutes. Annualisez tout : licences, amortissement du matériel, nettoyage des données, coût chargé du champion, et une réserve pour la courbe d'apprentissage. Puis divisez par le bénéfice net annuel, et ne comptez que les bénéfices que vous défendriez devant votre directeur financier.
La formule est simple : la période de retour est égale au coût total sur trois ans divisé par le bénéfice net annuel. Si la réponse dépasse trois ans, attendez. La technologie devient moins chère chaque année ; le projet qui ne passe pas aujourd'hui passe souvent dans dix-huit mois, et vous l'achèterez alors avec de meilleures données.
Un autre filtre que j'applique : le projet doit résoudre exactement un problème. « Améliorer l'efficacité » n'est pas un problème. « L'inspection des retours mange quatre heures de travail par jour et les défauts manqués nous coûtent des milliers par mois » est un problème. Les projets qui promettent de corriger trois choses n'en corrigent généralement aucune.
La checklist avant approbation, donc. À quoi ressemble un projet d'IA finançable ? Voici la checklist que je passe en revue avant toute réunion de lancement.
Vous pouvez citer votre base de référence de mémoire. Le taux de picking d'aujourd'hui, le taux d'erreur, le coût de main-d'œuvre par unité : si ces trois-là sortent tout seuls, votre fondation de données est probablement solide. Si vous ne pouvez pas les produire, faites d'abord de la gouvernance des données, pas de l'IA.
La douleur est grande et spécifique, mesurée en dollars et en heures, pas en adjectifs.
Le chemin du retour est unique : un projet, un problème, une métrique qui bouge.
Il y a une clause de sortie. Le contrat dit que si le pilote manque ses objectifs convenus en quelques mois, vous partez ou vous êtes remboursé. Les fournisseurs prêts à signer ce pari ont généralement la technologie pour l'assumer.
Les chiffres sur trois ans tiennent, avec tous les postes de coût inclus : logiciel, matériel, données, personnel, et la courbe d'apprentissage.
Alors voici ma question en retour : si votre entrepôt ne peut pas sortir tout de suite le taux d'erreur de picking d'hier, qu'est-ce qui vous fait croire que les données deviendront magiquement propres le jour où l'IA arrive ?
Traduit de l'anglais. En cas de divergence, la version anglaise fait foi.
