Depuis 2024, une scission intéressante est apparue dans les flottes de livraison régionales. D'un côté, les systèmes d'optimisation d'itinéraires par IA se répandent rapidement, et les pages des fournisseurs promettent moins de kilomètres et moins de temps sur la route. De l'autre, les répartiteurs qui ont dix ans de métier ou plus regardent les itinéraires produits par le système et secouent la tête : l'itinéraire semble plus court sur le papier, disent-ils, mais il ne sera pas forcément plus rapide à parcourir. Ce désaccord mérite d'être pris au sérieux, car la vraie question n'est pas de savoir si la technologie fonctionne. C'est ce que l'optimisation d'itinéraires fait vraiment économiser, et l'argent de qui elle économise.

Commençons par un calcul approximatif fondé sur des hypothèses explicites. Prenons une flotte régionale qui effectue 40 livraisons par jour avec 12 camions, chaque camion parcourant en moyenne 180 kilomètres par jour. Si l'optimisation d'itinéraires par IA réduisait vraiment le kilométrage de 8 pour cent, la flotte économiserait environ 173 kilomètres par jour, soit environ 4,500 kilomètres par mois sur un calendrier de 26 jours. À un coût d'exploitation approximatif par kilomètre, cela représente plusieurs milliers de dollars par mois — une somme considérable sur une année. Le problème, c'est que le chiffre de 8 pour cent vient de fournisseurs qui mesurent dans des conditions idéales. Dès que les variables du monde réel entrent en jeu — attentes de déchargement, créneaux de réception des clients, commandes de dernière minute — le calcul devient beaucoup moins flatteur.

L'optimisation d'itinéraires sur le papier n'est pas toujours la plus rapide sur la route

Au second semestre 2024, un distributeur régional de l'est de la Chine a déployé un système de répartition par IA. Les itinéraires qu'il produisait étaient effectivement plus courts sur le papier : le kilométrage total avait baissé, et le temps de conduite théorique avec lui. Mais au bout de trois mois, le taux de ponctualité de la flotte avait en fait baissé. L'analyse a posteriori a été instructive. Le système optimisait la distance sur la carte, mais ne tenait jamais compte des attentes de déchargement. L'entrepôt du client A n'acceptait que deux camions le matin, et le système en a programmé trois dans le même créneau — le troisième camion a attendu plus d'une heure à la barrière. Le créneau de réception du client B allait de 2 à 3 p.m., mais le système a envoyé un camion le matin pour économiser du kilométrage, et le chauffeur a simplement dû attendre.

Cela met en évidence une distinction essentielle. L'optimisation d'itinéraires par IA optimise la distance sur une carte. Un répartiteur chevronné optimise la certitude à l'intérieur des créneaux horaires. Ce que le répartiteur porte dans sa tête, ce n'est pas une carte : c'est quel client peut décharger à quelle heure, quelle barrière d'entrepôt s'engorge, quelle route est impraticable après 3 p.m. Aucun système ne génère ce savoir tout seul. Il faut que tout soit alimenté, entrée par entrée, par un humain. Tant que cet apport n'a pas lieu, plus les itinéraires du système paraissent « optimaux », plus ils risquent de créer du temps d'attente en pratique.

Un autre cas illustre encore mieux ce point. Un répartiteur avec 12 ans de métier a un jour inversé l'ordre de deux clients dont les créneaux de réception entraient en conflit. Le système a signalé le nouvel itinéraire comme un détour — une douzaine de kilomètres supplémentaires. Mais après l'échange, aucun camion n'a eu à attendre à la barrière d'un client, ce qui a fait gagner 40 minutes de temps d'immobilisation entre les deux. Le kilométrage a augmenté, le temps a diminué, et un chauffeur a même réussi à caser une livraison supplémentaire ce jour-là. Au kilométrage, la décision perdait de l'argent. Au temps, elle en gagnait. Le problème, c'est que beaucoup de tableaux de bord d'optimisation d'itinéraires par IA ne mesurent que le kilométrage, pas l'attente.

Faire entrer l'expérience dans le système d'optimisation d'itinéraires, en trois étapes

Cela nous amène à une question pratique : comment le savoir qui se trouve dans la tête d'un répartiteur chevronné entre-t-il réellement dans un système d'IA ? D'après les flottes que j'ai vues bien s'y prendre, cela se résume à trois étapes.

La première étape consiste à le structurer. N'essayez pas de tout faire d'un coup. Commencez par noter les trois types d'informations les plus précieux : combien de temps chaque client met à décharger, le créneau de réception de chaque client, et quels tronçons de route s'engorgent à quelles heures. Le répartiteur consacre dix minutes à la fin de chaque journée à noter les exceptions du jour. Au bout d'un mois, cela constitue une solide base de connaissances locales.

La deuxième étape consiste à valider. Ne déployez pas les itinéraires du système à toute la flotte d'un coup. Faites accompagner les nouveaux itinéraires par un répartiteur chevronné pendant deux semaines, en les notant chaque jour par rapport à ce qui s'est réellement passé sur la route. Gardez ce que le système a bien fait, signalez ce qu'il a mal fait — et chaque signalement est davantage de données à alimenter. La pire erreur à ce stade est de faire aveuglément confiance au système et d'avoir peur de le corriger quand il dévie.

La troisième étape consiste à garder les personnes. Une fois le système en service, le rôle de répartiteur ne disparaît pas — il change. Au lieu de planifier les itinéraires chaque jour, le répartiteur examine les itinéraires et comble les lacunes des données. Le résultat que toute flotte devrait craindre est le suivant : trois ans après la mise en service, le vétéran est parti à la retraite, le nouvel embauché ne sait que cliquer avec une souris, et personne ne se souvient comment la route est censée être parcourue. La technologie peut être mise à niveau. Le jugement doit être transmis par une personne.

Quand faire confiance au système, quand faire confiance au vétéran

D'après ce que j'ai observé au cours des deux dernières années, la ligne de démarcation est en fait assez claire. Voici un cadre pour décider :

Situation Le système d'IA convient mieux L'expérience du vétéran convient mieux
Itinéraires Itinéraires fixes, volume élevé, nombreux arrêts Commandes fréquentes de dernière minute, itinéraires qui changent chaque jour
Créneaux horaires des clients Créneaux flexibles, ajustables Créneaux stricts qui entrent en conflit les uns avec les autres
Complexité routière Réseau simple, congestion prévisible Travaux, restrictions, congestion saisonnière
Fondation des données Données clients et temps de déchargement déjà structurées Le savoir-faire est encore dans la tête des gens, pas dans le système

Ce cadre pointe vers une conclusion contre-intuitive : la plus grande valeur de l'optimisation d'itinéraires par IA n'est peut-être pas de produire des itinéraires plus optimaux, mais de transformer le savoir du répartiteur chevronné en un actif que toute la flotte possède. Les vrais gains apparaissent après que les répartiteurs ont alimenté, entrée par entrée, ce type de savoir comme « quel client peut décharger à quelle heure ». Et le plus grand risque va dans le sens inverse — non pas que le système calcule un mauvais itinéraire, mais que la flotte perde progressivement la capacité même de planifier des itinéraires. Quand le vétéran part à la retraite, l'expérience part avec lui, et le système se retrouve avec un algorithme qui n'a jamais été correctement alimenté.

Alors, qu'est-ce que l'optimisation d'itinéraires fait vraiment économiser ? La réponse honnête dépend de la situation de votre flotte. Pour une flotte aux itinéraires fixes et aux données complètes, les économies de kilométrage sont réelles. Pour une flotte aux créneaux horaires complexes et dont l'expérience n'est pas encore entrée dans le système, la première chose à économiser est le temps d'attente, pas le kilométrage. Les chiffres d'économies annoncés par les fournisseurs peuvent servir de référence, mais les prendre directement pour votre propre retour attendu est un bon moyen d'être déçu.

La vraie question dans ce duel n'est pas de savoir qui gagne. Les systèmes continueront de se renforcer — c'est une tendance. Mais la survie de l'expérience est le choix de la flotte elle-même. L'optimisation d'itinéraires par IA et le répartiteur chevronné ne sont pas une question de l'un ou de l'autre. C'est une question de savoir comment faire entrer le second dans le premier. Répondez bien à cela, et ce que vous économiserez, ce ne sera pas seulement de l'argent en carburant — ce sera ce qu'une flotte peut le moins se permettre de perdre : des gens qui savent comment la route doit être parcourue.

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