En octobre 2026, lors d'une réunion de révision de comptage cyclique dans un entrepôt logistique tiers à Ontario, en Californie, un système de comptage cyclique par vision IA en entrepôt a signalé un écart qui a figé la salle : la caméra indiquait deux cartons de petits appareils électroménagers manquants dans un emplacement en hauteur, alors que le dossier du système montrait l'emplacement en équilibre. Ce moment résume le vrai problème des déploiements de comptage cyclique par vision IA en entrepôt. La machine peut compter le stock. Elle ne peut pas décider ce qu'un écart signifie, si les cartons ont vraiment disparu, si le dossier est périmé ou si la caméra a simplement mal lu la scène. Ce verdict doit venir d'un ensemble de règles convenues avant la mise en service des caméras, et l'entrepôt d'Ontario a fini par réécrire son processus de traitement des écarts plutôt que de discuter de la précision des caméras.

Le schéma derrière cette réunion mérite qu'on s'y attarde. D'après mes visites de terrain au cours des deux dernières années, le comptage par vision s'est répandu dans les entrepôts 3PL et e-commerce nord-américains plus vite que les vagues d'automatisation précédentes, parce qu'il exige très peu du bâtiment. Les caméras se montent au-dessus des rayonnages, les modèles se mettent à fonctionner, et le comptage passe de personnes qui grimpent pour atteindre les emplacements en hauteur à des machines qui scannent selon un programme. La partie coûteuse du comptage cyclique n'a jamais été l'acte de compter lui-même. Elle se situe en aval, dans la chaîne d'enquête, de re-vérification, d'ajustement et d'attribution des responsabilités qui suit chaque écart.

La caméra compte le stock : les erreurs du comptage cyclique par vision IA sont rarement un seul chiffre

Le cas d'Ontario mérite un examen plus attentif. Le site couvre environ 90,000 pieds carrés et traite des petits appareils électroménagers et des articles pour la maison. En septembre 2026, il a installé des caméras fixes au-dessus de deux allées de rayonnages en hauteur, scannant la nuit quand aucun picking n'était en cours. Au cours du premier mois, le système a signalé 31 écarts sur 240 emplacements échantillonnés. Les re-vérifications manuelles les ont classés en 19 erreurs de lecture de la caméra, 7 dossiers périmés et seulement 5 écarts de stock réels. Ce qui a inquiété le responsable de l'entrepôt, c'est la charge de travail de re-vérification : chaque emplacement signalé devait être vérifié par quelqu'un qui montait jusqu'à l'emplacement, et une grande partie des heures de comptage que les caméras avaient économisées est repartie directement dans la re-vérification.

Un deuxième entrepôt, près de Dallas, au Texas, raconte une histoire presque en miroir. Ce site e-commerce qui traite des pièces automobiles a monté des caméras sur les chariots élévateurs, scannant les emplacements pendant que les conducteurs suivaient leurs itinéraires normaux. Sur trois mois, il a scanné plus de 4,000 emplacements, et plus de soixante pour cent de ses écarts signalés se concentraient dans trois types d'endroits : des emplacements au niveau du sol à moitié cachés derrière des palettes, des travées d'angle serrées contre les montants, et des articles dont l'emballage avait changé au point que les cartons ne correspondaient plus aux photos de référence archivées. La faiblesse n'était pas l'algorithme mais le monde physique : les cartons sont masqués, les étiquettes regardent vers l'intérieur et les emballages changent.

Les deux cas pointent vers le même diagnostic. Les erreurs du comptage par vision se répartissent en trois couches, et elles arrivent mélangées dans un seul chiffre d'écart. La couche de surface est l'erreur de reconnaissance, où l'occlusion, l'éblouissement et les changements de forme des cartons faussent le comptage. La couche intermédiaire est le temps : le stock vient d'être déplacé et le dossier n'a pas encore rattrapé, de sorte que la caméra et le système décrivent deux moments différents. La couche la plus profonde est l'erreur de processus, un carton rangé dans la mauvaise travée à la réception ou prélevé au mauvais niveau, que la caméra ne fait qu'exposer. La précision de reconnaissance annoncée par le fournisseur doit donc être traitée comme un simple point de référence, la performance réelle étant jugée sur le pilote propre à chaque entrepôt.

Les écarts du comptage cyclique par vision IA en entrepôt ont besoin de trois catégories avant de parler de responsabilités

L'entrepôt d'Ontario a fini par adopter une méthode simple dans sa structure : classer d'abord, puis agir. La première catégorie est une erreur de lecture, démontrée conjointement par la capture d'écran du système et la photo de re-vérification, par exemple quand la caméra compte les cartons de la travée voisine ou confond l'ombre d'une palette vide avec un carton. Les erreurs de lecture ne déclenchent aucun ajustement. Elles alimentent un journal des problèmes de reconnaissance qui sert au réglage du modèle et aux angles des caméras. La deuxième catégorie est un dossier périmé, où la paperasse du mouvement est en retard sur l'horodatage de la caméra et où la re-vérification confirme le stock par rapport aux transactions d'entrée et de sortie. Ces écarts conduisent à corriger le dossier, pas à blâmer, et le suivi vise la ponctualité du processus. Seule la troisième catégorie, un écart confirmé où une personne sur place vérifie que le stock ne correspond vraiment pas au dossier, déclenche un ajustement et une enquête sur la cause racine, graduée selon la valeur et la catégorie de produit.

La valeur de la classification réside dans l'endroit où elle trace les lignes de responsabilité. Les erreurs de lecture appartiennent à l'équipement et au modèle, les dossiers périmés appartiennent au processus et à l'intégration du système, et seuls les écarts confirmés appartiennent aux opérations et à la direction. Sans ces lignes, un écart devient vite une ronde de reproches, sans que personne ne corrige le problème sous-jacent. La classification doit reposer sur des preuves. Chaque écart doit conserver au moins trois éléments : l'image de la caméra au moment du scan, une photographie prise pendant la re-vérification et une capture du dossier du système au même moment. S'il en manque un, il est difficile de reconstituer la scène après coup, et la classification devient de la conjecture.

Un tableau de décision pour savoir si une installation de comptage cyclique par vision IA en entrepôt mérite sa place

Savoir si le comptage par vision vaut la peine d'être adopté ne peut pas se répondre à partir des spécifications techniques. Cela dépend de la forme de chaque entrepôt, et le tableau ci-dessous parcourt les quatre dimensions qui comptent le plus.

Dimension Comptage cyclique manuel Installation à caméras fixes Installation à patrouille mobile
Couverture Échantillonnage planifié, portée limitée Scans complets programmés, continus Scanne le long des itinéraires de travail, la couverture suit l'itinéraire
Angles morts Les emplacements en hauteur et les coins sont les plus difficiles à compter Les positions profondes et les cartons masqués sont les plus difficiles à voir Les zones que les conducteurs ne traversent jamais restent non scannées
Preuves d'un écart La mémoire et les notes du re-vérificateur Captures d'écran horodatées, révisables ensuite Images le long de l'itinéraire, mais les angles varient
Idéal pour SKU mixtes, emballages qui changent souvent Formes de carton stables, emplacements fixes Longues allées, trajets fixes

Le calcul des coûts d'un projet de comptage cyclique par vision IA en entrepôt doit se faire sur la même base, en utilisant les chiffres propres à chaque entrepôt. Le coût mensuel de comptage équivaut aux heures de re-vérification multipliées par le coût de la main-d'œuvre, plus les heures passées à retracer et à ajuster les écarts, plus les pertes dues aux arrêts liés au comptage ou aux expéditions erronées. Le comptage par vision change le mélange plutôt que de simplement le réduire : il supprime les heures passées à compter les emplacements un par un, et il ajoute des heures de re-vérification, de maintenance des caméras et de réglage du modèle, en plus d'un investissement de déploiement unique. Au cours du premier mois en Ontario, les heures économisées en ne comptant pas à la main 240 emplacements ont été en grande partie consommées par la re-vérification de 31 écarts signalés, et le bénéfice net n'apparaît qu'une fois les règles de classification bien en place et les 19 erreurs de lecture en forte baisse. Un petit pilote mesuré sur site vaut mieux que n'importe quel modèle de coût du fournisseur.

Voici le jugement contre-intuitif : plus un système de comptage par vision devient précis, plus il devient dangereux. La confiance migre plus vite que la capacité n'est vérifiée. Après quelques mois calmes avec peu d'écarts signalés, les re-vérificateurs commencent à sauter la vérification et à accepter le verdict du système tel quel, or le mode de défaillance auquel les systèmes de vision sont le plus sujets est le mode systématique, par exemple un changement d'emballage qui fait que le modèle sous-compte dans toute une allée, qui passe inaperçu précisément parce que moins d'écarts sont signalés. À l'ère manuelle, un compteur grimpant jusqu'à un emplacement en hauteur remarquait incidemment des choses hors du plan. Une caméra ne répond qu'à la question qui lui a été posée, et tout ce qui est hors du plan a besoin d'un mécanisme séparé pour être détecté. Le cadrage le plus sûr est de traiter le comptage par vision comme un radar, et non comme le juge final de la vérité de l'inventaire, et de conserver des comptages manuels périodiques par échantillonnage comme calibration de ce radar.

Mon jugement sur la tendance est prudemment optimiste. Le comptage par vision sort de la phase où l'on prouve que la technologie fonctionne et entre dans la phase où le processus et les preuves décident des gagnants. Au cours des deux à trois prochaines années, la ligne de démarcation ne sera pas les décimales du taux de reconnaissance, mais qui a les règles de classification des écarts les plus complètes, qui ferme le plus proprement la chaîne de preuves et qui a l'intégration au WMS la plus opportune. La question la plus intéressante se situe de l'autre côté : à mesure que les entrepôts conservent les images de comptage, ces images passeront-elles d'un outil de comptage à une couche générale de preuves pour la gestion des stocks, réutilisée pour les contrôles de réception, les réclamations et les demandes des clients ? Si oui, la valeur d'une installation de comptage cyclique par vision IA en entrepôt se mesurera aux litiges qui ont désormais des preuves derrière eux, et non aux heures de comptage économisées. Que cela se vérifie dépend du nombre d'entrepôts prêts à écrire clairement leurs règles d'écart avant de discuter du nombre de caméras à acheter.

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