À l'automne 2024, je suis entré dans un entrepôt 3PL en dehors d'Ontario pour un travail d'intégration. Le responsable a pointé le plan encadré au mur : dessiné il y a cinq ans par un consultant, les produits à forte rotation dans la Zone A, ceux à faible rotation dans la Zone B, intouché depuis. J'ai posé une seule question : vos meilleures ventes de haute saison vivent-elles toujours dans la Zone A ? Il s'est tu. Les meilleures ventes avaient changé trois fois. Les emplacements n'avaient pas bougé une seule fois. C'est l'état de la plupart des entrepôts que je visite, et c'est exactement le problème que l'optimisation de l'agencement d'entrepôt par l'IA est conçue pour résoudre.

Ce que l'optimisation de l'agencement d'entrepôt par l'IA calcule réellement

Soyons clairs sur un point d'abord : ce n'est pas un logiciel qui dessine un plan plus joli. Il fait trois tâches. Il consomme des données : les lignes de commandes historiques, la vélocité de chaque SKU, les SKU qui sont commandés ensemble encore et encore, la taille et le poids de chaque SKU, ainsi que les limites de charge et les hauteurs de lisses des rayonnages. Puis il place le stock avec des algorithmes heuristiques. Pensez-y comme une application de navigation qui calcule un itinéraire, sauf qu'au lieu d'un itinéraire, elle décide où chacun des milliers de SKU devrait vivre. Algorithmes génétiques, recuit simulé : les noms sonnent intimidants, mais le travail est simple : essayer des combinaisons, les noter, essayer encore, jusqu'à trouver l'agencement avec le plus court déplacement total. Et elle vérifie la réponse en simulation, en faisant passer des dizaines de milliers de commandes dans l'agencement proposé pour voir jusqu'où les préparateurs marchent réellement et où les allées s'engorgent, puis elle ajuste.

Cela vaut de l'argent parce que marcher coûte brutalement cher. Un chiffre largement cité du manuel d'entreposage de Georgia Tech situe les déplacements à environ 55% du temps de préparation. Plus de la moitié du poste d'un préparateur est passée à marcher, pas à préparer. Placez bien les produits à forte rotation et la marche diminue ; les mathématiques ne sont pas compliquées. La recherche sur le stockage basé sur la classification ABC a rapporté des réductions de parcours et de temps de préparation allant jusqu'à environ 45% (Le-Duc, 2005), et ce chiffre provient de la littérature académique, pas de la brochure d'un fournisseur.

Ensuite, il y a la partie dynamique. La classification ABC n'est pas un travail ponctuel : le meilleur vendeur de classe A de ce mois peut être du stock mort le mois prochain. Ce que fait l'IA, c'est relancer le calcul ABC chaque mois, parfois chaque semaine, sur des données de vélocité fraîches, et déplacer les emplacements avec la demande. Une équipe humaine pourrait le faire en théorie. En pratique, personne ne réorganise un entrepôt de 8,000 SKU à la main chaque mois : l'équipe s'effondrerait d'abord.

Où la carte dessinée à la main se trompe

Les modes de défaillance des agencements basés sur l'expérience, tels que je les ai vus, se réduisent à trois. Les emplacements sont fixes et la demande ne l'est pas. Ce 3PL d'Ontario est le cas d'école : la Zone A a été fixée il y a cinq ans et contient désormais du stock qui a cessé de se vendre il y a des saisons, tandis que les vraies meilleures ventes se trouvent au bout de l'allée la plus éloignée. Ensuite, il y a l'angle mort de la cooccurrence : deux SKU peuvent chacun se vendre lentement, mais si huit commandes sur dix contiennent les deux, un agencement basé sur l'expérience les place aux extrémités opposées du bâtiment et le préparateur traverse l'entrepôt à chaque commande. Un algorithme repère instantanément qu'ils sont inséparables et les place côte à côte. Et les gens comptent la distance et oublient le temps.

Ce troisième point est le plus négligé, et le plus contre-intuitif : réduisez la distance de déplacement et le temps de cycle de commande ne baisse pas dans la même proportion. Dans une simulation publiée construite sur un jeu de données public, le routage optimisé a réduit la distance de déplacement de 54%, mais le temps moyen de traitement des commandes n'a baissé que de 6.6%, parce que la préparation manuelle, la recherche, la confirmation, n'ont pas raccourci d'une minute. La distance est la plus grosse part du coût, pas la totalité du coût. Si un fournisseur vous dit que diviser les déplacements par deux double la production, demandez le rapport de simulation. Si les chiffres ne concordent pas, c'est du discours commercial.

Quand l'optimisation de l'agencement par l'IA paie, et quand elle ne paie pas

Ma ligne de démarcation pour l'optimisation de l'agencement d'entrepôt par l'IA est simple : plus de mille SKU, une vélocité volatile, deux changements de saison ou plus par an : cela vaut une conversation. Trois à cinq cents SKU et un agencement qui n'a pas bougé depuis un an : n'y touchez pas. Installer ce système dans un entrepôt de 300 SKU, c'est comme mettre un GPS sur un vélo. Le GPS n'est pas mauvais. Vous n'en avez simplement pas besoin.

Avant les chiffres, une précision : le tableau ci-dessous est un exemple hypothétique. J'ai choisi les chiffres à partir de plages rapportées dans des recherches publiées, et non à partir des résultats mesurés d'un entrepôt en particulier. Les analyses du secteur situent généralement la réduction de la distance de déplacement grâce au slotting intelligent entre 15% et 30% ; j'ai utilisé 20%, le milieu de cette plage.

Item Experience-based layout After AI optimization (hypothetical)
Walking per picker per shift 8 km 6.4 km
Travel share of picking time ~55% ~44%
Total distance saved per day, 20 pickers — 32 km
Labor hours saved per day — ~17.6 hours, roughly 2.2 headcount

Voici comment fonctionne le calcul de main-d'œuvre : sur un poste de 8 heures, les déplacements à environ 55% représentent environ 4.4 heures. Réduisez cela de 20% et chaque préparateur économise 0.88 heure par poste ; vingt préparateurs économisent 17.6 heures par jour. Tout le calcul repose sur une condition : vos données de lignes de commandes sont propres et vos chiffres de vélocité sont réels. Des données pourries en entrée, des emplacements pourris et coûteux en sortie.

Il y a aussi une facture cachée : la réorganisation dynamique signifie déplacer physiquement le stock. Une grande réorganisation avant la haute saison coûte des heures de déplacement et comporte un risque d'erreur de préparation, et les deux appartiennent au calcul. Plus vous réorganisez souvent, plus les mathématiques doivent être fines. Réorganisez trop avidement et l'entrepôt devient plus désordonné, pas plus propre ; ce n'est pas un paradoxe, c'est simplement le coût du déplacement qui mange les économies.

Ne copiez pas le résultat aveuglément

La première étape après que l'algorithme vous a remis un plan est toujours un contrôle humain par rapport aux contraintes strictes. Les voies d'incendie ne peuvent pas être bloquées. Le stock en surpoids ne peut pas monter en hauteur. Un chariot élévateur ne peut pas tourner là où une grille de poteaux gêne. Les zones hors de la couverture des sprinklers ne peuvent pas contenir des marchandises empilées en hauteur. L'algorithme peut ne pas connaître ces contraintes, et même s'il les connaît, il peut ne pas les pondérer correctement. J'ai vu un entrepôt copier un plan optimisé directement en production et mettre des marchandises lourdes sur les lisses supérieures ; le retravail a coûté plus que l'optimisation n'a jamais économisé.

Les pièges de maintenance se présentent sous trois formes. Des données sales : des lignes de commandes manquantes et des enregistrements d'emplacements erronés que personne ne corrige, de sorte que l'algorithme dérive un peu plus à chaque cycle. Une fréquence de réorganisation qui s'emballe : un grand mouvement avant la haute saison suffit ; de petits mouvements hebdomadaires laissent les préparateurs chercher du stock qui a bougé la veille. Et ne confondez pas l'optimisation de l'agencement avec un jumeau numérique. Un jumeau numérique est un miroir vivant de tout l'entrepôt, construit pour la simulation et la surveillance ; l'optimisation de l'agencement résout un seul problème : où vit chaque SKU, et elle est bien plus légère et bien moins chère. Les deux ne sont pas dans la même gamme de prix ni dans le même calendrier de projet. Quand un fournisseur vous vend de l'optimisation d'agencement déguisée en jumeau numérique, la plupart du temps, c'est une majoration de prix sous un nom plus élégant.

Voici donc ma règle habituelle : l'argent en vaut-il la peine ? Regardez un seul chiffre : de combien la distance moyenne de déplacement par commande a baissé après l'optimisation, multipliée par votre coût réel de main-d'œuvre. Une baisse de plus de 20% et les heures reviennent, cela en vaut la peine. Une baisse de quelques points seulement et votre slotting n'était jamais si mauvais ; gardez l'argent pour autre chose. Une chose que vous pouvez faire demain, et qui ne coûte rien : exportez trois mois de lignes de commandes et lancez une classification ABC. Une fois que vous aurez vu cela, vous saurez si votre entrepôt a besoin d'une optimisation de l'agencement d'entrepôt par l'IA, ou simplement d'un regard neuf sur la carte.

Par Da Liu, Ingénieur en automatisation

Traduit de l'anglais. En cas de divergence, la version anglaise fait foi.