Commencez par l'argent, car le business case du ROI d'un projet d'IA en entrepôt se joue là-dessus. Le mois dernier, le propriétaire d'une entreprise de e-commerce d'articles pour la maison m'a apporté une proposition de fournisseur : vérification visuelle par IA, première phase à $800,000, avec un vendeur promettant un retour sur investissement en un an. Je lui ai dit de ne rien signer avant d'avoir construit le total sur trois ans : abonnement logiciel, caméras et ordinateurs edge, intégration avec le système de gestion d'entrepôt, nettoyage des données historiques, formation du personnel, plus la maintenance annuelle et le réglage du modèle. Une fois le total établi, l'investissement sur trois ans approchait $2 millions, et le bénéfice net annuel sur son volume de commandes dépassait à peine $400,000. Délai de retour : cinq ans. Le retour en un an du fournisseur, c'était le prix de la première année divisé par un bénéfice inventé. C'est exactement ce contre quoi un business case du ROI d'un projet d'IA en entrepôt doit se prémunir. (Tous les chiffres de cet exemple sont hypothétiques, utilisés pour illustrer la méthode.)
Un projet d'IA comporte cinq postes de coûts. Le fournisseur n'en chiffre qu'un
Le défaut le plus fréquent d'un business case est une section coûts d'une seule ligne. Le coût réel comporte cinq postes. Premier, le logiciel : abonnement ou licence perpétuelle, si le prix augmente chaque année, s'il évolue avec le volume de commandes. Deuxième, le matériel : caméras, ordinateurs edge, mises à niveau du réseau, et si la chaleur de la haute saison exige du matériel de qualité industrielle. Troisième, l'intégration : les jours-hommes pour se connecter au système de gestion d'entrepôt et à l'ERP, ce que coûte chaque changement d'interface, et qui porte le risque. Quatrième, la préparation des données : nettoyage des données historiques, étiquetage, gouvernance des données de référence, le poste le plus souvent sous-estimé. Cinquième, la formation et la conduite du changement : les heures pour que le personnel apprenne le nouveau flux, la double vérification manuelle pendant le pilote, les fenêtres d'arrêt pour les changements de processus.
Gartner a décrit ce piège il y a des années. Ses prévisions de juillet 2024 disaient qu'au moins 30% des projets d'IA générative seraient abandonnés après la preuve de concept d'ici fin 2025, en cause la mauvaise qualité des données, des contrôles de risque insuffisants, des coûts en hausse et une valeur métier floue. Début 2026, un article de Gartner a revu le chiffre à la hausse : au moins 50% des projets d'IA générative avaient été abandonnés après la preuve de concept d'ici fin 2025. Les deux chiffres diffèrent ; la cause de décès est la même. Les pilotes sont bon marché. La production coûte cher. Et le budget n'avait jamais tout compté. Il y a aussi un coût caché que personne ne met dans le devis : pendant les trois premiers mois après la mise en service, alors que la précision du modèle continue de grimper, l'effectif de vérification ne diminue pas. Il double. Écrivez cette ligne vous-même, car le fournisseur ne le fera pas.
Le business case d'IA ne reconnaît que trois bénéfices : main-d'œuvre, débit, erreurs
Côté bénéfices, je ne reconnais que trois postes. La main-d'œuvre économisée : les heures évitées, multipliées par le coût complet de la main-d'œuvre. Le débit gagné : les commandes supplémentaires par heure, multipliées par la marge par commande. Les erreurs évitées : le taux d'expéditions erronées réduit de quelques points, multiplié par le coût de reprise et d'indemnisation par commande. Tout autre élément dans la colonne des bénéfices reçoit d'abord un point d'interrogation. « Une meilleure expérience client » et « des actifs de données plus solides » peuvent figurer dans la proposition. Ils ne peuvent pas figurer dans le calcul de rentabilité.
Les données du secteur servent de cadre de référence, jamais de promesse. Une étude du MIT Intelligent Logistics Systems Lab et de Mecalux, publiée en décembre 2025 et couvrant plus de 2,000 professionnels de la supply chain et de l'entreposage dans 21 pays, a constaté que 60% des entrepôts ont déjà intégré l'IA, avec un délai de retour typique de deux à trois ans et des budgets IA représentant de 11% à 30% des budgets technologiques des entrepôts. Une étude Forrester Total Economic Impact commandée par un fournisseur a rapporté un ROI de 219% sur trois ans avec un retour en moins de six mois pour une plateforme d'intelligence d'entrepôt. C'est un composite commandé par un fournisseur, construit à partir de clients interrogés, pas une promesse sur votre entrepôt. Citez-le avec cette réserve jointe. La main-d'œuvre représente de 50% à 70% des coûts d'exploitation d'un entrepôt selon la fourchette sectorielle couramment citée, c'est pourquoi les économies de main-d'œuvre constituent le plus gros poste de bénéfices. La base est aussi large que cela.
Voici la partie contre-intuitive : le calcul des économies de main-d'œuvre est le plus facile à fausser. Économiser dix personnes ne revient pas à économiser dix salaires. Les primes de nuit, les heures supplémentaires, les coûts irrécupérables de recrutement et de formation, et la question de savoir si les personnes qui restent ont besoin d'une augmentation, tout cela entre dans le calcul. La presse sectorielle, en rendant compte de l'enquête Global Logistics Survey 2024 de McKinsey, a constaté que 41% des entreprises avaient surestimé les économies de main-d'œuvre de plus de 35% dans leurs modèles initiaux. Le schéma est toujours le même : l'efficacité de pointe du pilote traitée comme l'état stable, et l'effectif de basse saison traité comme une économie. Prenez n'importe quel chiffre d'un pilote, réduisez-le de trente pour cent, puis mettez-le dans le business case.
Comment calculer le délai de retour pour que le ROI du projet d'IA en entrepôt tienne
La formule tient en deux lignes, et elle appartient à la page un du business case. Le délai de retour en années est égal à l'investissement total divisé par le bénéfice net annuel. Le bénéfice net annuel est égal au bénéfice annuel moins le coût d'exploitation annuel. La formule est simple. Les trois données sont la partie difficile. L'investissement total est le total sur trois ans, pas le devis de la première année. Le bénéfice annuel est la somme des trois bénéfices, chacun étayé par des données de référence : le taux actuel d'expéditions erronées, les commandes actuelles par heure, les commandes actuelles traitées par personne et par jour. Sans référence, le bénéfice est inventé.
J'exige que chaque projet présente trois scénarios : optimiste, de base et pessimiste. La règle pour le cas pessimiste est des bénéfices réduits de trente pour cent et des coûts augmentés de vingt pour cent. Voici un exemple hypothétique :
| Scénario | Investissement sur trois ans | Bénéfice net annuel | Délai de retour |
|---|---|---|---|
| Optimiste | $1.8 millions | $900,000 | 2 ans |
| Base | $2.0 millions | $600,000 | 3.3 ans |
| Pessimiste | $2.4 millions | $420,000 | 5.7 ans |
Lisez le tableau comme il faut : le cas optimiste est pour le fournisseur, le cas de base est pour le patron, le cas pessimiste est pour vous. Si le délai de retour pessimiste dépasse cinq ans, n'approuvez pas le projet maintenant. Si le cas de base dépasse trois ans, réduisez le périmètre avant d'approuver quoi que ce soit. Les cinq raisons les plus fréquentes de rejet d'un business case : pas de données de référence, donc des bénéfices devinés ; des économies de main-d'œuvre comptées sans le coût des personnes qui restent ; des chiffres de pointe du pilote traités comme normaux ; des variations de haute saison ignorées, avec les calculs de basse saison appliqués à la pointe ; et pas de plan de sortie, donc personne ne sait comment arrêter un pilote qui échoue. Touchez-en deux sur cinq, et le business case repart pour être réécrit.
La liste de contrôle avant approbation : dix points, aucune signature tant que tout ne passe pas
Collez cette liste de contrôle sur la dernière page du business case. Dix points, tous doivent passer avant que quiconque signe. Un, les données de référence existent : taux d'expéditions erronées, temps de traitement par commande, coût complet de la main-d'œuvre. Deux, les cinq postes de coûts sont inclus, avec un total sur trois ans. Trois, chacun des trois bénéfices a sa propre feuille de calcul. Quatre, le calcul de rentabilité en trois scénarios est fait. Cinq, la préparation des données : les données historiques peuvent-elles être utilisées telles quelles, ou combien de semaines de nettoyage faut-il ? Six, la liste d'intégration : combien de systèmes, qui est responsable de chaque interface. Sept, le périmètre du pilote : une zone ou une ligne, et quel chiffre définit le succès. Huit, le plan de sortie : combien de temps avant l'arrêt du pilote, et quel est le plafond du coût irrécupérable. Neuf, des responsables nommés : un responsable métier et un responsable technique, par leur nom, pas par leur service. Dix, des dates de révision : jour 30 et jour 90 après la mise en service, avec le pouvoir d'arrêter si les chiffres ne suivent pas.
Chaque point correspond à un échec réel dont j'ai été témoin. Le point neuf est le plus facile à truquer : un responsable indiqué comme un service signifie que personne ne décide rien quand ça casse. Le point dix est le plus facile à reporter : la réunion de révision glisse de mois en mois jusqu'à ce que le budget soit dépensé et que quelqu'un découvre que le modèle n'a jamais produit de bénéfice.
Voici donc une conclusion que vous pouvez calculer : si le délai de retour du cas de base dépasse trois ans, réduisez le périmètre avant d'approuver. Si le cas pessimiste dépasse cinq ans, n'approuvez pas le projet maintenant. Mettez ce tableau en page un du business case. Il vaut plus que dix pages de proposition technique. La technologie peut attendre son tour. L'argent ne le peut pas.
Par Lao Zhou, Analyste des coûts logistiques Traduit de l'anglais. En cas de divergence, la version anglaise fait foi.









