Pendant la semaine du Black Friday 2024, le directeur des opérations d'un 3PL du Midwest américain a dit, lors du bilan post-mortem, quelque chose qui m'est resté en tête : "Nous avons été vaincus par notre propre plan de vagues." Le volume quotidien de commandes était plus de trois fois supérieur à la normale. Le WES déclenchait une vague toutes les 90 minutes comme une horloge, six vagues bien alignées — pourtant, pendant les troisième et quatrième vagues, les préparateurs faisaient la queue à l'entrée de la zone A tandis que les bacs (totes) s'accumulaient devant le put wall en attente de vérification. Les données ont montré ensuite que la distance de marche n'avait augmenté que d'environ dix pour cent ; le vrai problème, c'était le chevauchement des vagues et la congestion en aval. C'est pourquoi l'optimisation des vagues par IA revient sans cesse dans les conversations du secteur : le problème n'a jamais été seulement "comment regrouper les commandes", mais un ensemble de décisions mutuellement contraignantes prises sous des contraintes strictes.
Pourquoi l'optimisation des vagues par IA compte : c'est la préparation qui coûte cher
Une étude de cas d'entreposage de 2025 publiée dans Applied Sciences situe la préparation de commandes (order picking) entre 50 et 75 pour cent des coûts d'exploitation totaux de l'entrepôt et environ 55 pour cent du temps total de main-d'œuvre. Les chiffres varient selon les études, mais la conclusion tient : le picking est l'activité la plus coûteuse du bâtiment, et la planification des vagues en détermine la structure.
L'optimisation des vagues, autrement dit, agit sur le plus gros bloc de la structure de coûts de l'entrepôt — c'est pourquoi presque tous les grands éditeurs de WES ont ajouté la "planification intelligente des vagues" à leur feuille de route au cours des trois dernières années. Mais entre la feuille de route et les résultats se trouve la complexité des contraintes.
La logique algorithmique de l'optimisation des vagues par IA : trois générations
Pour voir ce que l'IA fait réellement ici, reformulons la planification des vagues comme un problème d'optimisation. Entrée : un pool de commandes en attente de préparation. Sortie : un ensemble de vagues, chacune étant un groupe de commandes plus une heure de déclenchement. L'objectif est généralement de minimiser la distance totale de déplacement en picking ou les heures de main-d'œuvre tout en respectant les heures limites des transporteurs — sous au moins quatre familles de contraintes : les fenêtres de coupure et d'enlèvement, la distribution des emplacements et la congestion des zones chaudes, la disponibilité de la main-d'œuvre et le mix de compétences, et le takt time des équipements.
La première génération, ce sont les moteurs de règles : coupes rigides par heure limite, regroupements par transporteur, type de commande et priorité. C'était la pratique WMS standard avant 2015 — l'expérience humaine encodée : explicable, contrôlable, et complètement inélastique quand le profil des commandes changeait.
La deuxième génération a apporté heuristiques et clustering : les commandes dont les emplacements de picking sont proches sont regroupées, les tournées sont approximées avec des heuristiques du voyageur de commerce, et le recuit simulé ou les algorithmes génétiques cherchent un équilibre quasi optimal entre taille de vague et cadence de déclenchement. C'est le courant dominant des WES commerciaux actuels et le véritable cœur de la plupart des produits de "planification des vagues par IA" — le nom dit IA, mais le moteur est généralement de la recherche opérationnelle.
La troisième génération utilise l'apprentissage automatique et l'apprentissage par renforcement : prédire les schémas d'arrivée et les temps de picking par commande à partir de l'historique, puis décider dynamiquement s'il faut déclencher maintenant ou attendre dix minutes. Beaucoup d'articles, peu de déploiements en production.
Une découverte contre-intuitive : le timing bat le regroupement
La plupart des discussions sur l'optimisation des vagues par IA portent sur un regroupement plus ingénieux des commandes — des clusters plus fins, des tournées plus courtes. Mais un 3PL que j'ai étudié fin 2024 — une installation d'environ 50,000 mètres carrés dans le Midwest, spécialisée dans les articles de maison — pointait vers une conclusion différente.
Après des vagues fixes de 90 minutes pendant le pic 2023, le site a ajouté en 2024 un module de vagues avec prédiction des arrivées. La plus grande amélioration n'était pas le "regroupement plus intelligent" — c'est que le système répondait dynamiquement à la question de savoir quand déclencher chaque vague. Quand le modèle prévoyait l'arrivée d'un gros volume de commandes d'un même transporteur dans les 30 minutes, il retardait délibérément le déclenchement, fusionnant en un seul ce qui aurait été deux tournées de picking. Selon le responsable des opérations que j'ai interviewé, la distance moyenne de marche des préparateurs a baissé d'environ vingt pour cent pendant le pic — plus de la moitié de ce gain provenant des décisions de timing de déclenchement, et non de la logique de regroupement.
La logique est simple : la planification des vagues est fondamentalement une décision dans la dimension du temps, et toute optimisation du regroupement repose sur un jugement préalable — attendre le prochain lot ou non ? Attendre fait gagner en consolidation mais comprime le temps de traitement ; déclencher maintenant protège les niveaux de service mais peut gaspiller une tournée. La valeur de l'IA, c'est de transformer cet arbitrage, de l'intuition en quelque chose de calculable : compte tenu des prévisions d'arrivée et de la capacité restante, trouver le point de déclenchement au coût attendu le plus bas.
L'autre arbitrage : plus on prépare vite, plus on s'embouteille
Il y a une réalité plus dure. Un entrepôt de e-commerce transfrontalier dans l'est de la Chine a renforcé le regroupement avant le pic 2024 : les tailles de vagues ont doublé et la productivité des préparateurs s'est réellement améliorée. Deux semaines plus tard, le goulot d'étranglement s'est déplacé en aval : les files d'attente de vérification au put wall ont dépassé 40 minutes, et les totes de staging ont débordé dans des espaces d'allée empruntés. Le site est revenu à des "vagues plus lâches plus pré-tri", et le délai total quai-à-expédition (dock-to-ship) s'est finalement avéré meilleur que pendant la phase agressive.
La leçon que les éditeurs partagent rarement : une fonction objectif qui ne minimise que la distance de déplacement en picking peut facilement produire une solution sous-optimale à l'échelle du système. Les vraies contraintes sont en aval — capacité de vérification, de conditionnement, de staging et de chargement. Un modèle de regroupement IA doit intégrer le takt time en aval comme contrainte dure ; sinon chaque minute économisée en picking se paie avec intérêts dans la zone de staging. C'est aussi le mode d'échec le plus courant des déploiements de deuxième génération : magnifiques en simulation, recalés par la théorie des files d'attente sur le terrain.
Avant de déployer : votre entrepôt est-il éligible ?
Tous les entrepôts ne méritent pas l'optimisation des vagues par IA. Le cadre ci-dessous synthétise des cas d'éditeurs et des recherches publiées ; les chiffres sont des estimations d'ordre de grandeur :
| Profil d'entrepôt | Volume quotidien de commandes | Approche recommandée | Gain attendu (ordre de grandeur) | Prérequis de données |
|---|---|---|---|---|
| Micro-entrepôt, zone unique, <5,000 SKU | Moins de 2,000 commandes | Vagues fixes plus jugement de l'opérateur | L'investissement IA probablement net négatif | Aucun |
| Taille moyenne, zone unique | 2,000–10,000 commandes | Moteur de règles plus clustering simple | 5–15% de distance en moins | 6+ mois d'historique de commandes |
| Grand, multi-zones | Plus de 10,000 commandes | Optimisation heuristique plus déclenchement dynamique | 15–25% de distance en moins | Données de commandes, de slotting et de main-d'œuvre toutes complètes |
| Automatisé (AMR, trieurs) | Tous | Optimisation conjointe avec la planification des équipements | Gain de débit au niveau du système | Flux de données d'équipements en temps réel |
Notez la première ligne : en dessous de quelques milliers de commandes par jour, le ROI est très probablement négatif — non pas à cause de l'algorithme, mais à cause du dénominateur. Le nettoyage des données, l'intégration et le réglage ont des coûts fixes, tandis qu'un petit pool de commandes offre une marge limitée. Bien faire le slotting ABC et la discipline des vagues rapporte davantage. C'est la première limite d'une comptabilité honnête du ROI de l'IA.
Préparation des données pour l'optimisation des vagues par IA : trois jeux de données, aucun optionnel
Cela fait écho à un point précédent : la préparation des données détermine si l'IA en entrepôt réussit ou échoue. L'optimisation des vagues a besoin de trois jeux de données ; s'il en manque un, le modèle retombe au niveau d'un moteur de règles :
Premièrement, l'historique des commandes : au moins 6 à 12 mois de détail au niveau de la commande, incluant horodatages, composition de la commande, transporteur et priorité. Cela alimente la prévision des arrivées — pourtant, dans beaucoup d'entrepôts, il est éclaté entre OMS et WMS avec des horodatages incohérents, le piège le plus courant.
Deuxièmement, les données de slotting et de vélocité : coordonnées des emplacements, fréquence historique de picking et enregistrements de mise en stock (putaway) pour chaque SKU. Sans des données de référence d'emplacements précises, les "zones chaudes" produites par le clustering sont tout simplement fausses. De mauvaises données de slotting sont la cause numéro un des projets d'optimisation des vagues ratés.
Troisièmement, les données de main-d'œuvre et de takt : standards d'ingénierie par étape de processus, historiques de réalisés et étiquettes de compétences des opérateurs. Sans elles, la "vague optimale" produite par le modèle peut être un plan que l'équipe actuelle ne peut physiquement pas exécuter.
Les trois doivent être en temps réel, rejouables et définis de manière cohérente. La rejouabilité est le point critique : prenez un flux réel de commandes d'il y a trois mois, rejouez-le dans le nouveau modèle, comparez avec ce qui s'est réellement passé. Sans cela, toute affirmation selon laquelle "l'IA améliore X de Y%" est invérifiable.
Perspectives de tendances, 2025–2027 : trois bascules
Ma lecture des deux ou trois prochaines années :
Premièrement, les techniques de deuxième génération — heuristiques, clustering, déclenchement dynamique — deviendront des fonctionnalités WES standard plutôt que des modules IA vendus séparément. L'intelligence des vagues passe de différenciateur à prérequis de base, probablement autour de 2026.
Deuxièmement, les approches de troisième génération comme l'apprentissage par renforcement pour le déclenchement dynamique connaîtront des pilotes limités chez les 3PL de premier plan et les réseaux captifs de fulfillment e-commerce, mais l'usage commercial large attendra que l'infrastructure de données rattrape son retard. L'algorithme n'est plus le goulot d'étranglement ; les pipelines de données temps réel, propres et rejouables le sont — et c'est exactement ce qui manque à la plupart des entrepôts.
Troisièmement, l'optimisation des vagues fusionnera avec la planification en aval — vérification, conditionnement, chargement sur rendez-vous — en un problème d'optimisation conjointe plus vaste. L'ère de l'optimisation du picking en isolation s'achève ; l'optimisation au niveau du système est le thème de la prochaine décennie.
Une question ouverte
Alors peut-être que la bonne question n'est pas "l'IA peut-elle mieux regrouper les commandes" — mathématiquement, presque certainement oui. C'est de savoir si votre entrepôt a transformé chaque déclenchement de vague et chaque décision de regroupement en données structurées. Sinon, quel que soit le nombre de générations franchies par les algorithmes, dans cinq ans vous ferez face au même Black Friday — regrouper à l'instinct, survivre au pic par chance.
Par Dr. Chen, chercheur en chaîne d'approvisionnement
Traduit de l'anglais. En cas de divergence, la version anglaise fait foi.
