L'IA générative est entrée dans l'entrepôt par la porte de service. En 2025, son premier poste stable dans la plupart des installations n'était ni de piloter une ligne de tri ni de guider un robot ; c'était de répondre aux questions. Un préparateur demande où se trouve un SKU, un superviseur demande ce qui manque sur l'équipe de nuit, et un système répond en langage clair. La scène paraît modeste, et cette modestie est bien le sujet. La question de savoir si la technologie méritera un rôle plus important se jouera moins sur ce que les modèles savent dire que sur ce que les organisations sont prêtes à les laisser faire.
Le chatbot d'abord : là où l'IA générative dans l'entrepôt gagne sa place
Selon une enquête de novembre 2025 du MIT Intelligent Logistics Systems Lab, couvrant plus de 2,000 professionnels dans 21 pays, 92.1% des organisations mettaient en œuvre ou prévoyaient de mettre en œuvre l'IA à court terme, et 87% prévoyaient d'augmenter leurs budgets IA au cours des deux à trois années suivantes. Les répondants ont classé l'IA générative comme la méthode la plus utile, à 70.3%, devant l'apprentissage automatique prédictif à 58.4%. La même étude situait le délai de retour sur investissement typique à deux à trois ans. Autrement dit, les entrepôts testent si un outil précis rembourse son coût dans un cycle budgétaire normal.
Le chatbot est devenu le premier déploiement parce que le coût de ses erreurs reste faible. Une réponse erronée sur un emplacement peut être vérifiée dans le WMS en quelques secondes, et l'erreur s'arrête là. Une décision erronée sur les quantités de réapprovisionnement ou sur le séquencement des vagues, en revanche, traverse les commandes, les transporteurs et les clients avant que quiconque s'en aperçoive. Les travaux de McKinsey sur les chaînes logistiques décrivent la même asymétrie sous l'angle inverse : la technologie peut réduire jusqu'à 60% le délai de traitement de la documentation et alléger de 10% à 20% la charge de travail des coordinateurs logistiques. Les gains se concentrent là où un humain peut encore examiner le résultat avant qu'il ne compte vraiment.
Amazon offre un point de référence utile pour l'ordre des étapes. En juillet 2025, l'entreprise a présenté un modèle génératif, DeepFleet, pour coordonner les déplacements des robots dans son réseau de centres de distribution, avec l'objectif affiché d'améliorer de 10% le temps de déplacement de sa flotte de robots. En avril 2026, Amazon déclarait plus d'un million de robots en activité dans ses centres de distribution. La séquence porte la leçon : le modèle est d'abord arrivé dans la coordination et la planification, un travail dense en informations et tolérant aux petites erreurs, tandis que le déplacement physique restait sous contrôle déterministe.
Un second exemple vient de la vie quotidienne de l'entrepôt, présenté ici comme un scénario hypothétique aux chiffres illustratifs. Prenons un entrepôt logistique tiers dans l'est de la Chine qui a connecté un tel assistant à son WMS en mars 2026. Avant le déploiement, les questions courantes sur les stocks, les emplacements et l'état des commandes consommaient environ trois heures de la journée de chaque superviseur. Après le déploiement, environ 70% des questions courantes recevaient une réponse directe, ce qui rendait environ deux heures par jour à chaque superviseur. Les chiffres sont hypothétiques, mais le test qu'ils suggèrent est bien réel : un chatbot doit être jugé non pas au nombre de questions auxquelles il répond, mais à la quantité d'attention humaine coûteuse qu'il rend au travail de jugement.
De la réponse aux questions à la prise de décision : l'arbitrage de l'autonomie
Le passage du chatbot au décideur autonome change la chaîne de responsabilité de l'entrepôt davantage que sa pile technologique. Gartner prévoyait en mai 2025 que d'ici 2030, 50% des solutions de gestion de la chaîne logistique transversale utiliseront des agents intelligents pour exécuter des décisions de façon autonome. Cette prévision décrit ce que les éditeurs pourront vendre, et non le degré d'autorité décisionnelle que les responsables confieront réellement.
L'enquête 2025 State of AI de McKinsey, fondée sur 1,993 répondants dans 105 pays, saisit l'écart entre adoption et maturité. Quelque 88% des organisations déclaraient utiliser désormais l'IA régulièrement dans au moins une fonction de l'entreprise, contre 78% un an plus tôt. Au sein de ce groupe, 62% expérimentaient les agents IA et 23% les déployaient déjà à grande échelle dans au moins une fonction. Pourtant, seulement 1% estimait que son adoption de l'IA avait atteint la maturité. La même étude constatait que 80% avaient rencontré des comportements d'agents à risque, notamment une exposition inappropriée de données et des accès non autorisés aux systèmes. L'adoption grimpe en flèche tandis que la maturité reste presque plate, et cette divergence désigne le vrai goulot : les décisions autonomes sont limitées moins par la capacité des modèles que par la question de savoir si l'organisation a mis en place la supervision correspondante.
La conclusion contre-intuitive est la suivante : les tâches d'entrepôt où l'autonomie est techniquement la plus facile ne sont pas nécessairement celles où elle rapporte le plus. McKinsey a documenté le cas d'un opérateur du dernier kilomètre disposant d'une flotte de plus de 10,000 véhicules, qui a déployé des agents répartiteurs virtuels et réalisé $30 million à $35 million d'économies pour un investissement d'environ $2 million. Ces agents assistaient les répartiteurs pour le dépannage des chauffeurs et l'assistance routière, plutôt que de remplacer leur jugement. Le retour est venu de l'automatisation de décisions fréquentes et peu risquées, en laissant aux humains les décisions rares et à fort enjeu. Les projets qui ont commencé par demander à un modèle de fixer seul les quantités de réapprovisionnement et les stocks de sécurité ont souvent trébuché au premier choc de demande, parce qu'un modèle entraîné sur l'historique continue de commander selon l'historique alors que les promotions, les ruptures de stock et la météo refusent de le suivre.
Le chemin praticable passe par trois niveaux d'autorisation. Au premier, le modèle se contente de conseiller, en présentant une recommandation avec son raisonnement pendant qu'une personne décide. Au deuxième, le modèle rédige un ajustement et une personne l'approuve avant qu'il ne prenne effet. Au troisième, le modèle exécute directement dans des limites explicites de valeur, de quantité et de temps, en escaladant automatiquement tout cas qui sort de ce cadre. Le passage d'un niveau à l'autre doit être une décision conjointe des fonctions opérations, finance et risque, et non un réglage modifié par une seule équipe technique. Le rythme des décisions autonomes suivra cet arrangement de responsabilité de plus près que la taille des modèles.
Calculer le retour : ce que l'IA générative dans l'entrepôt rapporte vraiment
Toute discussion honnête sur le retour sur investissement commence par la structure des coûts de l'entrepôt. Les référentiels du secteur situent couramment la main-d'œuvre entre 50% et 70% du coût d'exploitation total d'un entrepôt, une fourchette citée dans de nombreux rapports du secteur, notamment des chiffres attribués à MHI et Deloitte. Cette fourchette est le point de départ de tous les calculs qui suivent : une technologie incapable de modifier la répartition du temps de travail peinera à afficher un retour, aussi impressionnantes que soient ses démonstrations. Le tableau ci-dessous décompose la logique du retour par étape. Tous les chiffres sont des exemples illustratifs, présentés pour montrer comment l'économie diffère selon l'étape, et non pour promettre un résultat.
| Étape | Investissement typique (exemple illustratif) | Principale source de retour (exemple illustratif) | Délai de retour (exemple illustratif) |
|---|---|---|---|
| Assistant de réponse aux questions | Intégration au WMS et à la base de connaissances | Le temps de réponse aux questions diminue ; les exceptions sont traitées plus vite | 12–18 mois |
| Agent conseiller | Ajoute la gouvernance des données et la conception des autorisations | Les conseils sur les vagues, le réapprovisionnement et la planification sont adoptés | 18–30 mois |
| Exécution autonome encadrée | Ajoute l'audit, la possibilité de revenir en arrière et les contrôles de risque | Les décisions fréquentes et peu risquées sont automatisées | 24–36 mois |
Un calcul approximatif rend la contrainte concrète, en utilisant partout des chiffres hypothétiques. Prenons un entrepôt de taille moyenne traitant 8,000 commandes par jour, avec un coût d'exploitation annuel de $5.6 million, dont 60% de main-d'œuvre, soit environ $3.4 million. Si un assistant de réponse aux questions libère environ 5% du temps de travail des superviseurs et du service client, l'économie annuelle est d'environ $170,000. Rapportée à un investissement ponctuel proche de $210,000 et à des coûts de fonctionnement annuels proches de $40,000, le délai de retour statique se situe autour de 18 mois. La contrainte qu'il révèle compte davantage que l'arithmétique : l'étape du chatbot est plafonnée par la quantité de temps humain coûteux qu'elle peut libérer, et non par le nombre de questions auxquelles elle répond. Là où le travail de réponse aux questions relève déjà de postes à faible coût, le même système peut mettre deux fois plus de temps à se rembourser.
Le délai de retour typique de deux à trois ans de l'enquête du MIT se situe près du niveau intermédiaire de ce tableau. Le délai de retour de la technologie dans l'entrepôt est fixé par trois variables d'exploitation — la part de la main-d'œuvre dans les coûts, la densité des questions et la fréquence des exceptions — plutôt que par les arguments marketing d'un éditeur. Mesurer ces trois variables avant l'achat en dira davantage à un acheteur que de comparer les spécifications des modèles.
Ce qu'il faut surveiller entre 2027 et 2030
Trois variables façonneront la suite, et elles évoluent à des vitesses différentes. La première est la gouvernance des données. Une grande partie du savoir de l'entrepôt réside encore dans l'expérience du personnel senior, tandis que les procédures prennent du retard sur la pratique et que le traitement des exceptions n'est pas consigné. Le plafond d'un modèle dépend fortement de la capacité à transformer ce savoir tacite en actifs récupérables et vérifiables. La deuxième est l'audit et la responsabilité : chaque pas vers l'autonomie exige journalisation, revue et possibilité de revenir en arrière, sans quoi même un modèle avancé reste cantonné à répondre aux questions. La troisième est le marché du travail : quand le recrutement est difficile et le turnover élevé, la prime qu'un entrepôt est prêt à payer pour l'automatisation augmente sur toute la ligne.
Parce que ces variables évoluent à des vitesses différentes, les années jusqu'en 2030 produiront plus probablement une divergence qu'une courbe ascendante régulière. Certains entrepôts feront passer la technologie du chatbot à l'exécution autonome encadrée ; d'autres resteront des années au stade de la réponse aux questions. La distance entre eux reflétera qui aura réparé le plus tôt ses données, sa responsabilité et sa capacité d'audit. La question de savoir si la technologie deviendra un équipement standard de l'entrepôt devrait être tranchée d'ici 2030. La forme de cette réponse pourrait être plus divisée que ne le suggèrent les prévisions actuelles, et cette division elle-même est l'évolution qui vaut la peine d'être suivie.
Par Dr. Chen, chercheur en chaîne logistique Traduit de l'anglais. En cas de divergence, la version anglaise fait foi.







