Voici mon verdict d'emblée : aujourd'hui, la plupart des entrepôts devraient s'arrêter à la deuxième étape. Je n'ai encore jamais vu une seule exploitation faire tourner la quatrième étape sans accroc. Ce n'est pas une critique de la technologie. C'est un fait sur les entrepôts : la tolérance à l'erreur dans un entrepôt est bien plus faible que dans un bureau.

Pour le dire simplement, l'IA générative dans l'entrepôt passe de « savoir parler » à « savoir décider ». Ce qui se trouve entre ces deux points, ce ne sont pas de meilleurs algorithmes. Ce sont les données, la responsabilité et un plan de secours. Sauter une étape, et les pertes sont de l'argent bien réel.

Première étape : l'assistant de questions-réponses à IA générative — ça vaut le coup ou non ?

J'ai vu trop d'entrepôts dépenser beaucoup d'argent d'abord pour un assistant de questions-réponses. Un employé demande où se trouve un produit, et le système tire la réponse du manuel d'exploitation. Un nouvel embauché demande comment on traite les retours, et le système colle la procédure. Ça a l'air formidable. En pratique, ça prend l'une des deux directions.

La première : les manuels de l'entrepôt sont un désordre, éparpillés dans une douzaine de documents aux versions contradictoires. L'assistant apprend ce désordre fidèlement et répond avec une totale confiance — et se trompe. Un entrepôt de pièces automobiles a déployé un assistant de questions-réponses à l'été 2025. Un nouvel embauché a suivi sa réponse et déplacé un lot de retours directement dans la zone d'inspection. La procédure exigeait en réalité des photos comme preuve d'abord. Quand le client a déposé une réclamation, l'entrepôt n'avait pas de photos et a payé plus de $20,000. L'IA n'était pas le problème. Les données qu'on lui avait données étaient fausses.

La deuxième : la documentation est propre, et l'assistant fait vraiment gagner du temps. Un 3PL qui traite des articles pour la maison a accueilli plus de 40 intérimaires pendant la haute saison, et le chef d'équipe recevait une centaine de questions répétées par jour. Après la mise en service de l'assistant, les interruptions du chef ont chuté d'environ moitié, et le temps libéré a servi à surveiller les commandes exceptionnelles. Ce calcul-là tient.

Le test pour la première étape est donc simple : vos documents d'exploitation sont-ils présentables ? S'ils sont en désordre, remettez d'abord les documents en ordre et sautez l'IA. Ranger les documents coûte bien moins cher que de payer les erreurs de l'IA.

Deuxième étape : le copilote — là où les humains sont le frein

La deuxième étape, c'est le copilote. Le système ne se contente plus de répondre ; il suggère. Dans quel emplacement ce lot devrait aller, comment construire la prochaine vague, quelle commande risque de manquer son heure limite. Plus utile, et plus dangereux.

Début 2026, j'ai visité un entrepôt de vêtements dont le système suggérait des chemins de préparation. Les suggestions étaient bonnes en théorie. Le problème, c'était la responsabilité : quand une suggestion était fausse, personne n'en répondait. Le système a une fois suggéré de déplacer des vêtements d'hiver à forte rotation dans une allée éloignée parce qu'il y avait de la place. Les préparateurs ont suivi ce conseil pendant deux semaines et ont marché des distances supplémentaires chaque jour. La main-d'œuvre de haute saison était déjà tendue, et le superviseur a désactivé la fonction, frustré.

Il y a deux côtés à cela. Un copilote vaut son prix là où il voit l'ensemble : quelles zones se remplissent, comment le mix de commandes d'une vague a changé. Mais il ne peut pas voir bien des choses qui comptent : un envoi urgent qui arrive demain, un client qui vient de changer ses exigences d'emballage, un chariot élévateur tombé en panne ce matin. Si cette information n'est pas dans le système, l'IA ne peut pas la connaître.

La deuxième étape a donc besoin d'une règle stricte : une suggestion n'est qu'une suggestion. La personne qui l'exécute peut la refuser, et chaque refus est consigné. Le journal n'est pas là pour blâmer. C'est ainsi que le système apprend où il s'est trompé. Une fonction de suggestion sans possibilité de refus ni boucle de retour sera ignorée par le personnel de terrain en trois mois.

Troisième étape : semi-autonome, l'humain dans la boucle

La troisième étape est semi-autonome, avec l'humain dans la boucle. Le système agit seul dans des limites fixées pendant qu'une personne surveille et peut l'arrêter à tout moment. Il repriorise les tâches de réapprovisionnement, signale les commandes exceptionnelles, rédige le plan de vagues du lendemain, et le superviseur le revoit chaque matin et l'approuve.

L'exemple le plus proche d'un cas qui fonctionne que j'aie vu est un distributeur d'électronique. Le réapprovisionnement dépendait de l'expérience du superviseur et prenait plus d'une heure chaque matin. Après que le système a commencé à rédiger la séquence et que le superviseur l'a revue, la planification du matin est tombée à moins de 20 minutes. La clé était une limite claire : le système ne touchait qu'au réapprovisionnement de routine. Les commandes portant sur des marchandises de grande valeur ou des lots spécifiés par le client restaient manuelles, sans exception.

Un entrepôt alimentaire n'a pas eu cette chance. Ils ont laissé le système séquencer automatiquement les marchandises proches de leur date de péremption pour réduire le gaspillage. Le système a aussi sorti un lot qu'un client avait spécifié par numéro de lot. Le client a trouvé le mauvais lot à l'arrivée et a retourné tout le conteneur. La perte n'était pas énorme, mais la confiance s'est évaporée du jour au lendemain, et le projet est resté à l'arrêt pendant six mois.

Voici la partie contre-intuitive : au stade semi-autonome, le plus difficile n'est pas la technologie. C'est d'écrire, précisément, les conditions dans lesquelles le système doit s'arrêter et demander à un humain. Cette liste d'arrêt compte dix fois plus que l'algorithme. Plus la liste est précise, plus le système peut aller loin. Une liste vague garantit un incident grave tôt ou tard.

Il y a aussi un compromis à affronter honnêtement : où vont les heures économisées ? Faire gagner à un superviseur une heure de planification matinale, c'est une victoire. Réduire les effectifs de contrôle qualité pour surveiller le système à la place, c'est un risque. Mon conseil est de réinvestir le temps gagné dans le traitement des exceptions, pas dans des suppressions de postes. Plus le système est autonome, plus les exceptions deviennent rares — et plus chacune coûte cher.

Quatrième étape : décisions autonomes restreintes — ce que l'IA générative ne peut toujours pas faire

La quatrième étape est la prise de décision autonome restreinte. Dans un périmètre défini, le système décide et exécute seul, en laissant une piste d'audit, sans approbation humaine par commande. Réapprovisionnement automatique des consommables de faible valeur, lancement automatique des vagues de routine, traitement automatique des exceptions standard.

À ce jour, je n'ai vu aucun entrepôt prétendre faire tourner cela entièrement. Trois obstacles se dressent sur le chemin, et aucun ne peut être contourné.

Premièrement, les données. Les décisions autonomes exigent que l'inventaire, les commandes, les emplacements et l'état des équipements soient tous en direct et tous exacts en même temps. Si l'un de ces quatre n'est pas fiable, la décision est construite sur du sable. Beaucoup d'entrepôts ne peuvent pas se porter garants de la précision de leur propre inventaire. Parler de décisions autonomes par-dessus, c'est construire en l'air.

Deuxièmement, la responsabilité. Quand un envoi part avec une erreur, est-ce la faute du système ou celle du superviseur ? Que dit le contrat, que reconnaît l'assurance, contre qui le client se retourne-t-il ? Tant que ces questions ne sont pas réglées, aucun propriétaire d'entrepôt ne remettra le pouvoir de signature à un système.

Troisièmement, le plan de secours. Quand le système tombe en panne, y a-t-il un interrupteur pour revenir à l'exploitation manuelle, combien de temps prend la bascule, et qu'advient-il des commandes entre-temps ? Si vous ne pouvez pas répondre à ces trois questions, la quatrième étape est de la décoration.

Mon jugement est le suivant : au cours des trois à cinq prochaines années, la plupart des entrepôts finiront par bien faire tourner la troisième étape, la quatrième n'étant testée que dans de petits scénarios fermés — une seule catégorie de produits, faible valeur, réapprovisionnement hautement standardisé. Quiconque s'attend à ce que l'IA générative dirige l'entrepôt l'an prochain risque d'être déçu.

Quatre questions pour votre propre entrepôt : Oubliez ce que disent les fournisseurs et posez-vous quatre questions. Premièrement, vos documents d'exploitation et vos données de référence sont-ils assez précis pour que vous mettiez par écrit la précision de votre inventaire ? Deuxièmement, qui s'occupe aujourd'hui du traitement des exceptions, et qui reçoit l'appel quand quelque chose tourne mal ? Troisièmement, quand la suggestion du système est fausse, le personnel de terrain se sent-il en sécurité pour dire non ? Quatrièmement, si le système tombe en panne, l'exploitation manuelle peut-elle prendre le relais en une demi-heure ?

Si vous pouvez répondre aux quatre, la deuxième étape est un terrain sûr et la troisième vaut un pilote. Si l'une d'entre elles n'a pas de réponse, réglez d'abord ce problème. L'IA générative dans l'entrepôt n'est pas une course pour savoir qui a le modèle le plus récent. C'est une compétition pour savoir qui a les fondations les plus propres et les règles les plus claires.

Où en est votre entrepôt aujourd'hui, et sur quelle question est-il bloqué ?

Par Lao Mi, Vétéran de la chaîne d'approvisionnement (20 ans)

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