Le mois dernier, un commercial de l'IA est venu à mon entrepôt pour me proposer d'installer un « cerveau intelligent » pour mon activité. Je lui ai demandé ce que mangeait ce cerveau. « Des données », a-t-il dit. Combien ? « Plus il y en a, mieux c'est », a-t-il dit. Je lui ai dit : j'ai un entrepôt de 3,000 mètres carrés, et le plus que je puisse vous donner, c'est un tableur Excel. À prendre ou à laisser.
Sa tête ressemblait à celle d'un rendez-vous arrangé où l'on vous demande combien de maisons vous possédez et où vous répondez que vous avez un scooter électrique.
Cette conversation m'est restée en tête, alors laissez-moi répondre honnêtement à la question : combien de données faut-il à l'IA en entrepôt ? Pas avec de la théorie, mais avec ce qui nous est réellement arrivé, à nous petits propriétaires d'entrepôts. La barre des données nous a fait peur, et nous avons survécu avec des astuces maison.
Notre dilemme : les données que veulent les vendeurs d'IA sont des données que je n'aurai jamais
Laissez-moi commencer par l'histoire de mon voisin Wang, en guise d'avertissement pour tout le monde.
Wang dirige un entrepôt de pièces auto, plus petit que le mien, une vingtaine de personnes. L'an dernier, un vendeur lui a proposé de la reconnaissance visuelle pour le comptage et l'inspection automatiques : « Installez quelques caméras, et ça marchera dans trois mois. » Wang a pensé que c'était fait pour lui. Il a signé sur-le-champ.
Puis sont venues les exigences : installer 6 caméras, enregistrer 8 heures par jour, collecter 3 mois de vidéo, puis payer quelqu'un pour étiqueter chaque image avant même de pouvoir commencer l'entraînement. Wang a serré les dents et l'a fait : près de 100,000 yuans pour les caméras et l'installation, des dizaines de milliers de plus pour l'étiquetage. Trois mois plus tard, le vendeur est revenu, a jeté un œil aux données et a dit : mauvais éclairage, pas assez d'angles, recommencez.
Wang a explosé. Plus de 100,000 yuans dépensés, pas d'IA en vue. Les caméras pendent désormais au mur comme des moniteurs de sécurité très chers.
La plus grande leçon du désastre de Wang : ce qu'un vendeur d'IA appelle « pas beaucoup de données » peut être une quantité astronomique pour un petit entrepôt. Ils veulent des données propres, étiquetées, couvrant tous les scénarios. Nous, les petits entrepôts, savons à peine épeler « données » : entrées et sorties suivies sur des bouts de papier écrits à la main, inventaire vivant dans la tête du vieux comptable, itinéraires de picking vivant dans les jambes des ouvriers vétérans.
Voici donc la vérité inconfortable d'emblée : la quantité de données dont l'IA en entrepôt a besoin dépend entièrement de l'IA dont on parle. Le tableau ci-dessous est ce que j'ai reconstitué après avoir été « éduqué » par vague après vague de commerciaux. Chaque chiffre de source vendeur est signalé comme tel : ne les prenez pas pour parole d'évangile.
Trois parfums d'IA en entrepôt, trois barres de données très différentes
| Type d'IA | Quantité de données (selon les vendeurs, à titre indicatif uniquement) | Ce que mon petit entrepôt a réellement | Mon verdict |
|---|---|---|---|
| Vision par ordinateur (comptage / inspection / détection d'anomalies) | Des centaines d'images étiquetées par SKU pour commencer ; un représentant d'un vendeur m'a dit « préparez 5,000 images étiquetées pour l'échauffement » | Moins de 800 SKUs au total, et pas une seule image étiquetée parmi eux | La barre la plus haute, de loin. Les coûts d'étiquetage sont terrifiants. Les petits entrepôts, abstenez-vous. |
| Prévision de la demande (suggestions de réapprovisionnement) | De 12 à 18 mois d'historique de lignes de commande, selon le livre blanc d'un vendeur de prévision | Les données de commandes existent — dans Excel — mais retours, promotions et indicateurs de rupture sont un gâchis | Les données existent mais sont sales. Les nettoyer coûte plus d'efforts que les collecter. |
| Planification du personnel / optimisation des vagues | De 3 à 6 mois d'enregistrements de tâches de picking avec horodatages, effectifs et volumes | J'ai des feuilles de présence. Je n'ai pas de relevés au niveau tâche. | Pas assez de dimensions. Même l'IA ne peut pas cuisiner sans ingrédients. |
Vous voyez le motif ? Il n'y a pas de réponse unique à la question de la quantité de données dont l'IA en entrepôt a besoin. La vision par ordinateur est un gouffre financier, la prévision est une brûlure lente, l'optimisation est une maniaque du détail. Quand un commercial dit « plus il y en a, mieux c'est », la traduction est « ce que vous avez maintenant ne suffit pas ».
Mais cela ne signifie pas que les petits entrepôts sont exclus de l'IA. En fait, je suis tombé sur une conclusion contre-intuitive.
La partie contre-intuitive : aux petits entrepôts, ce n'est pas le volume de données qui manque — c'est la propreté des données
L'an dernier, j'ai fait quelque chose de profondément peu glamour : je n'ai acheté aucune IA et j'ai remis à chaque préparateur un scanner de codes-barres, en exigeant 100% de scan à l'entrée et à la sortie. Les plaintes ont été immédiates : « c'est de la bureaucratie inutile », ont-ils dit. L'écriture à la main prenait 10 secondes ; scanner prenait 15 secondes.
Trois mois plus tard, notre taux de scan est passé de 60% à 98%. Puis quelque chose de magique s'est produit : j'ai lancé une analyse ABC de vélocité sur trois mois de données de scan dans Excel et déplacé nos SKUs de classe A (les 20% de SKUs derrière 70% du volume de sortie) vers les emplacements les plus proches des stations d'emballage. Les préparateurs ont marché en moyenne 1.5 kilomètre de moins par jour. L'efficacité de picking a augmenté de façon visible.
Cela m'a appris la vraie leçon : l'IA ne mange pas du « big data » — elle mange des petites données propres. Nous, les petits entrepôts, n'accumulerons jamais 18 mois de données, mais trois mois de données de scan propres sont tout à fait à notre portée. Et trois mois de données propres valent plus que trois ans de bouts de papier désordonnés écrits à la main.
L'ingénieur d'un vendeur m'a un jour dit quelque chose d'honnête, en confidence : « Pour des entrepôts de votre taille, le volume de données n'est jamais le problème. Le problème, c'est que vos données sont toutes fausses. Donnez de mauvaises données à l'IA et elle se trompera plus vite, et avec plus de confiance. » Cru, mais vrai.
Notre manuel maison : trois étapes, d'abord le numérique, l'IA après
Expérience durement acquise, partagée avec mes collègues petits propriétaires d'entrepôts. Trois étapes — n'en sautez aucune :
Étape un : faites passer votre taux de scan au-dessus de 95%. N'achetez pas d'IA. Achetez des scanners de codes-barres. Quelques centaines de yuans chacun ; équiper tout l'entrepôt coûte moins de 10,000. C'est la fondation de tout. En dessous de 95% de taux de scan, vos données d'inventaire sont du stock de Schrödinger : il existe et n'existe pas à la fois.
Étape deux : utilisez des règles au lieu de l'IA. Classification ABC, points de commande, batching de vagues — des formules Excel et des règles fixes gèrent tout cela. Pas de machine learning requis. Notre réapprovisionnement tourne maintenant sur une règle grossière : stock de sécurité égal à trois jours de sortie moyenne. Les ruptures sont passées de sept ou huit par mois à une ou deux. Grossier, mais ça marche, et c'est gratuit.
Étape trois : une fois que vous avez 12 mois de données propres, alors parlez d'IA de prévision. Notez le mot « propres ». Notre plan est que l'année prochaine à la même époque, armés d'une année complète de données de commandes à 98% de taux de scan, ce sera nous qui choisirons les vendeurs — pas l'inverse.
Investissement total pour les trois étapes : moins de 20,000 yuans. Comparez avec le projet de reconnaissance visuelle de Wang à plus de 100,000 yuans parti à l'eau. Dites-moi lequel était la meilleure affaire.
Trois mots honnêtes sur la quantité réelle de données dont l'IA en entrepôt a besoin
Premièrement, n'ayez pas peur du « volume de données » et ne soyez pas éblouis par « l'IA ». La quantité de données dont l'IA en entrepôt a besoin n'a pas de réponse universelle : vision et prévision diffèrent d'un ordre de grandeur. Fixez d'abord le problème spécifique, puis demandez la barre de données.
Deuxièmement, résolvez « avons-nous des données » avant « avons-nous assez de données ». Scanners, PDA, même un modèle Excel décent surpassent tout logiciel d'IA. La numérisation est le devoir préalable de l'IA. Ratez ce devoir et l'IA arrive à vide.
Troisièmement, des données sales sont pires que pas de données. Douze mois de données sales perdent contre trois mois de données propres. L'IA ne nettoiera pas vos données pour vous — elle apprendra parfaitement vos erreurs puis se trompera en toute confiance.
Et une conclusion autodépréciatrice : nous, les petits entrepôts, ne pouvons pas nous permettre de brûler de l'argent, donc chaque yuan doit atterrir là où ça compte. Les grandes entreprises peuvent brûler du cash pour collecter des données d'abord et s'inquiéter des résultats après. Nous, non. Il nous faut d'abord des résultats, puis des données, puis l'IA.
Les petits entrepôts ont leur propre façon de survivre. Nous mangerons ce repas de données bouchée par bouchée — et un jour nous nous assiérons aussi à la table de l'IA. Sur notre propre invitation, pas la charité de quelqu'un d'autre.
Par Xiao Ma, Petit Propriétaire d'Entrepôt
Traduit de l'anglais. En cas de divergence, la version anglaise fait foi.
