Laisse-moi te faire gagner quelques pitch decks. J'ai assisté à des dizaines de démos d'IA pour entrepôts ces deux dernières années, et le scénario ne change jamais : de belles diapositives, des chiffres héroïques et — une fois que tu visites le site réel — une histoire bien plus modeste.
Voici le seul point de données qui compte pour moi. En juin 2025, Amazon a annoncé avoir déployé son millionième robot d'entrepôt, répartis sur plus de 300 installations dans le monde. La même année, Amazon a lancé DeepFleet, un modèle d'IA conçu pour orchestrer sa flotte de robots, qui selon Amazon améliore l'efficacité de déplacement de la flotte d'environ 10 pour cent. C'est le chiffre d'Amazon, pas un audit indépendant. Mais l'échelle te dit quelque chose d'important : en entrepôt, l'IA atterrit d'abord là où les calculs sont les plus nets.
Les trois paris que je financerais vraiment
Pari un : l'inspection qualité et la détection d'exceptions basées sur la vision. Vérification à la réception, audit à l'expédition, détection des dommages sur la ligne d'emballage. Pourquoi est-ce rentable en premier ? La boucle est courte. Une caméra au-dessus du convoyeur, chaque colis est photographié, le modèle signale les dommages, les mauvaises étiquettes et les écarts de comptage. Les humains ne touchent que les exceptions. Les données existent déjà — les entrepôts photographient les colis pour les réclamations de toute façon. Et le ROI est lisible : moins d'heures de main-d'oeuvre d'audit, moins d'expéditions erronées, moins de retours.
Cette catégorie a dépassé la phase du storytelling. Les fournisseurs vendent des rangées de caméras à 360 degrés qui scannent une palette entière en un seul passage, à la réception comme à l'expédition. Certains annoncent des gains de plusieurs fois la vitesse de traitement des palettes — les chiffres des fournisseurs sont toujours gonflés, alors je rabats l'ampleur, pas la direction. Un humain audite une palette en quelques minutes ; une rangée de caméras le fait en quelques secondes. Même à la moitié du gain annoncé, les calculs fonctionnent.
Pari deux : la prévision de la demande et la planification de la main-d'oeuvre. La main-d'oeuvre est le plus gros poste du coût d'exploitation d'un entrepôt. Si tu prévois mal, tu paies soit des gens à ne rien faire, soit tu fais exploser l'équipe avec les heures supplémentaires. La valeur de l'IA ici n'est pas une précision mystique — c'est d'absorber la variance de planification. Une installation qui expédie des dizaines de milliers de commandes par jour perd de l'argent réel sur quelques points d'erreur de planification, chaque mois. Et l'exigence en données est clémente : historique des volumes d'expédition, calendriers promotionnels, saisonnalité. Rien que tu n'aies déjà.
Encore un mot sur la prévision : elle n'a pas besoin d'être parfaite. Elle doit battre le planning que ton planificateur bricole au feeling un dimanche soir. La plupart des entrepôts planifient encore la main-d'oeuvre à l'expérience et aux chiffres de la semaine dernière. Un modèle qui réduit ton erreur de prévision de moitié vaut déjà son prix — et il n'a pas besoin d'un data lake, il a besoin de trois années propres d'historique d'expédition.
Pari trois : l'orchestration des flottes AMR. Un AMR coûte peu ; la valeur, c'est que quarante d'entre eux ne se bloquent pas les uns les autres dans les allées. Le routage est un pur problème de mathématiques, ce qui est exactement ce que l'IA fait bien. L'exemple DeepFleet est instructif : un million de robots, environ 10 pour cent de meilleure efficacité de déplacement, multiplié à cette échelle — c'est de l'argent sérieux. Une flotte plus petite ne verra pas les chiffres d'Amazon, mais le principe tient : plus il y a de véhicules, plus le retour marginal d'une répartition plus intelligente est élevé.
Le fil conducteur, en une phrase : des tâches bornées, des données existantes, un retour quantifiable. L'IA comme outil, pas comme histoire.
Si tu veux bouger, ne déploie pas sur tout le site dès le premier jour. Pilote sur un convoyeur ou un poste d'audit, fais-le tourner pendant deux mois, mesure le taux de détection des exceptions et les heures de main-d'oeuvre économisées, puis décide s'il faut étendre. Un pilote coûte peu et t'achète des données réelles.
Les deux pièges
Piège un : les agents génériques de « service client IA » ou assistants de questions-réponses pour les opérations d'entrepôt. Les problèmes d'entrepôt ne sont pas des problèmes de questions-réponses. Quand un client demande « où est mon fret », la réponse n'est pas dans une base de connaissances — elle est dans les données de tes systèmes. Deux mauvaises réponses du bot et le client exige un humain, qui recommence alors la recherche depuis zéro. J'ai vu un 3PL déployer un agent de service IA et le retirer discrètement six mois plus tard. Le verdict du responsable du service : « Il répond à tout, juste jamais correctement. »
Remarque ce que les fournisseurs démontrent toujours : « quels sont vos horaires de réception ». Remarque ce qu'ils ne démontrent jamais : « pourquoi le PO 4471 manque de deux cartons » — la question à laquelle ton équipe répond réellement cinquante fois par semaine. Celle-là exige des données en direct, du jugement et un appel téléphonique. Un chatbot n'a aucun des trois.
Le problème plus profond : ces outils promettent d'éliminer les questions répétitives, mais les questions répétitives dans un entrepôt sont le signal de processus cassés. Envelopper le signal dans l'IA ne répare pas le processus. Ça ajoute juste un abonnement.
Piège deux : l'analytique prédictive sur des données pourries. La précision de l'inventaire est un désastre, les données de localisation n'ont pas été mises à jour depuis des mois, et quelqu'un veut que l'IA prévoie le réapprovisionnement ? La sortie du modèle a l'air sophistiquée et est entièrement fausse. Le plafond de l'IA, c'est la qualité de tes données, et son plancher aussi. Ordures en entrée, ordures en sortie — et à l'ère de l'IA, les ordures vont plus vite, parce que maintenant la mauvaise commande est passée automatiquement, avec confiance.
Ma règle est simple : si un projet d'IA ne peut pas exprimer son retour comme « des heures de main-d'oeuvre économisées » ou « des expéditions erronées et des retours réduits », ne signe pas. Tout ce qui se vend au feeling, traite-le comme un piège.
Ma feuille de route 2027
Premièrement : d'ici fin 2027, l'inspection visuelle devient un équipement standard dans les entrepôts de taille moyenne et grande — comme le scan de codes-barres aujourd'hui. Non pas parce que la technologie est magique, mais parce que les caméras et le calcul continuent de devenir moins chers, et que les calculs deviennent de plus en plus faciles.
Deuxièmement : la prévision et l'orchestration continuent de diverger. Les entrepôts avec des fondations de données solides obtiennent des retours composés ; ceux sans fondations continuent de perdre de l'argent sur les pilotes. Il y aura une vague de titres « échec du projet de prévision IA » en 2027. Ne sois pas surpris — reviens relire cet article.
Troisièmement : les agents de service IA et les assistants généralistes restent des seconds rôles dans les opérations d'entrepôt jusqu'en 2027. Les entrepôts ont besoin d'exécution, pas de conversation. Répare d'abord le processus, puis parle d'intelligence.
Une question honnête pour conclure : quelle est ta précision d'inventaire en ce moment ? Si elle est sous les 95 pour cent, saute la conversation sur l'IA et aie plutôt la conversation sur l'inventaire tournant. Dans un entrepôt où les données ne tiennent pas, l'IA est juste un moyen plus cher de se tromper plus vite.
Traduit de l'anglais. En cas de divergence, la version anglaise fait foi.
