Un bilan de la réalité de l'adoption de l'IA en entrepôt était attendu depuis longtemps. Il y a trois ans, presque tous les lancements d'IA pour entrepôts promettaient la même chose : préparer les commandes sans personnel, des prévisions assez précises pour planifier heure par heure, et un contrôle qualité assuré par une seule caméra. La manière honnête de juger ces promesses n'est pas de revoir les vidéos de lancement, mais de regarder ce qui fonctionne réellement aujourd'hui dans les entrepôts, et de classer les affirmations en trois catégories : tenu, tenu à moitié, et toujours une démonstration.

Les données d'enquête plantent le décor. Selon le rapport annuel de MHI sur le secteur, environ 28 % des répondants utilisaient l'IA fin 2024, tandis que 54 % supplémentaires déclaraient prévoir de l'adopter dans les cinq ans. Autrement dit, la plupart des entrepôts regardaient encore ou pilotaient. Un rapport PitchBook de 2026 apporte un contexte utile : seul environ un quart des entrepôts dans le monde a mis en place une forme significative d'automatisation. L'investissement dans la robotique IA s'accélère et les chiffres de financement semblent impressionnants, mais la part des entrepôts dont les systèmes fonctionnent réellement au quotidien est bien plus faible que l'enthousiasme ne le suggère. Cet écart entre l'enthousiasme et le déploiement est, en soi, l'histoire des trois dernières années.

Bilan de la réalité de l'adoption de l'IA en entrepôt : ce qui a tenu

Deux applications ont tenu leurs promesses de la façon la plus convaincante. La première est l'inspection par vision. Une caméra qui lit le code-barres d'une palette, vérifie l'étiquette d'un carton ou signale un colis endommagé est une tâche bien délimitée : l'entrée est une image, la sortie est un jugement, et le fait qu'il soit juste ou faux est vérifiable sur place. Dans un centre de distribution e-commerce que j'ai suivi, le contrôle qualité reposait autrefois sur l'échantillonnage manuel, et les erreurs ne surgissaient généralement que lorsqu'un client se plaignait. Après l'installation d'un système de vision, les exceptions étaient détectées avant l'expédition. Les effectifs d'inspection n'ont pas disparu, mais le travail est passé de l'extinction d'incendies après coup à l'interception en amont. C'est la signature d'une application qui a tenu : l'IA n'a pas remplacé les personnes, elle les a déplacées du jugement répétitif vers le traitement des exceptions que les machines ne peuvent pas juger.

La seconde est la prévision de la demande et le slotting. La prévision n'a jamais été de la divination. Sa vraie valeur est de resserrer la volatilité dans une fourchette avec laquelle la planification des équipes et le réapprovisionnement peuvent travailler. Les experts cités dans le rapport MHI disent la même chose : l'IA aide surtout à prévoir les variations de la demande et à soutenir les décisions de slotting, en particulier pour les catégories saisonnières. La logique est simple. Les données historiques sont déjà dans le WMS ; plus elles sont propres, plus la prévision est utile. Un entrepôt aux données de référence désordonnées tirera peu d'un modèle de prévision, même coûteux. Les deux applications qui ont tenu partagent trois traits : une limite de tâche claire, des résultats révisables chaque semaine, et un coût d'échec qui reste contenu.

Planification des AMR : tenu à moitié, et l'échelle change le problème

La planification des AMR se situe dans la catégorie du tenu à moitié. Faire fonctionner un AMR n'est pas difficile. Faire fonctionner des dizaines ou des centaines d'entre eux partageant allées, chargeurs et jonctions de convoyeurs sans embouteillage est un tout autre problème. Une analyse du secteur de 2026 l'a dit plainement : une fois qu'une flotte atteint les centaines, ce qui détermine le débit n'est plus la capacité d'un seul robot, mais la qualité du routage et de l'évitement des congestions. La valeur IA des AMR, autrement dit, réside dans le logiciel de flotte, pas dans le véhicule, et la qualité de ce logiciel ne peut pas se juger à partir d'une démonstration. Elle ne se révèle qu'après deux semaines à pleine charge en haute saison.

J'ai suivi un 3PL de taille moyenne dans exactement cette transition. Une zone pilote d'une douzaine de robots fonctionnait à merveille, la distance de marche des préparateurs diminuait, et la direction a approuvé un déploiement sur tout le site sur la base de ces preuves. Une fois la flotte passée au-delà de cent unités, les files d'attente aux chargeurs et le temps d'attente aux intersections ont grignoté les économies de main-d'œuvre, et l'équipe projet a passé des mois à réajuster les paramètres et à redessiner les voies de circulation avant que le débit ne se stabilise. La leçon n'est pas que les AMR ne fonctionnent pas. C'est que l'échelle change le problème : une solution validée à petite échelle doit être revalidée quand elle grandit. Tout fournisseur qui vous montre dix robots fonctionnant sans accroc mais qui refuse de parler de stratégie de planification, de planification de la charge et de comportement face à la congestion à cent unités mérite une question difficile de plus.

Toujours surtout une démonstration : la préparation généraliste et l'entrepôt sans personnel

La catégorie « toujours une démonstration » est dominée par la préparation de commandes généraliste et le récit de « l'entrepôt sans personnel ». Les bras de préparation guidés par vision se sont réellement améliorés et peuvent désormais traiter une gamme plus large de formes de produits et d'emballages que les anciens systèmes à base de règles. Mais la diversité des SKU du e-commerce est brutale : formes irrégulières, emballages souples et surfaces réfléchissantes renvoient encore de gros volumes vers les préparateurs humains. Plus important encore, l'économie. La main-d'œuvre qu'un bras robotique économise doit être pesée face à l'amortissement, à la maintenance et aux temps d'arrêt, et la plupart des démonstrations ne comptent que le premier de ces trois postes.

L'échelle transforme aussi le risque technique en risque financier. Le même rapport PitchBook de 2026 note qu'un grand distributeur a enregistré une dépréciation de plusieurs milliards de dollars liée à un programme d'automatisation. Cela ne prouve pas que l'automatisation est une erreur ; cela prouve que, quand un projet est assez grand, le risque cesse d'être une note technique et devient un événement de bilan. Il y a un autre obstacle qui apparaît rarement dans les documents commerciaux : la sécurité et la certification. Les systèmes d'IA probabilistes travaillant aux côtés des personnes sont bien plus difficiles à certifier que les machines déterministes régies par des règles explicites. Quand quelque chose va mal avec un système à base de règles, on peut remonter jusqu'à une ligne de logique. Avec un système statistique, la chaîne de responsabilité et le chemin de certification doivent tous deux être renégociés. Tant que cette barrière n'est pas franchie, le « sans personnel » reste confiné aux environnements fermés.

La liste de contrôle avant d'acheter de l'IA pour entrepôt

Ce dont les décideurs ont besoin, ce n'est pas un nouveau livre blanc de fournisseur, mais une courte liste de questions auxquelles on peut répondre avec des preuves. Ce bilan de la réalité de l'adoption de l'IA en entrepôt se résume à cinq d'entre elles.

Question Comment la vérifier Si la réponse est non
Les données sont-elles propres ? Échantillonnez un mois de données de référence et vérifiez le taux d'erreurs Corrigez la gouvernance des données avant d'acheter un modèle
Les résultats peuvent-ils être revus chaque semaine ? Convenez d'une métrique de contrôle à l'avance : taux d'interception, erreur de prévision, minutes par commande Pas de groupe témoin, pas de gros contrat ; pilotez d'abord
Cela tient-il encore au triple de l'échelle du pilote ? Demandez un site de référence de même échelle ayant survécu à une haute saison Considérez la démonstration comme non prouvée à votre échelle
Qui traite les exceptions ? Chiffrez le repli manuel, pas seulement la main-d'œuvre économisée Mettez le coût du repli dans le ROI, pas en dehors
Combien coûte l'arrêt ? Vérifiez la sortie : pouvez-vous réduire en douceur si les résultats déçoivent ? Préférez l'expansion par étapes et la tarification à l'usage

Une conclusion contre-intuitive se cache dans les trois dernières années. Les plus grands gagnants de l'IA en entrepôt ne seront peut-être pas les acheteurs des systèmes les plus chers, mais les exploitants qui ont d'abord fait le travail préparatoire sans glamour. Un slotting précis, des données de référence propres, des processus standardisés : rien de tout cela ne porte une étiquette IA, et pourtant ce sont eux qui décident si l'IA amplifie les gains ou amplifie le désordre. Un entrepôt qui n'a jamais fait une vraie classification ABC et qui attend de l'IA qu'elle organise son slotting, c'est comme quelqu'un qui attend d'une application de navigation qu'elle choisisse la destination. L'itinéraire peut être parfaitement calculé et aboutir quand même au mauvais endroit.

Trois ans après, le schéma est raisonnablement clair. La partie tenue de l'IA en entrepôt est la moins glamour : détecter les défauts, resserrer l'erreur de prévision, empêcher les robots de se gêner. La partie tenue à moitié est bloquée sur l'échelle et le traitement des exceptions. La partie démonstration est bloquée sur l'économie et la certification. Il est peu probable que ce schéma s'inverse radicalement dans l'année ou les deux à venir ; il est plus probable qu'il converge lentement, avec moins de démonstrations et plus de revues hebdomadaires.

Il reste une question ouverte plutôt qu'une conclusion. À mesure que l'IA devient moins chère et plus capable, l'organisation de l'entrepôt changera-t-elle d'abord ? La planification des équipes, la mesure de la performance, les routines de traitement des exceptions : elles sont plus difficiles à changer que n'importe quel modèle, et elles pourraient en fin de compte décider quelle part de la promesse sera tenue. La technologie peut s'acheter. La capacité organisationnelle doit se cultiver.

Par Dr. Chen, Chercheur en chaîne logistique Traduit de l'anglais. En cas de divergence, la version anglaise fait foi.