Laissez-moi vous donner d'abord le verdict, car j'ai vu trop de propriétaires d'entrepôts poser la mauvaise question. Ils demandent : "Combien de personnes l'IA peut-elle supprimer ?" La bonne question est : quels emplois sont démontés puis remontés, quel jugement devient plus précieux, et combien ce remaniement coûte-t-il réellement ?

Voici ma réponse en un paragraphe : les emplois qui sont le plus transformés sont ceux qui reposent sur un jugement répétitif régi par des règles fixes. Les emplois les plus sûrs sont ceux qui traitent les exceptions sur le terrain. Et l'endroit le plus inconfortable est la couche intermédiaire : des managers qui ni n'écrivent les règles ni ne touchent les marchandises. Au cours des trois prochaines années, les effectifs de la plupart des entrepôts ne chuteront pas de façon spectaculaire. Mais la composition des équipes changera beaucoup.

Les "économies d'effectifs" qui se sont transformées en embauches supplémentaires

Il y a quelques années, j'ai visité un distributeur de pièces automobiles qui avait beaucoup investi dans un système de contrôle sortant basé sur la vision. L'objectif était de réduire l'équipe de contrôle de six personnes à deux. Le premier mois, cela semblait excellent : scanner, comparer, signaler, le tout en un seul mouvement fluide. Dès le deuxième mois, les problèmes sont apparus. Étiquettes de travers, sacs réfléchissants, pièces mélangées de formes étranges : le système les signalait sans cesse. Les contrôleurs traitaient des centaines de fausses alertes par jour, plus épuisant que l'ancien travail manuel. Pire, les contrôleurs expérimentés avaient été réaffectés, et les nouvelles recrues savaient seulement lire les alertes à l'écran, pas regarder les marchandises. Quand le système tombait en panne, toute la ligne de contrôle s'arrêtait net.

Regardez des deux côtés. Le gain était réel : les articles standards étaient contrôlés plus vite, et le taux d'erreur a bien baissé. Le coût était tout aussi réel : l'emploi qui a disparu était "comparer à une règle", et l'emploi qui est apparu était "nettoyer après l'IA" : gestion des exceptions, réglage des règles, surveillance du système. Le propriétaire a compté les quatre personnes économisées et a oublié les deux administrateurs système et l'étiqueteur de données à temps partiel qui s'étaient ajoutés. Le coût net de main-d'œuvre a à peine bougé, mais la fragilité de tout le processus s'est multipliée.

Un autre entrepôt, un distributeur alimentaire, a fait l'inverse. Il n'a supprimé personne. Il a transformé ses anciens chefs d'équipe de picking en "spécialistes des exceptions" : l'IA gérait l'attribution des tâches et les itinéraires, et les chefs ne s'occupaient que de ce que le système ne pouvait pas traiter : ruptures de stock, marchandises endommagées, conflits de dates d'expiration. Trois mois plus tard, leur taux d'expédition à temps était le meilleur parmi leurs pairs. La différence ? L'un a traité l'IA comme un outil de licenciement ; l'autre l'a traitée comme un moyen de pousser les gens vers un travail plus valorisant.

Quels emplois sont transformés : divisez-les selon deux dimensions

Je classe les emplois d'entrepôt selon le degré auquel le travail est régi par des règles, et le degré d'incertitude sur le terrain qu'il comporte :

Rôle Régi par des règles ? Incertitude sur le terrain Perspectives pour les trois prochaines années
Contrôleur sortant Élevé Faible En grande partie absorbé par les systèmes de vision ; 1–2 personnes restent pour les décisions finales sur les exceptions
Préparateur de commandes Moyen Moyen Non remplacé, mais l'emploi change : suivre les instructions, confirmer par scan, devenir une équipe homme-machine
Superviseur de planification / expédition Élevé Faible Largement remplacé par la planification algorithmique ; les superviseurs passent à la gestion des absences soudaines et des variations de capacité
Inspecteur qualité entrant Moyen Élevé Difficile à remplacer ; les marchandises de formes étranges et les décisions sur les dommages ont encore besoin d'yeux et de mains humains
Analyste des stocks Élevé Faible Le travail de reporting passe aux modèles de prévision ; le rôle évolue vers l'interprétation des anomalies et les décisions de réapprovisionnement
Technicien de maintenance Faible Élevé Plus demandé, pas moins : davantage d'AMR, de convoyeurs et de trieurs signifient davantage besoin de personnes qui connaissent à la fois la mécanique et le logiciel

Voici la partie contre-intuitive : les premiers emplois à être transformés ne sont pas les emplois physiques de base. Ce sont les emplois de bureau de la couche intermédiaire, construits sur un jugement expérimenté mais répétitif. La journée d'un préparateur est pleine de variations — marchandises différentes, emplacements, exceptions — que l'IA ne peut pas facilement absorber. Mais la personne au bureau qui fait les plannings, les rapports et les revues de commandes ? Son travail est exactement la matière régie par des règles que l'IA fait le mieux. Le régi par des règles est le terrain de prédilection de l'IA.

Et voici le compromis que personne ne met dans le business case : quand l'IA absorbe le travail régi par des règles, elle retire "l'expérience" de la tête des gens et l'écrit dans un système. L'avantage, c'est que l'expérience ne franchit plus la porte avec un employé qui part. L'inconvénient, c'est que quand l'expérience du système devient obsolète, elle échoue par lots. Une personne fait une erreur ; un système en fait mille. Beaucoup de propriétaires ne chiffrent jamais cela.

Comment un manager doit réellement faire le calcul

Premièrement, comptez le coût total, pas les effectifs. Ne demandez pas "combien de personnes puis-je supprimer ?" Demandez : de combien baisse le coût par commande honorée, de combien baisse le taux d'erreur, et la récupération des exceptions devient-elle plus rapide ou plus lente ? Je connais un entrepôt qui a supprimé trois personnes puis a payé des pénalités de haute saison équivalant à un semestre de salaire de dix personnes après une seule panne de système. Ce calcul ne fonctionne pas.

Deuxièmement, corrigez le processus avant d'acheter le système. L'IA appliquée à un processus désordonné ne fait que rendre le désordre plus grand et plus rapide. L'entrepôt de pièces automobiles est finalement revenu en arrière et a refait son processus de contrôle — placement standardisé des étiquettes, reconditionnement des articles de formes étranges — et les fausses alertes ont chuté brusquement avant que le système ne commence vraiment à fonctionner. Si vous vous trompez d'ordre, l'argent est gaspillé.

Troisièmement, donnez aux personnes transformées un chemin, pas une lettre de licenciement. Les deux directions de redéploiement les plus sensées sont spécialiste des exceptions — nettoyer les dégâts que l'IA ne peut pas gérer — et maintenance des équipements et des systèmes, un rôle de plus en plus difficile à pourvoir à mesure que l'automatisation se répand. Reformer le personnel existant coûte moins cher que d'embaucher à l'extérieur, et c'est bien plus stable que de licencier puis de réembaucher. L'argent économisé sur les licenciements revient souvent doublé en recrutement et en formation.

Quatrièmement, ne croyez pas que "les entrepôts n'auront plus personne dans trois ans". Le monde physique d'un entrepôt est trop sale, trop chaotique, trop plein d'exceptions. Ce que l'IA peut faire au cours des trois prochaines années, c'est grignoter les parties déterministes et laisser aux gens les parties incertaines. Ce n'est pas un travail plus facile : c'est plus difficile. Cela fait passer l'emploi de "suivre l'ordre" à "attraper le système quand il se trompe". Si les propriétaires continuent d'embaucher et de gérer selon l'ancien standard, le remaniement s'enlisera du côté des personnes.

Les trois capacités les plus précieuses dans un entrepôt au cours des trois prochaines années seront : comprendre ce que l'IA calcule, savoir quand elle est sur le point de mal calculer, et pouvoir prendre le relais instantanément quand elle le fait. Aucune de ces trois n'est quelque chose que l'IA peut vous enseigner.

Alors si vous dirigez un entrepôt, posez-vous une question maintenant : combien de personnes de votre équipe possèdent déjà ces trois capacités ?

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

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