Dossiers > La Supply Chain à l'heure de l'IA : quelles applications concrètes ? > Entretien BK SYSTEMES

‘‘ Comprendre la valeur créée par l’IA dans la supply chain ’’
F. BIESBROUCK, BK SYSTÈMES

Par François Biesbrouck, Président de BK Systèmes.

Depuis plusieurs années, l’intelligence artificielle s’impose comme l’un des sujets majeurs de transformation des systèmes d’information. La supply chain et la logistique n’échappent pas à cette dynamique. Au contraire, elles constituent probablement l’un des terrains les plus naturels pour l’exploitation de ces technologies.

Les opérations logistiques génèrent en effet une quantité considérable de données : mouvements de stock, flux de commandes, performances des préparations, historiques d’expédition, temps de déplacement des opérateurs, interactions avec les équipements automatisés, etc. Cette richesse informationnelle constitue un terrain particulièrement favorable à l’analyse algorithmique.

Pour autant, entre le discours technologique autour de l’intelligence artificielle et son adoption concrète dans les opérations logistiques, il existe encore un certain décalage. Les entreprises sont aujourd’hui à des niveaux de maturité très variables, et les projets d’IA doivent être abordés avec pragmatisme.

La question essentielle n’est pas tant de savoir si l’IA va transformer la supply chain (cela ne fait guère de doute) mais comment cette transformation va réellement créer de la valeur pour les entreprises et les métiers de la supply chain.

Si l’on observe les entreprises aujourd’hui, la maturité en matière d’intelligence artificielle reste très variable. Certaines organisations ont engagé des programmes structurés autour de la donnée et de l’analytique avancée. D’autres en sont encore à leurs premiers projets exploratoires.

La maturité des organisations en matière d’IA repose essentiellement sur quatre dimensions : la qualité de la donnée, la culture data, les infrastructures technologiques et la gouvernance.

La première condition de succès d’un projet d’IA reste la qualité et la disponibilité des données. Dans la logistique, les différents systèmes (WMS, TMS ou ERP…) enregistrent depuis longtemps une multitude d’informations opérationnelles. Mais ces systèmes ont historiquement été conçus pour exécuter des opérations et assurer la traçabilité des flux, plutôt que pour alimenter des modèles analytiques complexes.

Il n’est donc pas rare que les entreprises découvrent que leurs données nécessitent un travail préalable pour retravailler leurs modèles de données : consolidation des historiques, normalisation des informations, amélioration de la qualité des référentiels.

La deuxième dimension concerne la culture data. L’intelligence artificielle introduit une logique d’analyse probabiliste dans des environnements où les décisions reposent souvent sur l’expérience terrain ou sur des règles déterministes. Accepter que certaines décisions puissent être assistées par des algorithmes suppose une évolution culturelle et une conduite du changement.

Les infrastructures technologiques constituent également un facteur clé. L’essor du cloud, des architectures ouvertes et des plateformes de données facilite aujourd’hui considérablement l’intégration de capacités d’IA dans les systèmes logistiques. Les éditeurs de logiciels supply chain font évoluer leurs plateformes pour intégrer ces technologies, mais cela suppose également que les entreprises disposent d’un système d’information suffisamment ouvert.

Enfin, la gouvernance de la donnée devient un enjeu majeur. Les organisations qui avancent le plus vite sont généralement celles qui ont structuré une approche claire autour de la gestion de leurs données : qualité, responsabilité, sécurité et valorisation.

Malgré l’intérêt croissant pour ces technologies, plusieurs idées reçues continuent de freiner l’adoption de l’intelligence artificielle dans les opérations supply chain.

La première consiste à considérer l’IA comme une solution capable de résoudre automatiquement des problématiques complexes. En réalité, l’IA n’est pas une solution miracle. Elle constitue avant tout un outil d’analyse et d’aide à la décision, qui vient compléter l’expertise métier. L’IA doit se construire de manière structurée et avoir une base de connaissances, donc également une base de données de qualité comme expliqué précédemment.

La seconde idée reçue concerne la complexité supposée des projets d’IA. Beaucoup d’entreprises imaginent qu’il s’agit de projets lourds nécessitant des équipes de data scientists importantes. Si certains projets peuvent effectivement être complexes, l’évolution des plateformes technologiques permet aujourd’hui d’intégrer progressivement des capacités d’IA dans les systèmes existants. Il ne faut pas chercher à tout révolutionner, mais avancer progressivement pour comprendre et maîtriser son utilisation.

Un autre frein concerne la confiance dans les résultats produits par les algorithmes. Dans les environnements opérationnels, les responsables logistiques doivent pouvoir comprendre les recommandations proposées par un système d’IA. L’acceptation des outils repose donc en grande partie sur leur capacité à produire des analyses compréhensibles et exploitables par les équipes terrain. La courbe d’apprentissage est nécessaire et ne doit pas être négligée pour une bonne acceptation de l’IA.

Un frein récurrent à l’adoption de l’IA réside dans la crainte qu’elle remplace les métiers ou déshumanise les activités. Cette perception peut générer des résistances, tant chez les utilisateurs que chez les managers, par peur d’une perte de savoir-faire, d’autonomie ou de valeur du rôle humain.

Pourtant, dans la réalité opérationnelle, l’IA ne se substitue pas aux métiers : elle les augmente. Elle agit comme un levier de valeur ajoutée en prenant en charge les tâches répétitives, chronophages ou à faible valeur (saisie, contrôle, recherche d’information, analyses de premier niveau), afin de permettre aux équipes de se recentrer sur ce qui fait réellement la richesse de leur métier.

Enfin, comme pour toute innovation technologique, la question du retour sur investissement reste centrale. Les entreprises attendent des projets d’IA qu’ils apportent des gains tangibles : amélioration de la productivité, réduction des stocks, optimisation des flux ou amélioration du service client.

Le ROI est avéré, mais il est essentiel de définir des indicateurs pertinents, adaptés à chaque activité et à chaque usage, afin de mesurer concrètement la valeur ajoutée apportée.

Dans la supply chain, plusieurs domaines apparaissent particulièrement pertinents pour l’application de l’intelligence artificielle.

Le premier concerne la prévision et l’anticipation des flux. Les modèles d’apprentissage automatique permettent d’exploiter des historiques de données complexes pour améliorer la prévision de la demande ou détecter des tendances difficiles à identifier avec des approches statistiques classiques.

Un second domaine majeur est l’optimisation des opérations logistiques. Les entrepôts produisent un volume important de données sur les flux de préparation, les déplacements des opérateurs ou l’utilisation des ressources. L’IA permet d’analyser ces informations pour identifier des axes d’amélioration dans l’organisation du picking, la gestion des emplacements ou la planification des activités.

L’automatisation documentaire constitue également un cas d’usage très concret. Les technologies d’IA permettent aujourd’hui d’exploiter automatiquement des documents logistiques, qu’il s’agisse de bons de livraison, de documents de transport ou de factures, et de les intégrer dans les systèmes d’information.

La maintenance prédictive des équipements représente un autre domaine prometteur. En analysant les données issues des équipements automatisés, les algorithmes peuvent anticiper certaines défaillances et optimiser les opérations de maintenance.

Enfin, l’intelligence artificielle joue un rôle croissant dans le pilotage en temps réel des opérations logistiques. L’analyse continue des données d’activité permet de détecter des anomalies, d’anticiper des congestions ou d’ajuster dynamiquement l’organisation des flux de manière plus prédictive.

Dans la pratique, les cas d’usage qui génèrent aujourd’hui le plus de valeur sont généralement ceux qui contribuent directement à améliorer la productivité opérationnelle et la visibilité sur les flux logistiques.

Chez BK Systèmes, l’intégration de l’intelligence artificielle dans Speed WMS s’inscrit dans une démarche progressive et pragmatique.

Notre conviction est que l’IA ne doit pas être considérée comme une fonctionnalité isolée, mais comme une capacité transversale intégrée au cœur du système logistique.

Les systèmes WMS constituent déjà des plateformes riches en données opérationnelles. Chaque mouvement de stock, chaque opération de préparation ou chaque flux logistique produit des informations exploitables. L’intelligence artificielle permet d’exploiter plus efficacement cette richesse informationnelle.

Une première application concrète concerne l’assistance aux équipes techniques et au support. L’utilisation de technologies d’IA permet aujourd’hui d’exploiter les bases de connaissances internes, les historiques d’incidents ou la documentation produit afin d’assister les techniciens dans l’analyse et la résolution des problématiques rencontrées par les utilisateurs. Cette approche améliore la réactivité du support et permet de capitaliser plus efficacement sur l’expérience accumulée.

Nous avons également développé Speed Flow, un module conversationnel qui permet d’interagir avec le système logistique sous forme de dialogue. Cette approche ouvre de nouvelles possibilités pour accéder aux informations opérationnelles de l’entrepôt.

Dans les prochaines évolutions de Speed WMS, ces interfaces permettront par exemple d’interroger directement le système sur l’état des stocks, les performances de préparation ou l’activité de l’entrepôt.

Ces approches s’inscrivent dans une logique d’amélioration continue des opérations logistiques, où l’IA vient enrichir les capacités d’analyse et d’optimisation du WMS.

Au-delà de ces premières applications, plusieurs cas d’usage sont actuellement explorés autour de l’exploitation intelligente des données produites par les systèmes logistiques.

L’un des domaines les plus prometteurs concerne l’analyse automatisée des performances d’entrepôt. Les systèmes WMS collectent déjà de nombreux indicateurs : productivité, temps de déplacement, taux d’erreur, congestion des zones logistiques. L’IA permet d’analyser ces données pour identifier automatiquement et rapidement des axes d’amélioration.

Un autre axe concerne l’optimisation du positionnement des marchandises dans l’entrepôt. En exploitant les historiques de préparation et les caractéristiques des produits, les algorithmes peuvent identifier des stratégies d’implantation permettant de réduire les distances de picking et d’améliorer la productivité.

L’organisation dynamique du picking constitue également un domaine d’expérimentation intéressant. En analysant les flux de commandes et les ressources disponibles, les modèles peuvent proposer des stratégies de préparation adaptées aux volumes et aux contraintes opérationnelles.

Ces approches s’inscrivent dans une logique d’amélioration continue des opérations logistiques, où l’intelligence artificielle vient enrichir les capacités d’analyse et d’optimisation des systèmes WMS.

À moyen terme, l’intelligence artificielle devrait transformer profondément la manière dont les systèmes logistiques fonctionnent.

Les entrepôts génèrent déjà des volumes considérables de données opérationnelles. L’évolution naturelle des systèmes WMS consiste à exploiter ces données pour aller vers des plateformes capables d’analyser en permanence leurs propres performances et de proposer des optimisations.

Par ailleurs, de nouvelles formes d’interaction avec les systèmes logistiques devraient émerger. Les interfaces conversationnelles ou les assistants intelligents permettront aux responsables d’exploitation d’interroger directement leurs systèmes d’information et d’obtenir des analyses en temps réel.

Enfin, l’intelligence artificielle permettra progressivement d’aller vers des systèmes capables d’orchestrer les flux logistiques en interaction avec les plateformes de transport, les systèmes e commerce et les équipements automatisés.

Dans ce contexte, les systèmes WMS évolueront progressivement vers des plateformes d’orchestration logistique capables de piloter des environnements de plus en plus complexes.

Pour résumer, si l’intelligence artificielle ouvre des perspectives importantes pour la supply chain, son adoption doit rester pragmatique.

Dans la logistique, la valeur de ces technologies repose avant tout sur leur capacité à améliorer concrètement les opérations. Les systèmes WMS constituent déjà des plateformes riches en données et en intelligence opérationnelle. L’intégration de l’IA permet d’aller plus loin dans l’analyse et l’exploitation de ces données. Les projets les plus pertinents sont souvent ceux qui s’appuient sur les données déjà disponibles dans les systèmes logistiques et qui apportent des améliorations progressives aux processus existants.

L’un des éléments clés de cette évolution est la capacité à combiner expertise métier et intelligence algorithmique.

L’avenir de l’IA dans la supply chain ne repose donc pas sur des ruptures spectaculaires, mais sur l’intégration progressive de capacités d’analyse et d’optimisation dans les systèmes opérationnels.

Pour les entreprises logistiques, l’enjeu des prochaines années sera de transformer ces technologies en outils capables d’améliorer concrètement la performance de leurs chaînes logistiques.