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

‘‘ Simuler en continu, décider en temps réel ’’
F. CÊTRE, KINAXIS

Fabienne Cêtre, Executive Vice President EMEA chez KINAXIS.

Entretien réalisé le mercredi 18 mars 2026 par Frédéric LEGRAS, Directeur du Portail FAQ Logistique dans le cadre du dossier : « La Supply Chain à l’heure de l’IA : quelles applications concrètes ? ».

L’intelligence artificielle s’impose dans les organisations, mais son intégration dans la Supply Chain reste inégale. Entre expérimentations, gouvernance et transformation des métiers, les entreprises avancent souvent sans cadre structuré. Fabienne Cêtre, Executive Vice President EMEA chez Kinaxis, partage sa lecture et explique comment l’éditeur positionne l’IA comme un levier de pilotage en temps réel.

L’expérimentation de l’intelligence artificielle est désormais généralisée dans les entreprises. Pour autant, la structuration des usages reste encore limitée. Beaucoup d’initiatives demeurent au stade de l’expérimentation et peinent à s’inscrire dans des processus décisionnels durables. Le décalage reste donc important entre l’intérêt porté à l’IA et sa capacité réelle à transformer la prise de décision. Le sujet n’est donc plus l’adoption de l’IA, mais sa capacité à transformer la prise de décision.

L’étude récente que nous avons menée avec The Economist illustre précisément ce décalage (NDLR : voir encadré ci-dessous).

Le problème, c’est que l’IA est encore souvent utilisée en périphérie des processus existants.

Dans beaucoup d’organisations, elle sert à accélérer une analyse, à produire un résumé ou à améliorer la productivité individuelle. En revanche, elle reste déconnectée des données métier, des contraintes opérationnelles et des arbitrages économiques réels. En Supply Chain, cela pose une limite immédiate.

Une décision ne peut pas être pertinente si elle ne tient pas compte des contraintes de production, d’approvisionnement, de distribution, de stocks ou encore des impacts financiers. À défaut, on améliore la vitesse d’exécution, sans pour autant sécuriser la qualité des arbitrages. Dans ces conditions, le risque est accru : prises hors contexte, les décisions peuvent dégrader la marge, accroître les ruptures ou générer des surstocks. Autrement dit, l’IA apporte de la productivité locale, mais au prix d’un risque global plus élevé. Le véritable enjeu n’est donc pas d’ajouter de l’IA, mais de l’intégrer au cœur des décisions, dans un système capable d’orchestrer les contraintes, les données et les arbitrages en temps réel.

Étude Economist Impact : l’IA progresse, mais le pilotage reste limité

Une étude menée par Economist Impact pour Kinaxis en novembre 2025 met en évidence un décalage marqué entre l’intérêt des entreprises pour l’intelligence artificielle et son intégration réelle dans les processus décisionnels.

Une adoption largement engagée
• 97 % des entreprises déclarent expérimenter l’IA
• 71 % ont accéléré leur adoption dans un contexte de tensions géopolitiques
• en France, 98 % des entreprises sont engagées dans des démarches d’expérimentation

Mais une transformation encore limitée
• seulement 22 % disposent d’une stratégie IA clairement définie
• 20 % prennent des décisions en temps réel grâce à l’IA (7 % en France)
• 15 % seulement l’utilisent sur des sujets critiques, comme le risque fournisseur

Des usages concentrés sur l’analytique
• 52 % des entreprises utilisent l’IA à des fins prédictives
• en France, ce taux atteint 91 % pour l’analytique prédictive
• en revanche, moins de 6 % l’utilisent pour détecter des anomalies ou anticiper des disruptions

Des écarts régionaux marqués
• 80 % d’adoption en Asie-Pacifique
• 78 % en Europe
• 57 % en Amérique du Nord

L’Europe apparaît ainsi légèrement en avance sur les États-Unis en matière d’adoption. Un enjeu de préparation encore sous-estimé.
L’étude souligne enfin un point structurant : si les entreprises accélèrent sur l’IA, elles restent souvent insuffisamment préparées, notamment sur les sujets de data, de gouvernance et de transformation des processus.

En savoir plus sur cette étude.

On peut les regrouper autour de quatre leviers.

Le premier, c’est la data. Pour aller vers une prise de décision en temps réel, il faut dépasser les silos et structurer dans une même couche de données des informations issues d’univers variés : planification, finance, logistique, entrepôt, fournisseurs, clients. L’enjeu n’est pas seulement technique. Il faut aussi une gouvernance claire, avec des propriétaires de données identifiés et une responsabilité bien établie.

Le deuxième levier concerne l’architecture agentique. Les entreprises s’appuient sur de multiples agents (Kinaxis, SAP, Salesforce, agents développés en interne, etc.). Elles doivent donc être capables d’orchestrer cet ensemble, de définir des standards d’architecture et d’éviter qu’un système trop étendu ne devienne incontrôlable.

Le troisième levier porte sur l’accompagnement du changement. Les planificateurs doivent apprendre à collaborer avec les agents. Il s’agit de former, d’embarquer et de faire évoluer les pratiques au quotidien.

Le quatrième levier concerne la transformation des processus de décision. L’IA n’a de valeur que si elle s’intègre dans une organisation repensée, capable de tirer parti de la simulation en continu et du pilotage en temps réel. Pris ensemble, ces leviers ne visent pas seulement à améliorer l’existant, mais à permettre une véritable orchestration des décisions à l’échelle de l’entreprise.

Parmi ces enjeux, la question de la maîtrise des agents devient centrale.

Nous défendons une logique d’agents dédiés, comparables à des ouvriers spécialisés. Chacun a un rôle précis, un périmètre défini et un accès limité à certaines données. Un agent peut, par exemple, travailler sur la demande d’un marché donné, sans intervenir sur d’autres périmètres. Certains analysent des problématiques de stock, d’autres recalculent des scénarios d’approvisionnement.

Cette approche permet d’éviter la mise en place d’un dispositif ingérable, au profit d’une organisation d’agents complémentaires, gouvernés, contextualisés et orchestrés.

L’enjeu ne se limite pas à la coordination interne. Dans une Supply Chain étendue, ces agents doivent aussi pouvoir interagir avec d’autres systèmes, qu’il s’agisse d’un ERP, d’un WMS ou de solutions partenaires. Cette capacité à orchestrer des agents au-delà d’un seul environnement devient un élément clé pour piloter l’ensemble de la chaîne.

L’humain conserve ici un rôle décisif. C’est lui qui définit le contexte, les données accessibles, les garde-fous et les limites d’action. L’agent apporte de la vitesse, de la puissance de traitement et une aptitude à gérer des volumes très élevés, mais toujours dans un cadre défini en amont.

Oui, mais dans une logique d’évolution plus que de rupture.

Chez Kinaxis, les agents sont développés dans l’environnement même du planificateur. Ils accèdent aux mêmes données, aux mêmes calculs et aux mêmes contraintes que lui. L’idée est donc moins d’introduire une couche externe que de faire émerger, dans son environnement de travail habituel, une forme de collègue numérique.

Par ailleurs, nous observons une forte demande pour le support à l’exécution et la replanification dynamique, qui permettent de réagir plus rapidement aux aléas. L’aide à la planification est également très sollicitée, notamment lorsque les utilisateurs souhaitent explorer des scénarios sans entrer dans des paramétrages techniques complexes.

Le métier évolue alors d’une logique d’exécution vers une logique de pilotage. Là où l’utilisateur construisait auparavant ses analyses lui-même, parfois avec de gros tableaux Excel, il est désormais davantage orienté vers la direction, l’arbitrage et la décision.

L’une des idées reçues consiste à croire qu’une IA générative générique peut suffire à piloter une Supply Chain.

Il est relativement simple de développer des cas d’usage isolés sur une exception de stock ou un sujet très circonscrit. En revanche, dès lors qu’il s’agit de prendre des décisions dans un environnement étendu, de mesurer les impacts, d’arbitrer entre demande, production, approvisionnement et distribution, cette approche atteint vite ses limites.

La Supply Chain nécessite une compréhension globale du contexte et une capacité à modéliser les conséquences d’un choix sur l’ensemble du système. C’est là que la différence se joue entre un usage ponctuel de l’IA et une logique de pilotage.

La valeur réside avant tout dans l’aptitude à transformer des signaux en décisions opérationnelles, en évaluant rapidement leurs impacts sur l’ensemble de la Supply Chain.

Une usine ferme, un fournisseur ne livre pas, une tension géopolitique réapparaît, un risque se précise sur des approvisionnements passant par le détroit d’Ormuz, ou encore une annonce politique modifie brutalement les droits de douane : dans tous ces cas, l’enjeu n’est pas seulement d’être informé, mais d’en mesurer immédiatement les conséquences et de pouvoir arbitrer entre plusieurs options.

C’est cette possibilité de simuler différents scénarios, d’intégrer l’ensemble des contraintes et d’orienter le choix vers la meilleure alternative qui constitue, selon moi, le cœur de la création de valeur.

Cette valeur repose aussi sur la capacité à croiser des informations issues de différents systèmes, afin d’avoir une vision réellement transverse de la chaîne. Au-delà de la productivité, cette capacité à ajuster en permanence les décisions face à l’incertitude devient un véritable levier d’adaptabilité.

L’un des points importants, c’est que nous ne présentons pas l’IA comme une rupture totale, mais comme une accélération d’un modèle existant.

La plateforme permet déjà de modéliser dans un même environnement la demande, la production, les approvisionnements et la distribution, puis de comparer plusieurs scénarios selon des objectifs définis : marge, croissance, chiffre d’affaires, durabilité, etc.

Les utilisateurs sont donc familiers avec la construction de scénarios. L’objectif n’est pas seulement de comparer des scénarios, mais d’accélérer et de sécuriser la prise de décision. Concrètement, cela passe par la création de workbooks (NDLR : espaces de travail de simulation) dans la solution. Les planificateurs vont y chercher les données là où elles se trouvent dans le système, les assembler, construire eux-mêmes leurs hypothèses, lancer des simulations, comparer les résultats puis retenir le scénario jugé le plus pertinent au regard des objectifs fixés.

L’IA change ce fonctionnement en automatisant une partie de cette construction. Elle crée des scénarios en fonction du contexte, sans que l’utilisateur ait à réaliser lui-même tout le travail de préparation et de configuration.

Cette évolution se traduit par une forte augmentation du volume de scénarios traités. En 2024, nos clients ont traité 3,5 millions de scénarios. Je peux aussi citer l’épisode de tension au Moyen-Orient, en juin 2025, durant lequel le nombre de scénarios créés par les utilisateurs a augmenté de 1400 %. Dans un environnement devenu plus volatil, la capacité à générer, recalculer et comparer des scénarios s’impose ainsi comme un levier central de pilotage.

Cette logique ne se limite pas à la plateforme elle-même. Elle s’inscrit dans un écosystème plus large, où les interactions entre systèmes permettent d’enrichir les analyses et d’intégrer des données externes dans les arbitrages.

Une plateforme unique pour des industries complexes

Kinaxis accompagne des grands groupes internationaux comme des entreprises de taille intermédiaire confrontés à des chaînes d’approvisionnement complexes et volatiles. Son positionnement cible en priorité sept grands secteurs :
• les biens de grande consommation (CPG) ;
• les life sciences, c’est-à-dire la pharmacie et les activités liées au médical ;
• l’automobile, en particulier les OEM ;
• la chimie ;
• l’industrie au sens large, notamment les fabricants de machines ;
• le high-tech ;
• les semi-conducteurs.

Ces secteurs sont adressés via Maestro, sa plateforme d’orchestration de la Supply Chain intégrant des technologies d’intelligence artificielle, qui apporte une visibilité étendue et un potentiel d’adaptation sur l’ensemble des flux, de la planification stratégique à l’exécution opérationnelle.

Plusieurs types de problématiques se dégagent, avec un point commun : la capacité à analyser rapidement des situations complexes et à en mesurer les impacts.

Un premier ensemble concerne la compréhension et l’anticipation de la demande. Lorsqu’un portefeuille de commandes évolue, un agent peut en mesurer l’impact sur les ventes, identifier des risques liés à des retards ou à des tensions d’approvisionnement, et éclairer la décision.

Un deuxième axe porte sur la qualité et la fiabilité des données. Les agents peuvent détecter des anomalies, les remonter et proposer des actions correctives avant que ces défauts ne produisent des effets en chaîne.

L’IA intervient également sur des sujets plus opérationnels, comme l’analyse des excès de stock. L’agent ne se contente pas de signaler un surstock : il en recherche la cause racine afin de corriger le problème en amont.

Enfin, d’autres usages concernent les paramètres structurants de la Supply Chain, comme les évolutions de master data ou les prévisions statistiques. L’objectif n’est pas de complexifier les modèles, mais d’utiliser l’IA pour déterminer le bon niveau de granularité, afin d’améliorer la précision tout en maîtrisant la complexité.

Une première étape a été le lancement, en octobre 2025, d’une couche agentique avec des agents fournis par Kinaxis. Ces agents permettent aux utilisateurs d’interroger les données en langage naturel. Un utilisateur peut, par exemple, demander les commandes en retard et en mesurer l’impact sur la demande, sans avoir à construire lui-même un scénario complexe.

La deuxième étape correspond au lancement plus récent de Maestro Agents Studio. Cette brique permet aux clients et partenaires de configurer eux-mêmes des agents selon leurs cas d’usage.

La prochaine étape consiste à construire, au cours de l’année 2026, une marketplace regroupant des agents développés par Kinaxis, ses partenaires et ses clients. À terme, un client pourra ainsi retrouver et réutiliser des agents correspondant à des besoins proches des siens.

Au-delà de ces évolutions, notre approche s’inscrit dans une vision plus large, celle de l’Adaptive Supply Chain. L’idée est d’éclairer la décision en continu, en s’appuyant sur la simulation et la prise en compte des contraintes opérationnelles.

L’objectif n’est plus seulement de réagir aux aléas, mais de pouvoir arbitrer rapidement entre plusieurs options, en tenant compte de l’ensemble des contraintes. On passe ainsi d’un fonctionnement figé à un pilotage continu, où chaque décision est recalculée et orchestrée en fonction du contexte, c’est ce que nous appelons une Adaptive Supply Chain.

Je reste prudente sur les gains métier finaux, que je juge encore trop récents pour être consolidés dans tous les cas.

Je peux toutefois citer un exemple dans la pharma : un agent a été créé pour gérer des anomalies de stock. Là où les utilisateurs devaient auparavant effectuer 40 clics, ils peuvent désormais résoudre le sujet en 4 prompts.

Plus largement, on observe un gain de temps de l’ordre de 70 % sur la prise de décision et la génération de scénarios.

Mais le principal est ailleurs : la vraie valeur n’est pas seulement dans la productivité, mais dans une capacité accrue à prendre plus vite de meilleures décisions, sur une échelle plus large, et avec un impact direct sur la croissance, la marge ou encore la durabilité.

Bio Express

Fabienne Cêtre a rejoint Kinaxis il y a quatre ans pour piloter le développement de l’Europe du Sud, avant de prendre la responsabilité de la région EMEA. Depuis 18 mois, elle supervise également les équipes européennes.

Son parcours s’inscrit dans plus de 30 ans chez des éditeurs de logiciels, avec une spécialisation dans la Supply Chain depuis 2005. Avant Kinaxis, elle évoluait davantage dans l’univers du retail. Chez Kinaxis, elle intervient aujourd’hui sur des industries manufacturières complexes.