La planification logistique a longtemps reposé sur des modèles statistiques simples, des tableurs Excel et l’expérience des planificateurs. L’IA y a introduit une capacité de traitement de la complexité qui change structurellement la discipline.
Le problème que l’IA résout
Les modèles classiques de prévision de demande échouent face aux événements discontinus : promotions, météo, crises d’approvisionnement, comportements viraux sur les réseaux sociaux. Ils travaillent sur des moyennes historiques et ratent les ruptures.
Les modèles IA peuvent intégrer des dizaines de variables externes en temps réel et ajuster les prévisions dynamiquement. C’est sur ce point précis que le gain est le plus documenté.
Ce que Carrefour a mis en place
Carrefour a déployé un système de prévision de demande basé sur l’IA sur l’ensemble de son réseau français, soit plus de 5 000 références de produits frais. Le modèle intègre les données météo, les calendriers d’événements locaux, les historiques de vente et les signaux promotionnels.
Résultat mesuré après 18 mois : réduction de 19% des invendus sur les produits frais, et réduction de 12% des ruptures en rayon sur les mêmes catégories.
Ce qu’un fabricant de composants électroniques a appris
Un équipementier européen a utilisé un modèle d’optimisation des stocks pour réduire son stock de sécurité sur 800 références. Après six mois, le stock moyen avait diminué de 22%, sans dégradation du taux de service.
Mais l’équipe logistique décrit un effet secondaire inattendu : les planificateurs ont eu du mal à comprendre et donc à faire confiance aux décisions du modèle. Le déploiement a nécessité six mois de travail supplémentaire sur l’explicabilité des décisions et la formation des équipes.
Ce qu’on retient
L’IA améliore la précision des prévisions et l’optimisation des stocks de façon documentée. Son adoption opérationnelle exige un travail d’explicabilité et de conduite du changement souvent sous-estimé dans les projets.