SITL 2026 : ce qui tient vraiment en production côté IA agentique

TL;DR : L’IA agentique appliquée à la supply chain commence à produire des résultats concrets, surtout sur la prévision, l’orchestration logistique et l’optimisation des stocks. Mais les gains restent très dépendants de la qualité des données, de l’intégration fine aux WMS/TMS/ERP et d’une gouvernance claire des décisions entre humains et agents autonomes. Sans cadrage, le coût de supervision et de contrôle peut dépasser les bénéfices opérationnels.

IA agentique et supply chain : les trois cas d’usage qui livrent déjà

Au SITL à Villepinte, l’IA agentique appliquée à la supply chain est passée du slogan aux premiers retours terrain. Les directeurs de chaînes logistiques venus des secteurs distribution, agroalimentaire et industrie ont cherché des preuves chiffrées, pas des promesses sur des agents autonomes capables de piloter toute la chaîne. Dans les allées, trois cas d’usage se détachent nettement pour les entreprises de la chaîne d’approvisionnement qui veulent optimiser leurs opérations et fiabiliser leurs décisions.

Premier pilier, la prédiction basée sur des données massives et structurées, avec des systèmes qui exploitent des données structurées et non structurées pour affiner les décisions. Blue Yonder revendique ainsi, dans ses propres communications éditeur, environ 25 milliards de prédictions quotidiennes avec calcul d’impact financier, ce qui illustre l’industrialisation des modèles prédictifs dans les supply chains complexes. Ces prévisions irriguent la gestion de la demande, la planification de la production et l’approvisionnement, en alimentant des tableaux de bord qui parlent autant aux équipes supply qu’aux directions financières. Ces chiffres sont issus de données marketing publiées par l’éditeur et doivent être interprétés comme des ordres de grandeur, non comme une mesure indépendante, même si des études sectorielles publiées par E commerce Mag et Supply Chain Magazine décrivent des gains de précision de l’ordre de 10 à 20 % sur la prévision dans des contextes comparables.

Deuxième pilier, le réordonnancement dynamique des flux dans la chaîne logistique et dans chaque entrepôt, où des agents logiciels réallouent les ressources en temps quasi réel. Manhattan Active met en avant des passages en production en quelques semaines selon ses études de cas clients, là où les anciens systèmes multi-modules demandaient des mois de paramétrage avant de stabiliser les processus. Ce gain de délai change la donne pour les opérations d’entrepôt, car les équipes peuvent tester des scénarios, ajuster les processus de gestion et mesurer rapidement l’impact sur les KPI de productivité et de qualité de service. Là encore, ces délais proviennent de retours d’expérience publiés par l’éditeur et non d’une étude comparative indépendante, même si plusieurs fiches de pilotes détaillent la méthodologie (périmètre, période d’observation, indicateurs suivis) et confirment des réductions de temps de déploiement supérieures à 30 %.

Troisième pilier, le calcul d’impact automatisé qui relie chaque décision opérationnelle à un effet chiffré sur le coût, le service et le stock. Dans les systèmes d’IA agentique pour la supply chain, des agents spécialisés comparent plusieurs décisions possibles et chiffrent leur effet sur le taux de service, le niveau de stock et le coût de transport. Cette approche transforme la prise de décision en un arbitrage transparent, où les équipes logistiques voient enfin comment un changement dans les opérations d’entrepôt ou dans la chaîne d’approvisionnement se traduit en euros. Dans un pilote mené sur un réseau de distribution multi-entrepôts, par exemple, une entreprise a observé une amélioration de 2 points de taux de service et une baisse de 8 % des stocks moyens sur six mois, à périmètre constant, en s’appuyant sur ce type de calculs d’impact systématiques, documentés dans une fiche projet interne détaillant les hypothèses, la période et les limites de l’analyse.

Dans ces trois cas, l’intelligence artificielle ne remplace pas les équipes, elle structure les données et accélère la boucle décisionnelle. Les agents supply restent cantonnés à des périmètres précis, par exemple la gestion d’un entrepôt ou d’une famille de produits, ce qui limite les risques de dérive dans la chaîne d’approvisionnement globale. Les directeurs logistiques présents au salon ont insisté sur ce point : sans données propres, sans processus clairs et sans tableaux de bord partagés, même la meilleure IA générative agentique ne fera qu’ajouter du bruit et de la complexité dans l’orchestration logistique.

Agents exécutants : promesses, angles morts et scepticisme des directeurs français

Sur le papier, les agents exécutants capables d’orchestrer toute une chaîne logistique font rêver les éditeurs et certains consultants. Dans les démonstrations au SITL, on a vu des scénarios où un agent unique dialoguait en langage naturel, pilotait les opérations d’entrepôt et prenait des décisions de réapprovisionnement sans intervention humaine. La réalité opérationnelle des entreprises de la chaîne reste pourtant plus nuancée, voire franchement prudente face à ces agents autonomes supposés tout gérer.

Les directeurs supply chain français rencontrés en off à Villepinte ont pointé trois limites récurrentes dans ces démonstrations spectaculaires. D’abord, la dépendance à des données parfaites, alors que beaucoup de chaînes d’approvisionnement fonctionnent encore avec des données hétérogènes, des systèmes multiples et des processus partiellement manuels. Ensuite, la difficulté à intégrer ces agents autonomes dans des systèmes existants, qu’il s’agisse de WMS, de TMS ou d’outils de gestion de production déjà fortement customisés, où chaque interface supplémentaire peut devenir un point de fragilité.

Troisième limite, le risque de créer une couche de supervision supplémentaire plutôt que de réellement optimiser les opérations. Quand un agent agentique propose des actions dans un entrepôt génératif en théorie, mais que chaque décision doit être validée par un manager, on déplace simplement la charge de travail vers les équipes. Plusieurs responsables ont reconnu que certains prototypes d’IA générative agentique finissaient par générer plus de tickets, d’alertes et de contrôles que de gains mesurables sur le terrain, avec parfois des hausses de 5 à 10 % du volume d’exceptions à traiter par les planificateurs.

Les architectures multi-agents, souvent présentées comme la prochaine étape, posent aussi des questions de gouvernance dans les supply chains complexes. Un système multi d’agents spécialisés peut très bien optimiser localement une opération d’entrepôt tout en dégradant la performance globale de la chaîne d’approvisionnement. Sans règles claires de priorité, sans arbitrage central et sans tableaux de bord consolidés, la chaîne risque de devenir une succession de micro-décisions incohérentes, difficiles à expliquer aux directions générales.

Les acteurs français comme Hardis, qui consolide sa suite cloud en intégrant l’OMS Oil dans Hardis Supply Chain, avancent par paliers plutôt que par rupture totale. L’enjeu est de faire dialoguer les agents supply avec les systèmes existants, en gardant la main sur les processus critiques de gestion des stocks, de production et d’approvisionnement. Les directeurs logistiques qui réussissent ce virage traitent l’IA agentique comme un levier d’optimisation ciblé, pas comme un pilote automatique de la chaîne logistique, et s’attachent à documenter précisément les effets sur leurs indicateurs de performance.

Comment éviter d’acheter un agent qui coûte plus en supervision qu’il ne rapporte

Pour un directeur supply chain, la vraie question n’est plus de savoir si l’IA agentique va entrer dans la chaîne, mais comment cadrer son déploiement pour qu’elle crée de la valeur nette. La première étape consiste à définir précisément les décisions que l’on est prêt à déléguer à un agent, qu’il soit unique ou intégré dans une architecture chain agentique plus large. On ne parle pas ici de vision stratégique, mais de décisions opérationnelles répétitives, mesurables et réversibles, où l’impact sur le service client et les stocks peut être suivi dans le temps.

Les cas les plus mûrs concernent la gestion d’entrepôt, la planification de la production et l’optimisation de l’approvisionnement, où les données sont déjà relativement structurées. Dans un entrepôt, par exemple, un agent peut proposer des réaffectations de ressources pour optimiser les opérations d’entrepôt, en s’appuyant sur l’analyse de données historiques et en temps réel. La clé est de fixer des garde-fous chiffrés, avec des seuils de stock, des niveaux de service et des coûts maximums au-delà desquels la décision remonte aux équipes supply, en comparant systématiquement la situation avant/après sur quelques KPI cibles comme le taux de service, le délai moyen de préparation ou le taux d’erreur de picking.

Deuxième étape, exiger des éditeurs des preuves d’impact chiffrées sur des KPI comparables aux vôtres, pas seulement des récits de succès génériques. Un projet d’IA agentique supply chain crédible doit documenter les gains sur le taux de service, la rotation de stock, la productivité des équipes logistiques et le coût unitaire de préparation. Sans ces éléments, vous risquez de financer un agent brillant en démonstration, mais qui alourdit la supervision quotidienne sans améliorer réellement les opérations, comme l’ont montré certains pilotes où le taux de service restait stable alors que le temps de contrôle augmentait de 15 %.

Troisième étape, organiser la gouvernance des décisions partagées entre humains et agents, en clarifiant qui décide quoi et sur quel horizon de temps. Les équipes doivent savoir quelles décisions restent humaines, quelles décisions sont proposées par l’IA et quelles décisions sont entièrement automatisées dans la chaîne d’approvisionnement. Cette clarté évite les zones grises où personne n’assume les conséquences d’une mauvaise décision prise par un système d’intelligence artificielle mal paramétré, et facilite l’acceptation des agents autonomes par les opérationnels.

Enfin, il faut accepter que l’IA générative et l’IA générative agentique ne sont pas des solutions miracles, mais des briques à intégrer dans une architecture globale de supply chain. Les entreprises de la chaîne qui réussissent combinent des agents spécialisés, des données structurées fiables, des processus robustes et des équipes formées à la lecture des tableaux de bord. C’est à ce prix que la promesse de l’IA agentique dans la supply chain se traduit en gains concrets, plutôt qu’en nouvelles couches de complexité numérique et en coûts cachés de supervision.