Les opérations d’entrepôt doivent désormais gérer une complexité croissante tout en donnant l’impression d’être plus simples aux yeux des clients. Cette tension se manifeste partout, tant chez les prestataires logistiques tiers (3PL) que dans les services de traitement des commandes en interne : davantage de références, davantage d’engagements de service, davantage de rapports destinés aux clients, davantage de contrôles de conformité et davantage de pression pour prendre chaque décision logistique en temps réel. Au Royaume-Uni, le nombre de sites de transport, de logistique et d’entreposage a augmenté de 88% en 2021 par rapport à 2011. Dans le même temps, l’Office national des statistiques a constaté que l’IA était utilisée par 9% des entreprises britanniques en 2023 et qu’elle devrait atteindre 22% en 2024. Au niveau de l’Union européenne, Eurostat a indiqué qu’en 2025, 20% des entreprises comptant au moins 10 salariés utilisaient l’IA. Pour nous, cela signifie clairement une chose : l’IA dans les opérations d’entrepôt n’est plus un sujet marginal. Elle fait désormais partie intégrante du modèle opérationnel.
Nous ne pensons pas que la véritable révolution de l’IA dans les entrepôts commence par le remplacement des humains par des robots. Nous pensons qu’elle commence par la gestion administrative des entrepôts, la rapidité de prise de décision et la clarté opérationnelle. Oliver Facey, vice-président senior des programmes d’exploitation du réseau mondial chez DHL Express, l’a bien exprimé lorsqu’il a écrit que “ l’IA ouvre des perspectives passionnantes pour notre réseau ”, ajoutant que chaque minute gagnée lors de la préparation d’une commande et chaque pouce économisé dans l’entrepôt peuvent se traduire par des économies substantielles. C’est là la bonne perspective pour les responsables des opérations d’entrepôt : non pas la nouveauté, mais des gains concrets en termes de précision, de fluidité des flux et de temps de réponse.
De notre côté, les tâches les plus utiles de l’IA dans les opérations d’entrepôt sont souvent les moins prestigieuses. Ce sont les tâches répétitives qui ralentissent le quotidien d’un prestataire logistique tiers (3PL) : établir des rapports, vérifier les exceptions, interpréter les demandes, synthétiser les problèmes des clients et transformer les données en temps réel de l’entrepôt en une prochaine action sûre. Les récents déploiements d’IA générative de DHL Supply Chain se sont concentrés sur le nettoyage des données, l’analyse des propositions, l’assistance en matière de documents juridiques et la synthèse des demandes des clients. Cette tendance est significative, car elle montre où l’IA s’avère la plus utile : non pas comme un spectacle sur le parquet de l’entrepôt, mais comme un moyen d’éliminer les frictions au niveau de la couche de contrôle qui entoure l’entrepôt.
Pourquoi les opérations d'entrepôt sont-elles soumises à une pression accrue actuellement ?
Les opérations d'entrepôt sont mises à rude épreuve, car chaque source de croissance ajoute une nouvelle couche de coordination. Un nouveau client peut impliquer une nouvelle règle de facturation. Un nouveau canal de vente peut entraîner des heures limites différentes. Une nouvelle gamme de produits peut se traduire par un contrôle accru des lots, une traçabilité renforcée et davantage de demandes adressées au service client. Lorsque la superficie de l’entrepôt augmente, la charge administrative s’alourdit en conséquence, et cette pression pèse souvent en premier lieu sur les superviseurs, les planificateurs et les équipes 3PL en contact avec la clientèle, avant de se répercuter ailleurs. C’est l’une des raisons pour lesquelles l’adoption croissante de l’IA et l’expansion des entrepôts se heurtent dès à présent, plutôt que plus tard. [1][2][3]
Nous constatons également que les opérations d’entrepôt tolèrent de moins en moins les retards. Le modèle d’hier, consistant à dire “ nous enverrons ce rapport plus tard ”, ne fonctionne plus lorsqu’un client exige des réponses immédiates sur les stocks, lorsqu’une défaillance de service peut se répercuter sur plusieurs canaux et lorsque la planification des effectifs peut évoluer d’heure en heure. Dans ce contexte, la gestion administrative de l’entrepôt n’est pas seulement une charge ; c’est un goulot d’étranglement décisionnel. Si une équipe de 3PL ne peut pas identifier les retards, les ruptures de stock, les stocks vieillissants ou les réaffectations nécessaires, l’entrepôt finit par réagir plus lentement que ne l’attend le client.
C'est pourquoi nous pensons que l'IA appliquée aux opérations d'entrepôt doit être évaluée à l'aune de trois questions concrètes. Permet-elle de réduire la ressaisie des données ? Permet-elle de raccourcir le délai entre la question et la réponse ? Aide-t-elle l'équipe de l'entrepôt à agir en temps réel sur la base de données actualisées sans créer de risques supplémentaires ? Si la réponse est non, alors il s'agit peut-être d'une technologie intéressante, mais elle ne contribue pas encore à améliorer les opérations.
Dans quels domaines l'IA commence-t-elle par supprimer les tâches administratives liées à la gestion des entrepôts ?
Les meilleurs cas d'utilisation précoces
Commencez par des tâches répétitives et régies par des règles
Les premiers cas d’utilisation les plus pertinents de l’IA dans les opérations d’entrepôt concernent des tâches répétitives, régies par des règles et déjà fastidieuses. Les premières applications génératives à forte valeur ajoutée de DHL Supply Chain n’étaient pas des expériences futuristes en entrepôt ; il s’agissait d’outils permettant de nettoyer les données, d’analyser plus rapidement les demandes entrantes, de synthétiser les demandes des clients et de traiter des documents juridiques. Sally Miller, directrice mondiale des systèmes d’information chez DHL Supply Chain, les a décrites comme “ des applications pratiques visant à transformer les processus métier clés ”. C’est exactement ainsi que, selon nous, les responsables d’entrepôt devraient envisager l’IA : non pas comme un budget d’innovation distinct, mais comme un moyen plus efficace de gérer les tâches opérationnelles répétitives.
Pour une équipe d’entrepôt ou de 3PL, cela se traduit généralement par cinq objectifs immédiats. Premièrement, la génération de rapports programmés qui dépendent actuellement d’un super-utilisateur. Deuxièmement, les requêtes relatives aux stocks et aux commandes qui obligent les utilisateurs à passer d’un écran à l’autre. Troisièmement, la gestion des exceptions liées aux commandes en retard, aux stocks périmés, aux lots à date limite proche et aux risques de réapprovisionnement. Quatrièmement, les mises à jour de statut destinées aux clients. Cinquièmement, les tâches administratives lourdes telles que la compilation des justificatifs de facturation, des récapitulatifs de service ou des notes de passation opérationnelle. Toutes ces activités d’entrepôt sont riches en texte, répétitives et liées à des données en temps réel, ce qui en fait de bons candidats pour une assistance par IA plutôt que pour une automatisation aveugle.
Au sein de Clarus WMS, notre assistant IA est conçu autour de ce modèle d’entrepôt précis : poser une question en langage naturel, consulter un tableau ou un graphique en temps réel, puis entreprendre une action suivante en toute sécurité sans se perdre dans un labyrinthe de rapports. L’essentiel ne réside pas dans l’interface de chat. L’essentiel, c’est que la réponse relative à l’entrepôt provienne de données opérationnelles en temps réel, et que l’action s’inscrive dans le même cadre d’autorisations et de règles de processus que le reste du système. C’est ce qui fait passer l’IA du statut de simple nouveauté à celui d’outil de contrôle de l’entrepôt.
Quand l'IA apporte une valeur ajoutée au-delà des tableaux de bord
Un tableau de bord informe le responsable d’entrepôt de ce qui s’est passé. Une IA performante dans les opérations d’entrepôt devrait aider à expliquer ce qui nécessite une attention immédiate et quelles actions peuvent être entreprises ensuite. Cela peut consister à signaler les prélèvements en retard avant qu’un client ne se manifeste, à mettre en évidence les stocks dont la date de péremption arrive cette semaine, à identifier une zone en retard, ou à préparer un dossier de KPI avant le début du service. Dans la pratique, l’IA prend toute sa valeur lorsqu’elle réduit l’écart entre les données de l’entrepôt, l’évaluation de la situation et les mesures à prendre.
Comment l'IA peut-elle améliorer la gestion des stocks, la gestion du personnel et le reporting ?
Les travaux récents de McKinsey s’avèrent utiles à cet égard, car ils s’appuient sur des résultats opérationnels concrets. Le cabinet affirme que l’IA peut réduire les niveaux de stocks de 20% à 30% grâce à de meilleures prévisions et à une optimisation accrue. Il indique également que les outils basés sur l’IA peuvent libérer entre 7% et 15% de capacité supplémentaire dans les réseaux d’entrepôts, et cite l’exemple d’un prestataire logistique qui a augmenté la capacité de ses entrepôts de près de 10% sans acquérir de nouveaux locaux. Pour les opérations d’entrepôt, ces chiffres sont importants car ils relient directement l’IA à l’espace, aux stocks et aux niveaux de service, plutôt qu’au discours abstrait sur la transformation numérique.
Nous traduirions ces gains en priorités quotidiennes pour l’entrepôt. De meilleures prévisions grâce à l’IA signifient moins de défaillances évitables dans le réapprovisionnement. Une meilleure visibilité assistée par l’IA signifie moins de stocks morts entreposés au mauvais endroit. Une meilleure planification des effectifs soutenue par l’IA signifie que les superviseurs passent moins de temps à éteindre des incendies et davantage à équilibrer la charge de travail. De meilleurs rapports générés par l’IA permettent aux responsables de ne plus attendre la feuille de calcul d’hier et de commencer à agir en fonction de la situation actuelle de l’entrepôt. En d’autres termes, l’IA est particulièrement utile lorsqu’elle facilite la gestion de l’entrepôt, et pas seulement lorsqu’elle en facilite la description.
À quoi ressemble un meilleur reporting ?
Que l'équipe de l'entrepôt valide cette action
L'un de nos exemples concrets préférés est celui de Mitchell Storage & Distribution. Après avoir modernisé ses opérations, l'entreprise a indiqué que les e-mails et les appels téléphoniques portant sur des questions élémentaires concernant les stocks avaient diminué d'environ 60%, car les clients pouvaient voir eux-mêmes ce dont ils avaient besoin sans que l'équipe de l'entrepôt ait à rechercher manuellement les réponses. Pour une entreprise de logistique tierce partie (3PL), ce type d’amélioration de la gestion de l’entrepôt n’est pas négligeable. Cela libère du temps pour le service client, réduit les interruptions et permet au personnel opérationnel de se concentrer sur les tâches qui améliorent réellement la qualité du service.
Nous avons observé le même principe sous une forme différente chez Interspan. Comme l’a expliqué Tim Payne, PDG de Clarus WMS, dans le cadre de ce projet, l’objectif opérationnel était “ d’automatiser les rapports de conformité, d’améliorer la visibilité et de rationaliser la préparation des commandes ”. Cette citation va droit au cœur de l’utilité de l’IA dans les opérations d’entrepôt. La valeur ajoutée ne réside pas dans la capacité du système à générer du texte. Elle réside dans le fait que l’entrepôt peut établir des rapports plus rapidement, détecter les risques plus tôt et agir en réduisant les interventions manuelles.
Quelles sont les bases indispensables à un système de gestion d'entrepôt (WMS) pour que l'IA puisse fonctionner ?
Un entrepôt ne peut pas obtenir de résultats fiables en matière d’IA à partir de données d’entrepôt peu fiables. Cela semble évident, mais c’est là que de nombreux projets s’enlisent. L’ONS a constaté que 91% des entreprises britanniques utilisant l’IA recouraient également à des systèmes et applications informatiques basés sur le cloud. Nous y voyons un signe fort indiquant que l’IA fonctionne généralement mieux lorsqu’elle vient se superposer à une infrastructure numérique plus solide, et non comme une solution de contournement pour des systèmes disparates. Si les emplacements des stocks sont imprécis, si les données de référence sont incohérentes et si chaque exception atterrit dans la boîte de réception de quelqu’un, l’IA ne fera que mettre en évidence cette confusion plus rapidement.
Pourquoi la saisie des données reste-t-elle importante ?
La qualité de l'IA dépend entièrement de la qualité de l'image numérisée
C'est là que la rigueur logistique fait encore la différence. Les emplacements identifiés par codes-barres, une lecture fiable des codes-barres, des flux de travail adaptés aux rôles, des données clients claires et un système de gestion d’entrepôt (WMS) qui enregistre correctement les transactions ne sont pas des conditions préalables dépassées que l’IA viendrait remplacer. Ce sont précisément ces éléments qui permettent à l’IA de fournir, en premier lieu, une réponse fiable en matière de gestion d’entrepôt. Chez Mitchell Storage & Distribution, les emplacements scannables et l’historique des transactions en temps réel ont amélioré la visibilité, la traçabilité et la confiance dans l’exactitude des stocks. C’est ce type de base logistique qui fournit à l’IA des données fiables sur lesquelles s’appuyer.
Nous pensons également que les meilleurs déploiements de l’IA dans les opérations d’entrepôt se font de manière progressive. Commencez par des rapports en lecture seule. Passez ensuite aux suggestions d’actions. Autorisez ensuite les transactions approuvées pour des flux de travail spécifiques. Cette approche par étapes donne à l’équipe du prestataire logistique (3PL) le temps de tester la qualité des données, les autorisations, les validations et la confiance des utilisateurs avant que l’IA ne s’attaque à des tâches d’entrepôt plus sensibles. Elle permet également de centrer la discussion sur les preuves opérationnelles plutôt que sur des promesses.
IA contre processus traditionnels d'entrepôt : qu'est-ce qui change réellement ?
Les processus traditionnels d’entrepôt reposent largement sur l’utilisation d’écrans et dépendent fortement des personnes. Un employé se connecte, applique des filtres, exporte un rapport, copie les données dans un autre format, envoie un résumé par e-mail, attend une réponse, puis crée une tâche. Dans un flux de travail d’entrepôt assisté par l’IA, ce même responsable peut demander une vue d’ensemble en temps réel en langage courant, examiner le résultat et approuver l’action suivante au sein du même flux. Le changement ne réside pas dans la disparition des personnes. Il réside dans le fait que les opérations d’entrepôt perdent moins de temps à transférer des informations d’un endroit à un autre.
Difficultés courantes liées à la mise en œuvre de l'IA
Le problème, c'est que de nombreux programmes d'IA restent encore trop généraux. McKinsey note qu’environ 95% des distributeurs explorent des cas d’utilisation de l’IA, mais seuls environ 30% déclarent disposer de suffisamment de talents pour les déployer à grande échelle, et moins de 10% affirment avoir élaboré une feuille de route en matière d’IA et hiérarchisé les cas d’utilisation à mettre en œuvre. C'est cet écart entre l'enthousiasme et la préparation opérationnelle qui fait généralement trébucher les projets d'entrepôt. Les équipes tentent d'automatiser trop de choses, négligent la conception des flux de travail ou partent du principe que le modèle corrigera d'une manière ou d'une autre les processus défaillants. Ce ne sera pas le cas.
Préserver les autorisations, les validations et les pistes d'audit
Lorsque nous intégrons l’IA dans Clarus WMS, nous ne la considérons pas comme une voie détournée pour accéder aux opérations d’entrepôt. Nous conservons les mêmes autorisations basées sur les rôles, les mêmes règles métier, les mêmes validations et la même piste d’audit. Notre architecture actuelle d’assistant IA analyse les requêtes validées et exécute des actions via la même couche de contrôle que l’interface utilisateur, avec des vérifications des champs manquants, des limites de traitement en masse, des confirmations et des validations. C’est ainsi que nous pensons que l’IA d’entrepôt doit se comporter : rapide, utile et rigoureusement contrôlée.
L’autre différence majeure est d’ordre psychologique. Les logiciels d’entrepôt traditionnels partent souvent du principe que l’utilisateur sait exactement où cliquer. Les opérations d’entrepôt assistées par l’IA peuvent au contraire partir de l’intention du responsable : ce qui est en retard, ce qui prend de l’âge, ce qui est bloqué, ce qui doit être fait. Cela rend le système plus conversationnel, mais le véritable avantage ne réside pas dans la conception conversationnelle en soi. C’est le fait que l’intention relative à l’entrepôt puisse se transformer en une réponse et une action contrôlées bien plus rapidement qu’auparavant.
Prêt à tirer parti de l'IA dans votre entrepôt ?
Si vos opérations d'entrepôt perdent encore chaque semaine des heures à répondre à des e-mails de suivi, à établir des rapports sur tableur, à traiter manuellement les exceptions et à répondre aux questions répétitives des clients, nous ne commencerions pas par un projet d'IA ambitieux. Nous commencerions par un processus d’entrepôt récurrent, mesurable et source de frustration. Évaluez le temps que cela prend actuellement. Connectez l’IA aux données en temps réel du système de gestion d’entrepôt (WMS). Déterminez quelles actions restent en lecture seule et lesquelles nécessitent une validation. Mesurez ensuite les résultats sur 30 jours en termes de rapidité, de précision et de temps consacré à la gestion administrative.
C'est l'approche pratique à laquelle nous croyons chez Clarus WMS. L'IA doit aider les équipes d'entrepôt à réfléchir plus vite, sans pour autant leur donner l'impression d'être plus débordées. Elle doit alléger la charge administrative de l'entrepôt, et non pas créer un tableau de bord supplémentaire. Et elle doit gagner la confiance en améliorant un flux de travail important à la fois, jusqu'à ce que les gains soient trop évidents pour être ignorés.
Références
- Office national des statistiques, “ L'essor des entrepôts au Royaume-Uni et le ‘triangle logistique d'or’ ”, https://www.ons.gov.uk/businessindustryandtrade/business/activitysizeandlocation/articles/theriseoftheukwarehouseandthegoldenlogisticstriangle/2022-04-11
- Office national des statistiques, “ Pratiques de gestion et adoption des technologies et de l'intelligence artificielle dans les entreprises britanniques : 2023 ”, https://www.ons.gov.uk/economy/economicoutputandproductivity/productivitymeasures/articles/managementpracticesandtheadoptionoftechnologyandartificialintelligenceinukfirms2023/2025-03-24
- Eurostat, “ 20% des entreprises de l'UE utilisent des technologies d'IA ”, https://ec.europa.eu/eurostat/en/web/products-eurostat-news/w/ddn-20251211-2
- Oliver Facey, DHL Express, “ L'IA dans la logistique et la livraison du dernier kilomètre ”, https://www.dhl.com/discover/en-global/logistics-advice/logistics-insights/ai-in-logistics-and-last-mile-delivery
- Groupe DHL, “ DHL Supply Chain met en œuvre l'IA générative pour améliorer la gestion des données, le service client et la précision des propositions ”, https://group.dhl.com/en/media-relations/press-releases/2024/dhl-supply-chain-implements-generative-ai.html
- McKinsey & Company, “ Exploiter le potentiel de l'IA dans les opérations de distribution ”, https://www.mckinsey.com/industries/industrials/our-insights/distribution-blog/harnessing-the-power-of-ai-in-distribution-operations
- Clarus WMS, “ Comment l'IA simplifie la gestion des entrepôts ”, https://stg-khh4l5.elementor.cloud/features/how-ai-takes-the-effort-out-of-warehouse-decision-making/
- Clarus WMS, “ Comment MSD a réduit de 60% les tâches administratives liées à l'entrepôt et généré de nouveaux revenus ”, https://stg-khh4l5.elementor.cloud/customer-stories/msd-cut-warehouse-admin/
- Clarus WMS, “ Interspan va réduire le temps de production des rapports de 90% ! ”, https://stg-khh4l5.elementor.cloud/customer-stories/interspan-cut-reporting/
- DHL et IBM, “ L'intelligence artificielle dans la logistique ”, https://www.dhl.com/content/dam/dhl/global/core/documents/pdf/glo-core-artificial-intelligence-trend-report.pdf