Très peu de spécialistes du management des organisations et des systèmes d’information, doutent du fait que l’utilisation de l’IA dans les chaînes logistiques va radicalement transformer la façon dont les produits seront stockés, manipulés et transportés dans un proche avenir. Notons d’ailleurs la préscience hors du commun de Fabbe-Costes (1990) qui, il y a plus de trente ans de cela, anticipait de telles mutations. Depuis lors, une abondante littérature s’est approprié le sujet, comme en témoigne un rapide détour par Google Scholar et l’examen des revues de littérature de Riahi et al. (2021) et Toorajipour et al. (2021), mais très souvent, en proposant une sorte de « catalogue » des applications probables. Même si ces travaux présentent un réel intérêt, celui de souligner combien tous les processus logistiques ‒ ou presque ‒ seront concernés par l’IA, il y manque une grille de lecture permettant de mieux comprendre le caractère à la fois holistique et systémique de la révolution en marche. De ce point de vue, le cas des grands distributeurs alimentaires et non alimentaires brick & mortar et brick & click est tout particulièrement stimulant, ce qui rejoint la position de Dash et al. (2019).

En effet, une analyse, même rapide, de l’utilisation de l’IA dans le contexte du commerce souligne que le rêve d’un pilotage efficient des flux par l’aval, évoqué dès les années 1970 par Heskett (1977), devient une réalité tangible. En d’autres termes, l’IA place la demande finale au cœur du fonctionnement des chaînes logistiques, en rompant avec la logique des flux poussés issue des démarches planificatrices dans la mouvance du materials requirement planning (MRP). Sachant que ladite demande finale s’exprime dans différents points de réception des produits, qu’il s’agisse de magasins, de drives ou de points relais, la performance des hubs régionaux en assurant l’approvisionnement devient un élément clé d’une chaîne logistique réactive, en suscitant là aussi des applications de l’IA très innovantes. Elles le sont tout autant pour assurer la livraison rapide et fiable vers les points de réception aux mains des grands distributeurs. La Figure 1, librement inspirée d’un document du Relex Lab, souligne que les enjeux de l’IA pour la logistique des distributeurs peuvent finalement être regroupés autour de cinq dimensions qui conditionne la performance des systèmes de réapprovisionnement.

Figure 1. Domaines d’application de l’IA au service de la logistique des distributeurs

Améliorer sensiblement le pilotage des flux par l’aval

Une réponse rapide à la demande émanant des clients constitue une source d’avantage concurrentiel, comme les démarches de type quick response (QR) ont pu l’indiquer dès le début des années 1990 (Choi et Sethi, 2010). Le QR renvoie à une démarche de management dont l’objectif est de raccourcir le délai entre la réception d’une commande et sa mise à disposition en vue d’améliorer la trésorerie disponible ; le succès d’une entreprise comme Walmart en constitue une parfaite illustration, associée à la mise en place de systèmes d’information innovants, dont le fameux Retail Link (pour une perspective historique, voir la contribution de Wang [2006]). Or, les algorithmes d’IA ont la capacité d’analyser de grandes quantités de données historiques et en temps réel, en tenant compte de divers facteurs tels que le comportement des clients, les tendances du marché et même des conditions météorologiques. En exploitant ces données, les systèmes d’approvisionnement fondés sur l’IA optimisent les niveaux de stocks et réduisent le nombre de ruptures (voir l’illustration n° 1).

Illustration n° 1. Le problème universel des ruptures dans le commerce

Les ruptures sont l’un des principaux défis que rencontrent les grands distributeurs. Une étude conduite aux États-Unis indiquent qu’elles coûteraient entre 15 et 20 milliards de dollars US par an en pertes de ventes, sans compter l’impact négatif sur l’expérience client. Lorsqu’elles résultent d’erreurs de calcul dans l’enregistrement des produits ou dans l’anticipation de la demande, l’IA peut optimiser le pilotage des flux par l’aval dans la chaîne logistique afin de réduire la probabilité de survenue de ce problème coûteux. Comme l’explique le Boston Consulting Group dans un rapport publié en avril 2023 et intitulé Amid uncertainty : AI gives retailers a path to resilience, les algorithmes d’IA dépassent largement les capacités humaines car ils sont capables de prévoir la demande à l’aide d’une multitude d’entrées et de fournir de solides cas d’utilisation en matière de merchandising et de gestion des stocks. Ceci contribue clairement à réduire les ruptures, un problème endémique depuis des décennies.

Source : d’après Forbes, 10 juillet 2023.

C’est sans doute à ce niveau que les évolutions seront les plus significatives à moyen terme. La recherche doctorale conduite par des Garets (1991) avait précocement souligné que la question majeure pour améliorer le pilotage des flux par l’aval serait, pour les distributeurs, de savoir traiter et interpréter des milliards de données. Certains outils de projection d’IA en termes de mégadonnées et de réseaux neuronaux sont justement conçus pour faire émerger des informations et de la connaissance à partir de nombreuses sources, notamment les enregistrements de ventes passées, les achats des clients en temps réel, les mentions sur les réseaux sociaux et les indicateurs économiques et géopolitiques dominants. En outre, les outils de projection d’IA peuvent être utilisés pour faciliter une meilleure collaboration entre les maillons de la chaîne logistique en permettant de partager les données, notamment entre le magasin et son hub régional.

Depuis les années 1980, les grands distributeurs ont mis en place des systèmes d’approvisionnement fondés sur des entrepôts et des plates-formes, autrement dit des hubs régionaux (Filser et al., 2020). En d’autres termes, les livraisons directes n’ont plus cours, sauf pour des produits régionaux dont la clientèle est locale. L’interface entre le point de réception des produits et l’industriel fournisseur est ainsi une sorte de « nœud logistique » dont le fonctionnement plus ou moins performant conditionne la réussite du pilotage des flux par l’aval. On comprend en effet sans peine d’une gestion efficace des données de ventes par l’IA risque d’être totalement annihilée par des défaillances récurrentes au niveau de la gestion des opérations logistiques sur les hubs régionaux. C’est pourquoi l’IA est de plus en plus utilisée pour automatiser une série de tâches, notamment la réception, la mise en stock et la préparation de commandes.

Mieux « performer » le fonctionnement du hub régional

Un hub régional, sauf lorsqu’il s’agit d’une simple plate-forme de transit, a principalement pour mission d’actionner au mieux l’entreposage des produits (dimension opérationnelle) et la gestion des stocks de produits (dimension managériale). Dans les deux cas, l’IA constitue une réserve importante de productivité pour les grands distributeurs, et la multiplication des publications sur le hub intelligent et le hub 4.0, soulignée par la revue de littérature de El Kihel (2022) en fournit un excellent indicateur (voir la Figure 2). Concernant l’entreposage, les robots intelligents avec vision par ordinateur et apprentissage automatique performent les opérations en automatisant des tâches telles que le tri et l’emballage (voir par exemple l’étude de cas JD.com conduite par Qin et al. [2022]). Ces robots peuvent travailler aux côtés de salariés, réduisant ainsi les erreurs qu’ils ou elles pourraient commettre. Plus largement, les systèmes fondés sur l’IA optimisent l’affectation des produits, ce qui entraîne une préparation plus rapide des commandes et une satisfaction accrue des points de réception avec un niveau de qualité de service accru.

Figure 2. Une littérature croissante sur le hub intelligent et le hub 4.0

Source : d’après El Kihel (2022).

Les robots mobiles autonomes deviennent notamment un outil utilisé au sein d’un nombre croissant d’entrepôts dans la mesure où ils sont capables de fonctionner de manière indépendante : en intégrant l’IA, ils exécutent efficacement des tâches complexes liées au fractionnement extrême des livraisons dans un contexte de disparition de l’approvisionnement par palettes complètes au profit de palettes composites. De plus, ces robots ont la possibilité de s’adapter aux configurations changeantes des hubs régionaux et aux exigences opérationnelles. Dans les environnements où l’IA conduit à une interaction homme/femme-machine s’étant intensifiée (Zanzotto, 2019), la synergie permet aux humains de se concentrer sur des tâches plus complexes qui nécessitent une forte dose de créativité et des compétences spécifiques en résolution de problèmes, tandis que l’IA se concentre sur des tâches répétitives (voir l’illustration n° 2).

Illustration n° 2. Walmart à l’avant-garde de l’utilisation de l’IA dans ses hubs

Walmart vise à automatiser tous ses hubs régionaux d’ici une dizaine d’années dans le cadre d’un partenariat élargi avec le spécialiste de l’IA : Symbotic. Le système évolutif mobilisant l’IA comprend une flotte de robots entièrement autonomes en vue d’accélérer le débit tout en augmentant la capacité de l’entrepôt en matière de déchargement, de tri et de stockage des produits. La technologie de Symbotic s’appuie sur des charges palettisées triées par familles, permettant à Walmart de mettre plus rapidement les produits dans les rayons de ses magasins nord-américains. Selon Symbotic, les hubs régionaux contribuent à moderniser la chaîne logistique du distributeur en accélérant la réponse aux commandes des magasins, en améliorant la précision de la gestion des stocks et en augmentant la capacité de réception et d’expédition des produits vers les magasins. D’autres avantages incluent la simplification et la sécurité de la manutention et la création de nouveaux emplois technologiques.

Source : d’après Supermarket News, 23 mai 2022.

Si l’on s’intéresse à la gestion des stocks sur le hub régional, force est d’admettre qu’il s’agit d’un défi permanent pour les professionnels de la logistique depuis des décennies. Or, là aussi, l’IA peut fournir des données en temps réel sur les niveaux de stocks, les habitudes de consommation des consommateurs et les délais de livraison, permettant ainsi aux grands distributeurs de réaliser des opérations plus simples et de réduire leurs coûts. En utilisant des algorithmes d’apprentissage automatique, les systèmes d’IA peuvent prédire les niveaux de stock optimaux, minimiser les stocks excédentaires et même automatiser les processus de réapprovisionnement, dimension essentielle d’une chaîne logistique réactive (Weber et Schütte, 2019). Une telle gestion des stocks basée sur l’intelligence, dans une pure logique de knowledge management, favorise une meilleure satisfaction de la demande par un accroissement du niveau de service client et améliore les flux de trésorerie par une réduction drastique des besoins en fonds de roulement.

Optimiser (durablement) le processus de livraison

Bien évidemment, si le hub régional en tant que point d’origine des produits a pour fonction d’assurer l’interface entre le point de destination des produits (par exemple, un drive piéton), il est impossible d’ignorer l’activité d’acheminement. Même si le modèle de la livraison en quelques heures (le « same-day delivery »), comme initié par Amazon ou, plus récemment, Picard Surgelés, implique la présence de dépôts de petite taille localisés au cœur des villes (Paché, 2023), à partir desquels les produits parcourent quelques centaines de mètres, le cas le plus courant demeure celui de transports qui se déploient sur plusieurs dizaines de kilomètres puisque les hubs régionaux ont besoin d’un espace important, loin des villes. Dans un contexte de crise climatique qui met en avant les enjeux environnementaux associés au transport de marchandises, largement soulignés par les chercheurs (Zhao et al., 2020), il est clair que les grands distributeurs doivent urgemment penser des livraisons durables.

Quelles sont les perspectives qu’offre l’IA en la matière ? Les exemples les plus souvent donnés, notamment dans la presse professionnelle, concernent la planification optimisée d’itinéraires, ce qui renvoie d’ailleurs… à des questions abordées en logistique dès le début des années 1970, notamment dans l’ouvrage de Kolb (1972). Les algorithmes d’IA peuvent en effet optimiser la planification d’itinéraire de livraison en tenant compte de divers facteurs tels que les conditions de circulation (embouteillages aux heures de pointe), le coût du carburant et les fenêtres de livraison imposées par le point de réception. En exploitant l’historique et les données en temps réel, l’IA est capable d’identifier les itinéraires les plus efficaces, surtout au cœur des villes, recommander des modes de transport alternatifs et même optimiser le chargement des véhicules. Ces systèmes logistiques intelligents minimisent les émissions de CO₂ (Abduljabbar et al., 2019), tout en accroissant le niveau d’agilité dont fait preuve le processus de livraison (voir l’illustration n° 3).

Illustration n° 3. L’AI en soutien du transport

Ce que l’on dénomme désormais la smart mobility s’appuie de plus en plus systématiquement sur l’Internet des Objets (IoT) avec des capteurs permettant de suivre et tracer en temps réel les acheminements. Par exemple, si un véhicule s’écarte de son itinéraire, tombe en panne ou dépasse la vitesse maximale, le système enverra une alerte immédiate. Le prochain défi consiste à planifier l’itinéraire de chacun de ces véhicules de livraison en associant l’IoT et l’IA au sein d’une plateforme d’Intelligence Artificielle des Objets (AIoT). En combinant les données des capteurs IoT avec des analyses d’IA, les facteurs économiques, opérationnels et énergétiques seront pris en compte pour augmenter l’efficacité opérationnelle des livraisons. Lors de leur attribution aux différents véhicules et de la détermination du meilleur itinéraire, l’IA prend en compte des paramètres tels que la combinaison de produits à livrer, les délais de livraison, les caractéristiques des produits, le volume de chargement et le type de véhicule.

Source : d’après Telefonica Tech, 26 septembre 2022.

Mais l’IA ne s’arrêtera certainement pas à une optimisation des itinéraires entre le hub régional et les points de réception des produits. Elle devrait au contraire avoir un impact majeur sur le commerce alimentaire et non alimentaire dans l’utilisation de nouveaux moyens de traction. Sans tomber dans la science-fiction, même si celle-ci peut avoir des vertus en management (Michaud et Appio, 2022), il est fort probable que l’utilisation de véhicules autonomes se développe rapidement dans un avenir très proche. L’un des facteurs explicatifs est que la technologie progresse rapidement, alors qu’il existe une pénurie de chauffeurs qualifiés. Selon nombre d’observateurs, la technologie deviendra une option attrayante pour les grands distributeurs à mesure qu’elle deviendra plus fiable, sachant qu’il est impossible de déterminer avec précision quand les véhicules autonomes seront d’un usage courant compte tenu de normes de sécurité à respecter (Bendiab et al., 2023), et d’un droit des robots ad hoc restant à construire, même si McKinsey & Company prend le risque de projeter 2027 comme étant l’année de la généralisation des véhicules autonomes (voir la Figure 3).

Figure 3. Quatre vagues vers la généralisation des véhicules autonomes

Source : McKinsey & Company.

Conclusion

Écrire que l’IA est sur le point de révolutionner le fonctionnement de la plupart des chaînes logistiques n’est pas véritablement un « scoop ». En effet, quel que soit leur secteur d’activité et leur taille, les entreprises sont à la recherche de nouveaux gisements d’optimisation des flux, facteurs d’une compétitivité-coût ‒ et prix ‒ renouvelée, et même lorsque le positionnement est celui d’une différenciation par le service offert aux clients, la logistique joue un rôle essentiel, par exemple avec des niveaux élevés de réactivité à une demande parfois volatile. Les grands distributeurs, tant online qu’offline, n’échappent pas à cette tendance structurante, et en exploitant la puissance algorithmique de l’IA, ils ont compris que les possibilités d’améliorer le pilotage des flux par l’aval, d’optimiser la gestion des stocks, d’automatiser les opérations d’entreposage et de livrer au mieux leurs magasins, leurs drives et leurs points relais n’ont jamais été aussi importantes. En bref, l’avenir de la chaîne logistique réside sans aucun doute dans l’intégration intelligente des technologies d’IA, ouvrant la voie à un écosystème plus agile, résilient et durable, lit-on dans une presse professionnelle souvent dithyrambique, alors même que Reigeluth (2022) n’hésite pas à parler de son côté de « rapport magique » à l’IA.

Or, il ne faudrait pas imprudemment déifier l’IA dont l’une des principales limites est l’existence de biais constitués par l’existence de données incomplètes ou volontairement tronquées, couplées à des algorithmes complexes (comme les réseaux de neurones), facteurs d’importantes asymétries informationnelles. Un système d’IA biaisé peut ainsi être volontairement pensé pour donner la priorité à certains paramètres logistiques, conduisant à une sous-utilisation de ressources dans certains domaines, par exemple une optimisation du processus de livraison contraire à celle du rangement des produits et de la préparation des commandes dans un hub régional. Plus largement, les algorithmes complexes de l’IA peuvent nuire au « pouvoir d’agir » des équipes, comme le souligne Galière (2023), et finalement générer de puissantes résistances à l’adoption d’une innovation pourtant majeure, qui nécessite sans conteste un changement d’état d’esprit et de culture organisationnelle : les salariés de la logistique doivent être formés pour travailler avec l’IA, et la direction générale doit être prête à mettre en œuvre une prise de décision fondée sur les données… dont on vient d’indiquer qu’elles peuvent être incomplètes ou tronquées.

Garantir la qualité des données tout au long de la chaîne logistique peut, de toutes les façons, s’avérer extrêmement difficile lorsque le réseau de fournisseurs est complexe, avec plusieurs niveaux de décomposition (rang 1 à rang n) et des localisations géographiques éclatées sur de grandes échelles, comme c’est le cas pour les chaînes globales de valeur. Sans oublier le fait que le développement et l’intégration de l’IA dans l’architecture existante d’une chaîne logistique peuvent prendre du temps et représenter des coûts élevés (Sharma et al., 2022). Il s’agira en effet d’investir lourdement dans l’infrastructure, la formation des salariés et les activités de maintenance pour tirer pleinement parti des avantages potentiels de l’IA. De telles dimensions ne doivent pas être sous-estimées, au risque d’opter pour une vision purement instrumentale de l’IA, alors que sa dimension politique au sens de Morgan (1986/2006), autrement dit le fait que la chaîne logistique renvoie à un assemblage de sous-ensembles et d’objectifs qui s’opposent parfois dans leur manière de projeter la dynamique des flux, revêt une importance cruciale que personne ne contestera. Rien de surprenant au fond lorsque l’on se penche sur des processus plus anciens d’adoption d’une innovation de nature informationnelle, et qui ont eux aussi été confrontés à une logique clairement « politique ».