Appel à contributions

Les chaînes logistiques mondiales ne manquent plus de données, ni d’algorithmes pour les traiter. Capteurs, plateformes, jumeaux numériques, IA générative : les outils se multiplient, les promesses s’accumulent. Et pourtant, une question fondamentale reste sans réponse claire : qui décide vraiment ?

Car entre le modèle qui prédit et le manager qui agit, il y a un espace que la technologie seule ne comble pas. Cet espace est organisationnel, managérial, humain. La valeur de l’IA en supply chain ne se joue pas dans la performance du modèle, mais dans la capacité à produire des décisions que les équipes comprennent, acceptent et peuvent effectivement mettre en œuvre.

Les disruptions post-pandémiques, les tensions géopolitiques, les impératifs de décarbonation et la montée de l’économie de la demande ont brutalement rappelé cette réalité : l’incertitude ne se calcule pas, elle se gouverne. Et la gouverner suppose des décisions intégrées (transverses aux fonctions), explicables (comprises et auditables), et actionnables (traduisibles en gestes, règles et arbitrages concrets sur le terrain).

De nombreuses organisations en font aujourd’hui l’expérience à leurs dépens : les preuves de concept se multiplient, les déploiements opérationnels peinent à suivre. L’IA optimise des fragments de chaîne sans toujours produire de valeur systémique. Les algorithmes recommandent, mais les décideurs hésitent; faute de comprendre la logique du modèle, faute de pouvoir l’expliquer à leurs équipes, faute de disposer des leviers pour agir.

C’est précisément cette articulation entre intelligence artificielle et pouvoir de décision que ce numéro entend explorer, en croisant regards de chercheurs et expériences de praticiens, pour produire des repères utiles à ceux qui, chaque jour, ont la responsabilité de décider.

Problématique et questions centrales

La question n’est plus de savoir si l’IA est capable de traiter des données logistiques complexes. Elle l’est, souvent mieux et plus vite que n’importe quelle équipe humaine. La vraie question est ailleurs : dans quelle mesure ces systèmes produisent-ils des décisions que les organisations sont réellement en capacité d’utiliser ?

Trois tensions structurent ce numéro.

1. Comment les décideurs logistiques (directeurs supply chain, responsables d’entrepôts, planificateurs, acheteurs) peuvent-ils s’approprier des systèmes conçus par des ingénieurs, dans des langages qu’ils ne maîtrisent pas, pour des objectifs qu’ils n’ont parfois pas définis ?
2. Comment garantir que les recommandations produites par ces systèmes s’intègrent dans les processus métier, soient comprises des équipes opérationnelles et restent réalisables dans les contraintes du terrain ?
3. Comment évaluer la valeur réelle de ces systèmes, non pas à l’aune de leur précision technique, mais de leur impact sur la performance opérationnelle et la qualité des décisions prises ?

Objectifs du numéro spécial

Ce numéro spécial vise à dépasser le débat sur les capacités de l’IA pour s’interroger sur ses conditions réelles d’utilité :

• identifier les mécanismes concrets par lesquels l’IA crée ou détruit de la valeur en supply chain, sur les dimensions de qualité de service, résilience, coûts, productivité, durabilité et gestion du cash;
• analyser les facteurs de succès et les obstacles à l’intégration opérationnelle de l’IA dans les processus logistiques;
• examiner les enjeux d’explicabilité et de confiance dans les systèmes décisionnels automatisés;
• évaluer l’impact de l’IA sur les compétences, les métiers et les modèles d’organisation;
• formuler des préconisations pratiques à destination des décideurs et des praticiens — non des promesses, mais des repères.

Axes et principaux thèmes attendus

Les contributions peuvent être théoriques, sectorielles, méthodologiques, applicatives ou sous forme de retour d’expérience. L’exigence commune est de relier l’IA à des décisions réelles et à leur performance, plutôt qu’à des modèles isolés.

Axe 1 — Décision intégrée et performance multi-objectifs
Qui décide quoi, à quel niveau, avec quelles informations ? C’est la question que posent les travaux sur l’alignement entre planification et exécution, la gestion multi-niveaux (stratégique / tactique / opérationnel) et les arbitrages multi-critères (service, coût, risque, carbone, cash). Les contributions peuvent proposer des cadres de pilotage et d’évaluation, y compris sur le passage de la visibilité à l’action au sein de hubs décisionnels. Car voir ne suffit pas, encore faut-il pouvoir agir.

Axe 2 — Architectures data-to-decision et control towers
Les données existent. Les tableaux de bord aussi. Ce qui manque souvent, c’est le fil qui relie l’information à la décision. Cet axe invite des analyses des architectures permettant de réunifier données, workflows et équipes (interopérabilité, qualité et latence des données, MDM, gestion événementielle), ainsi que des études sur les facteurs qui font qu’une control tower produit réellement des décisions, et pas seulement de la visibilité.

Axe 3 — Jumeaux numériques, simulation et couplage avec l’IA
Simuler, c’est décider avant d’agir. Encore faut-il que le jumeau numérique soit suffisamment fidèle à la réalité pour que la simulation soit utile. Cet axe accueille des contributions sur le rôle des jumeaux numériques pour anticiper, tester et corriger, et sur les conditions de maturité requises. Les approches critiques sont particulièrement bienvenues : la confusion entre simulation, ombre numérique et jumeau numérique reste fréquente, et les déploiements en boucle fermée demeurent rares.

Axe 4 — Du prédictif au prescriptif : optimisation, heuristiques et apprentissage par renforcement
Prévoir n’est pas décider. Entre la prévision de la demande et la décision d’approvisionnement, il y a un saut que beaucoup de systèmes ne franchissent pas. Cet axe invite des travaux articulant prévision et décision (allocation, stocks, transport, ordonnancement, planification sous incertitude) avec une attention particulière aux contraintes métier : temps de calcul, robustesse, gestion des exceptions. L’apprentissage par renforcement ouvre des perspectives prometteuses pour des politiques adaptatives, à condition d’évaluer rigoureusement les gains et les risques en conditions réelles.

Axe 5 — Explicabilité, interprétabilité et confiance des décideurs
Un décideur ne fait confiance qu’à ce qu’il comprend. C’est peut-être le verrou le plus sous-estimé de l’IA en supply chain. Cet axe porte sur les méthodes et les finalités de l’explicabilité : quelles explications pour quels métiers, à quel moment, avec quelle granularité. Les travaux sur l’intégration de fonctionnalités XAI dans les systèmes d’aide à la décision, ainsi que sur la distinction entre modèles intrinsèquement interprétables et explications post-hoc des boîtes noires, constituent un socle essentiel.

Axe 6 — Gouvernance, risques et conformité
Quand l’algorithme se trompe, qui est responsable ? La question n’est pas rhétorique. Elle structure l’ensemble des enjeux de gouvernance liés au déploiement de l’IA en supply chain : biais algorithmiques, dérive des modèles, qualité des données, sécurité, responsabilité. Cet axe invite des contributions s’appuyant sur des cadres structurants de gestion des risques et, le cas échéant, sur le cadre réglementaire européen en matière de transparence, documentation et supervision humaine.

Axe 7 — Humains, métiers et modèles d’affaires
L’IA ne remplace pas les décideurs. Elle redéfinit ce que décider veut dire. Cet axe accueille des retours d’expérience sur la transformation des rôles (planificateurs, analystes, responsables de flux), l’évolution des compétences, l’acceptation des outils et la redéfinition des routines et des responsabilités. Les contributions sur les nouveaux modèles économiques (services data/IA, plateformes, mutualisation inter-entreprises, control tower as-a-service) sont également attendues, ainsi que les travaux sur la façon dont l’IA reconfigure, en profondeur, la chaîne de valeur logistique.