Ce que l'IA générative fait vraiment à la planification de la supply chain
Chaque éditeur de solutions de planification propose désormais un copilote IA. Après quatorze ans à voir des fonctionnalités renommées et revendues, voici ce que cette technologie change réellement, et ce qu'elle ne change pas.
Depuis quatorze ans, j'observe le même schéma dans la technologie de la supply chain : une fonctionnalité est renommée, remaniée, puis revendue. « Demand sensing » est devenu « prévision par IA », puis « planification pilotée par le ML », et c'est aujourd'hui l'IA « générative » ou « agentique ». Les présentations commerciales changent plus vite que les mathématiques d'optimisation qui se trouvent en dessous.
J'ai donc entamé les recherches pour cet article en sceptique. J'en suis ressorti sceptique, mais nuancé. L'IA générative dans la planification est réelle, elle est déployée en production, et c'est la plus authentique amélioration de l'ergonomie des logiciels de planification depuis vingt ans. Mais la valeur qu'elle capture réellement est plus étroite, et plus prosaïque, que ce que promettent les keynotes. Il s'agit surtout de temps de planificateur économisé sur l'analyse et l'explication. Ce ne sont pas de meilleurs plans, et ce n'est pas une supply chain autonome.
Voici la distinction, et pourquoi elle compte pour savoir où dépenser son argent en 2026.
Ce qu'elle fait réellement, débarrassé du marketing
Une fois le vocabulaire mis de côté, l'IA générative fait aujourd'hui sept choses distinctes dans les environnements de planification en production. Aucune d'entre elles n'est « produire une meilleure prévision ».
Le premier est l'analytique en langage naturel sur les données de planification. La version Q2 2025 d'IBP de SAP a ajouté un add-in permettant aux planificateurs de générer des formules IBP dans Microsoft Excel en langage courant. Le bénéfice est une courbe d'apprentissage plus courte, pas un meilleur chiffre.
Le deuxième est la synthèse des exceptions et des perturbations. Les capacités d'analyse de SAP publiées fin 2025 résument des résultats complexes d'optimisation, de stock et de prévision, en traduisant des calculs intriqués en langage naturel clair. Le plan reste inchangé ; son explication se lit simplement plus vite.
Le troisième est la génération de scénarios en langage naturel : décrire une perturbation (« notre fournisseur d'acier principal ferme pendant trois semaines ») et obtenir une analyse d'impact en aval sans construire le scénario à la main.
Le quatrième est le copilote du planificateur, ou « collègue numérique ». Kinaxis a lancé Maestro Agents en octobre 2025, les positionnant comme des assistants contextuels intégrés à l'environnement de planification en direct.
Le cinquième est constitué des agents composites, multi-étapes, qui récupèrent, raisonnent et agissent à travers les systèmes. o9 a enrichi sa plateforme Digital Brain d'agents composites propulsés par l'IA générative, construits sur son graphe de connaissances d'entreprise.
Les sixième et septième, les données synthétiques pour la prévision à froid et la détection du risque fournisseur à partir de documents non structurés, sont d'une maturité plus précoce mais bien réelles. Blue Yonder a lancé de nouveaux agents IA et un graphe de connaissances de supply chain lors de son événement ICON 2025 en mai 2025, combinant des approches prédictives, génératives et agentiques.
Ce que l'IA générative ne fait manifestement pas dans un déploiement en production crédible : remplacer le moteur d'optimisation, générer seule des prévisions numériques défendables, ou prendre des décisions responsables d'engagement de plan. Chaque éditeur sérieux garde un humain dans la boucle et insiste sur « l'explicabilité », non pour des raisons marketing, mais parce que les industries régulées ne peuvent pas déléguer l'engagement d'un plan à un modèle incapable de justifier son raisonnement.
Le tableau comparatif des éditeurs
La course aux armements est réelle et elle est allée vite. Voici ce qui a réellement été livré, par opposition à ce qui a seulement été démontré.
| Éditeur | Produit | Livré | Argument phare (déclaré par l'éditeur) |
|---|---|---|---|
| SAP | Joule + Joule Agents, dans IBP | 2024–25 | 350 fonctionnalités IA, plus de 2 400 compétences Joule d'ici le T4 2025 |
| Kinaxis | Maestro Agents | Oct 2025 | Étapes de risque stock réduites de 40 clics à 4 (pharma) |
| o9 | Specialized AI Agents | Juin 2025 | Premier pilote d'IA générative passé en production |
| Blue Yonder | Cognitive Solutions + 5 agents | Mai 2025 | Construit sur un investissement IA de 2 Md$ ; adossé à un graphe de connaissances |
| Anaplan | CoPlanner for Demand Planning | Sep 2024 | IA générative contextuelle dans la planification |
| OMP | UnisonIQ | Oct 2025 | Cadre d'orchestration + assistant IA générative permanent |
| Microsoft | Copilot dans Dynamics 365 SCM | 2025 | Insights sur la demande + explicabilité au niveau cellule |
Le schéma est identique chez tous : l'IA se situe au niveau de la couche d'interface et d'orchestration. Elle aide le planificateur à poser des questions, à lire les résultats, et à déclencher des workflows. Le moteur de prévision et l'optimiseur en dessous sont, pour l'essentiel, les mêmes mathématiques déterministes qu'il y a trois ans.
Les chiffres, traités honnêtement
C'est ici que l'honnêteté intellectuelle sépare l'analyse de la sténographie. La statistique la plus citée de toute cette catégorie, à savoir que l'IA réduit l'erreur de prévision de 20 à 50 pour cent, remonte à un seul article de McKinsey. McKinsey a constaté que la prévision pilotée par l'IA peut réduire les erreurs, et que les coûts d'entreposage peuvent baisser de 5 à 10 pour cent, et les coûts administratifs de 25 à 40 pour cent. Cette fourchette est réelle, mais elle est recyclée à travers les présentations commerciales, puis dans les diapositives d'analystes, puis dans la presse spécialisée, souvent dépouillée de son contexte d'origine. Traitez-la comme un plafond illustratif, pas comme une référence que vous devriez attendre.
La couche d'études de cas 2025 est plus concrète mais quasi entièrement attribuée aux éditeurs :
- Kinaxis × pharma top 10 : productivité du planificateur multipliée jusqu'à 10, avec l'identification du risque stock réduite de 40 clics à 4.
- SAP IBP × Joule : productivité du planificateur dans l'analyse des cycles de prévision améliorée de 25 %, chiffre déclaré par l'éditeur.
- SAP Digital Manufacturing : jusqu'à 25 % de réduction du temps d'analyse des erreurs.
Lisez cela attentivement. « Productivité du planificateur multipliée par 10 » et « de 40 clics à 4 » sont la même affirmation énoncée deux fois, et ce qu'elles décrivent, c'est une réduction de clics, pas une qualité de prévision. C'est un gain de productivité authentique et précieux. Ce n'est pas non plus la même chose qu'un meilleur plan.
Quelle ampleur, et à quelle vitesse
Le dimensionnement du marché dans cette catégorie est proche de l'inutile, à moins de bien ancrer qui compte et comment la catégorie est définie. Les repères défendables :
Gartner prévoit que les logiciels de gestion de supply chain dotés de capacités d'IA agentique passeront de moins de 2 milliards de dollars de dépenses en 2025 à 53 milliards de dollars en 2030. Séparément, le marché plus large de « l'IA dans la supply chain » est évalué à environ 13,9 milliards de dollars en 2025, atteignant 50,4 milliards de dollars d'ici 2032 selon MarketsandMarkets, l'Amérique du Nord détenant la plus grande part.
Côté adoption, l'enquête McKinsey 2025 sur l'état de l'IA a révélé que 88 % des organisations utilisent désormais l'IA dans au moins une fonction métier, contre 78 % l'année précédente. Mais la même enquête contient le détail qui doit vous garder honnête : seule une minorité attribue à ce jour un impact mesurable sur les résultats. L'adoption est quasi universelle ; la captation de valeur ne l'est pas.
Là où je ne le déploierais pas encore
La littérature sur la prévision est étonnamment franche sur les points faibles de l'IA générative, et cette franchise vient de gens qui n'ont aucun intérêt à la sous-estimer. Le constat le plus sobre : lors de la compétition de prévision retail M5, le benchmark public le plus rigoureux de la discipline, la méthode gagnante n'était pas un grand modèle mais une combinaison à pondération égale d'arbres de gradient boosting, soumise par un étudiant de premier cycle. Ce résultat devrait tempérer toute affirmation d'un éditeur selon laquelle les grands modèles de langage améliorent la précision des prévisions. Ils améliorent leur explication.
Cinq modes de défaillance que je considérerais comme réels dans les déploiements 2025–26 :
- L'hallucination sur le raisonnement numérique. Les LLM sont médiocres en arithmétique et en optimisation contrainte. Les éditeurs pallient cela en routant les calculs vers des moteurs déterministes, mais dès que le modèle raconte le résultat, il peut s'en écarter.
- La dépendance à la qualité des données. Les pilotes réussissent sur des données soignées et meurent en production sur le désordre de données de référence sous-jacent. Le travail difficile en amont, gouvernance et données de référence, est le préalable, pas l'après-coup.
- Les lacunes de responsabilité. C'est pourquoi chaque éditeur insiste sur l'explicabilité. Un planificateur régulé ne peut pas engager un plan qu'il ne peut pas défendre lors d'un audit.
- La falaise entre pilote et production. Gartner prédit que plus de 40 % des projets d'IA agentique seront annulés d'ici fin 2027, citant des coûts qui s'envolent, une valeur incertaine, et des contrôles de risque inadéquats.
- L'illusion de l'habilitation : acheter la capacité sans préparer les équipes ni les données à s'en servir.
La conclusion inconfortable
L'IA générative est la meilleure amélioration d'ergonomie que les logiciels de planification aient connue depuis vingt ans. Un planificateur capable de demander « pourquoi la prévision a-t-elle changé pour ce centre de distribution la semaine dernière ? » et d'obtenir une réponse cohérente en trente secondes est authentiquement plus productif, et ce gain se compose à l'échelle d'une équipe.
Mais ce même planificateur ne produit pas automatiquement une prévision plus précise ni un meilleur plan d'approvisionnement. Le moteur qui génère le chiffre n'a pas changé. Le modèle l'explique simplement plus vite et vous permet de l'interroger en français ou en anglais.
La logique d'achat pour 2026 est donc simple. Payez pour la productivité, elle est réelle, et disponible auprès de votre éditeur en place sans pari risqué. Ne payez pas pour l'autonomie, car ce qui est vendu comme de l'autonomie est surtout de la réduction de clics affublée d'un nom plus onéreux. Et faites d'abord le travail peu glorieux de gouvernance des données, car c'est cette variable qui détermine réellement si tout cela survit au contact de la production.
La technologie est réelle. La transformation est plus modeste que le keynote. Ces deux affirmations sont vraies en même temps.
Sources
- SAP News Center. (2025). SAP Business AI: Release Highlights Q2 2025; Q4 2025. news.sap.com
- Kinaxis. (2025). Kinaxis Accelerates Agentic Era for Supply Chain Orchestration with the Launch of Maestro Agents. kinaxis.com
- o9 Solutions. (2024–2025). Composite Agents; Specialized AI Agents for Planning and Execution. o9solutions.com
- Blue Yonder / Business Wire. (2025). Blue Yonder Transforms Supply Chain Management With New AI Agents at ICON 2025. businesswire.com
- Anaplan. (2024). Anaplan CoPlanner for Demand Planning. anaplan.com
- OMP. (2025). OMP Unveils UnisonIQ. omp.com
- Microsoft Learn. (2025). Dynamics 365 Supply Chain Management 2025 Release Wave 1. learn.microsoft.com
- McKinsey & Company. (2021). AI-driven operations forecasting in data-light environments. mckinsey.com
- McKinsey & Company. (2025). The State of AI in 2025: Agents, Innovation, and Transformation. mckinsey.com
- Gartner. (2025). Gartner Predicts Over 40% of Agentic AI Projects Will Be Canceled by End of 2027. gartner.com
- Gartner. (2026). Gartner Forecasts Supply Chain Management Software with Agentic AI Will Grow to $53 Billion in Spend by 2030. gartner.com
- MarketsandMarkets. (2026). AI in Supply Chain Market. marketsandmarkets.com
- Makridakis, S., Spiliotis, E., & Assimakopoulos, V. (2022). The M5 Accuracy Competition: Results, Findings and Conclusions. International Journal of Forecasting.