Agents IA et logistique : 7 thèses sur l'avenir de la chaîne d'approvisionnement

Le secteur de la logistique perçoit un fort potentiel dans ces assistants numériques. Comme souvent avec les technologies émergentes, le sujet suscite beaucoup d’intérêt, sans comprendre exactement ce qu’est un agent IA. Sa définition  peut d’ailleurs varier selon les usages. D’une manière générale, les agents IA sont des applications logicielles qui combinent l’intelligence artificielle générative avec des mécanismes d’automatisation basée sur des règles. Cette combinaison donne naissance à des entités numériques qui, dans un domaine d’activité défini, comprennent les demandes et les données saisies, identifient les actions nécessaires pour atteindre des objectifs prédéfinis, puis exécutent et surveillent ses actions.

Par exemple, dans le suivi des colis, un agent IA peut comprendre des informations issues de systèmes de suivi ou de messages non structurés. A partir de ces données, il détermine la réponse la plus appropriée et déclenche les actions correspondantes. Selon le statut du colis, il informe directement le client concerné ou transmet le dossier à un conseiller du service client pour un traitement plus approfondi.

7 thèses pour comprendre les enjeux clés de cette évolution

• Thèse 1 : la frontière entre les agents IA et les assistants IA devient de plus en plus floue

Dans l'idéal, un agent IA agit comme un système autonome qui décide lui-même quand et comment faire appel à un humain. Mais dans la réalité, l’agent IA joue plutôt le rôle d'assistant et n'effectue que peu d’actions sans l'accord d’un humain. Selon la qualité des résultats générés par l'IA et les exigences du processus, des modèles hybrides émergent progressivement. La distinction entre agent IA et assistant IA devient de plus en plus étroite, et finissent par se confondre.

• Thèse 2 : les agents IA transforment les processus logistiques

Les premiers systèmes d'agents sont testés principalement aux points d’interaction entre les différents acteurs de la chaîne d'approvisionnement. Par exemple, des agents IA s'occupent de saisir les données d'expédition nécessaires sur les plateformes logistiques. Ces données peuvent venir de sources variées : textes non structurés, documents, messages vocaux, humains ou autres agents IA. Grâce au nouveau Model Context Protocol (MCP), les grands modèles de langage peuvent communiquer de manière plus fluide avec des systèmes et des bases de données tiers, donnant naissance à une nouvelle forme d’interfaces de données et remplaçant les interfaces EDI et API actuelles. Dans les services achats et ventes, les agents IA récupèrent ainsi les premières informations sur les caractéristiques et la disponibilité des produits et services, comparent les conditions contractuelles et les négocient. Ils sont déjà testés dans les premiers projets pilotes.

• Thèse 3 : les agents IA font des erreurs

Un agent IA ne parvient pas toujours à interpréter les données et ne déclenche donc pas toujours l'action souhaitée. Cette limite constitue l’un des principaux défis de nombreux cas d’usage. Même les systèmes les plus performants n’atteignent aujourd’hui qu’un taux de décision correcte estimé entre 90 et 95 %. Dans ce contexte, la capacité de l’agent à évaluer la fiabilité de sa propre décision, à identifier le processus en cours et à déterminer les règles de décision adéquates joue un rôle déterminant dans la qualité des résultats obtenus. En raison de ce taux d’erreur inhérent aux agents d’IA, une évaluation des risques est toujours nécessaire : quelles sont les conséquences des erreurs occasionnelles et comment un modèle économique est-il capable de les gérer ? A l’heure actuelle, de nombreux processus ne peuvent pas encore être confiés intégralement à des agents d’IA.

• Thèse 4 : les agents IA font partie de l'équipe

Leurs capacités, mais aussi leurs faiblesses, qui ressemblent parfois de manière surprenante à celles d’un être humain, font des agents IA bien plus que de simples logiciels. Ils s’apparentent davantage à de véritables membres d’une équipe. Conçus et entraînés pour accomplir des missions variées, les agents IA peuvent interagir avec les humains. À l’avenir, les collaborateurs leur délégueront des tâches et travailleront de manière répété pour atteindre le résultat souhaité. Et ce, non pas avec un seul agent IA, mais avec plusieurs à la fois, chacun nécessitant lui aussi un temps pour « réfléchir ». Pour être performants, les agents IA ont besoin de connaître le contexte de leur action grâce à des données de qualité et des consignes précises(prompts). Leur efficacité dépend donc d’un pilotage rigoureux et d’une intégration fluide au sein des équipes humaines, afin d’être acceptés comme de véritable « collègues ». Cela implique le développement rapide de nouvelles compétences managériales inédites pour l’avenir.

• Thèse 5 : tout le monde peut créer des agents IA

Outre la gestion et l'utilisation, la création d'agents, même simples, occupe désormais une place centrale dans le quotidien des professionnels de la logistique. Sous la dynamique du « Citizen Development » apparaissent des environnements permettant à de nombreux utilisateurs de créer et de déployer des agents d'IA simples grâce à des instructions ciblées et à la connexion de sources de données et de processus de travail. Les agents Copilot de Microsoft illustre parfaitement cette évolution dans le quotidien au bureau.

• Thèse 6 : les agents IA ne génèrent pas encore de retour sur investissement

Malgré un fort potentiel et des premiers gains d’efficacité déjà observés sur certains processus, les systèmes basés sur des agents peinent encore à démontrer un retour sur investissement. De nombreux agents IA en sont encore au stade du MVP (Minimum Viable Product) ou sont testés dans le cadre de projets pilotes, loin d’un déploiement à grande échelle dans les entreprises. Les coûts de développement, les licences pour les systèmes d’IA et la consommation de jetons pour les requêtes sur les grands modèles de langage (LLM) comme ChatGPT, Claude ou Mistral, sont significatifs, notamment lorsque les dépendances sont exclusives à un seul fournisseur ou un seul modèle LLM. À cela s’ajoutent les formations pour les collaborateurs et le temps nécessaire pour acquérir de l’expérience dans l’utilisation des agents IA. Comme toute innovation, l’adoption de ces nouvelles technologies suppose une phase d’apprentissage et d’investissement. Mais petit à petit, des indicateurs concrets et des analyses de retour sur investissement doivent aussi devenir des outils de pilotage des agents IA, afin de créer à moyen terme un cadre économique durable pour l’utilisation de l’intelligence artificielle.

• Thèse 7 : les agents IA façonnent l'avenir

Malgré les limites, les risques et les coûts, les agents IA vont s’imposer progressivement dans presque tous les processus de la chaîne d’approvisionnement. Ils vont modifier la nature de la collaboration, parfois limité, parfois profonde, mais la rendront plus efficace dans la plupart des cas. Ce ne sont pas seulement des agents IA individuels qui seront utilisés, mais des systèmes multi-agents qui interagiront entre eux et avec les humains.

À l’avenir, les agents IA deviendront des acteurs à part entière de la création de valeur dans la logistique, aux côtés des équipes humaines. La gestion des agents IA deviendra une nouvelle responsabilité pour les dirigeants. Stefan Hohm, Chief Development Officer (CDO) chez DACHSER, résume bien la situation : « L’IA ne remplace pas les dirigeants. Mais les dirigeants qui utilisent l’IA remplaceront ceux qui ne le font pas. »