Plus d'autonomie pour l'IA et nouvelles questions sur le rôle humain dans les entrepôts

Le débat mondial sur la manière de contrôler l'avancée de l'intelligence artificielle et quelles décisions devraient rester sous surveillance humaine commence à se déplacer vers un terrain de plus en plus concret : les entrepôts et les chaînes d'approvisionnement. L'évolution technologique ne se limite plus à des systèmes capables d'analyser des informations ou d'élaborer des prévisions, mais avance vers des outils qui peuvent recommander des actions, exécuter des processus et même intervenir physiquement sur une opération.

La discussion prend de l'ampleur alors que des organismes internationaux et des gouvernements analysent de nouvelles sauvegardes, des exigences de transparence et des mécanismes de surveillance humaine face à la croissance de systèmes plus autonomes. L'ONU a remis ce mois-ci la gouvernance de l'IA parmi ses priorités et a appelé à renforcer la sécurité, la responsabilité et le contrôle humain sur ces technologies.

Parallèlement, deux analyses récentes liées spécifiquement aux chaînes d'approvisionnement montrent que cette même question traverse déjà la logistique : jusqu'où convient-il de déléguer des décisions à l'IA à mesure que sa capacité d'agir sur les opérations augmente.

Du traitement des données à la prise d'actions

Une récente analyse élaborée dans le milieu académique spécialisé en transport et logistique décrit une évolution depuis les systèmes prédictifs vers l'IA générative et, enfin, ce que l'on appelle l'IA agentique, capable d'intervenir sur des tâches et des décisions avec différents niveaux d'autonomie.

La différence est pertinente pour les chaînes d'approvisionnement. Tandis qu'un modèle prédictif peut anticiper la demande ou détecter d'éventuels écarts, un agent peut utiliser ces informations pour proposer une réponse, initier un flux de travail ou exécuter certaines actions dans les limites établies par l'organisation.

Cette capacité ouvre de nouvelles possibilités pour les processus d'approvisionnement et de logistique, mais introduit également une distinction sur le type de décisions qu'il convient d'automatiser.

L'analyse souligne que les agents trouvent un terrain plus approprié dans les décisions routinières, réversibles et à coûts limités. En revanche, les décisions stratégiques, à fort impact ou difficiles à inverser nécessitent de maintenir l'intervention et le jugement humain. L'évolution vers une autonomie accrue n'implique donc pas nécessairement d'éliminer les personnes du processus décisionnel.

Quatre tendances rapprochent l'IA de l'opération

Cette transition commence à être observée de manière particulière dans les entrepôts. Une étude sectorielle diffusée récemment identifie quatre grandes tendances de l'intelligence artificielle, classées selon leur niveau de sophistication et leur capacité d'action.

La première correspond à l'IA traditionnelle orientée vers l'optimisation, qui intègre des volumes de données en temps réel plus importants et des algorithmes plus sophistiqués. Ses applications incluent la prévision de la demande, la planification de la main-d'œuvre, l'optimisation des itinéraires et la gestion des stocks.

Le deuxième niveau est l'IA générative appliquée directement aux opérations. Ces systèmes peuvent élaborer des procédures opérationnelles, des instructions de travail, des protocoles pour résoudre les exceptions et des outils qui soutiennent la prise de décision en utilisant des informations structurées et non structurées.

Un troisième groupe est formé par les agents suggestifs et semi-autonomes. Là, la technologie commence à franchir la frontière entre recommander et agir : elle peut analyser des données, suggérer des actions et exécuter partiellement des processus composés de plusieurs étapes. Parmi les exemples figurent l'attribution des tâches, la gestion des exceptions et la distribution des ressources.

Enfin, apparaissent les agents physiques d'IA, où l'intelligence artificielle se combine avec la robotique et les capteurs pour agir directement sur l'entrepôt. Le prélèvement, l'emballage, le tri et la manipulation de matériaux sont parmi les tâches envisagées.

Le contrôle humain apparaît comme une condition

La progression technologique n'élimine pas, cependant, la discussion sur qui conserve le contrôle des opérations.

La recherche sectorielle indique que le succès de ces outils dépendra, entre autres facteurs, de la génération de confiance par des décisions transparentes, de la promotion de la collaboration entre travailleurs et systèmes intelligents et de l'utilisation de l'IA pour résoudre des problèmes opérationnels spécifiques.

Elle propose également d'avancer de manière graduelle : commencer par des cas d'usage plus consolidés, comme les prévisions et l'attribution de la main-d'œuvre, puis étendre l'utilisation vers des outils génératifs et des agents ayant une plus grande capacité d'action.

Dans ce parcours, le document pose explicitement que le maintien d'une supervision humaine pendant l'évaluation de nouveaux cas d'usage sera un élément central pour exploiter les capacités de l'IA au sein des chaînes d'approvisionnement.

Ce critère coïncide avec une préoccupation qui traverse actuellement la discussion internationale sur la technologie. L'OCDE inclut parmi ses principes la nécessité de disposer de mécanismes qui préservent la capacité d'intervention et de supervision humaine, tandis que les cadres réglementaires qui avancent à l'international intègrent également des exigences de transparence, de traçabilité et de contrôle pour certaines applications à plus haut risque.

Une nouvelle frontière pour l'automatisation logistique

Le point de changement pour la logistique apparaît lorsque l'intelligence artificielle cesse de se limiter à produire des informations et commence à intervenir sur les décisions et les processus physiques.

Pour les entrepôts, cela suppose de passer progressivement d'algorithmes qui recommandent comment distribuer les inventaires à des agents qui pourraient gérer les exceptions, attribuer des ressources ou coordonner des parties d'un flux de travail, tandis que les systèmes physiques portent ces capacités jusqu'à des tâches concrètes sur la marchandise.

La discussion sur les limites de l'IA acquiert ainsi une dimension opérationnelle pour les chaînes d'approvisionnement. Plus la capacité des systèmes à agir par eux-mêmes est grande, plus il devient important de définir ce qu'ils peuvent exécuter de manière autonome, quelles décisions nécessitent une validation et à quel moment une personne doit intervenir.