Un entrepôt plein de références qui ne sortent pas, et à côté, une rupture sur le produit phare de la semaine : la scène est familière à tous les responsables de site. Derrière ce paradoxe se cache presque toujours la même cause, une prévision de la demande approximative, qui se répercute en cascade sur la gestion des stocks, la planification des équipes et l’affrètement.
La prévision de la demande consiste à estimer, à un horizon donné, les quantités que les clients voudront acheter. Le S&OP (Sales & Operations Planning) est le processus qui confronte cette demande aux capacités de l’entreprise. L’éditeur SAP le décrit comme un processus de management intégré qui construit un consensus entre les fonctions pour équilibrer l’offre et la demande, généralement sur un cycle mensuel. L’intelligence artificielle logistique promet d’améliorer ces deux briques. Mais que change-t-elle concrètement, et à quelles conditions ? Nous verrons d’abord pourquoi la prévision reste le maillon fragile de la chaîne, puis ce que les modèles d’IA apportent, avant d’examiner comment les intégrer dans un S&OP qui tient la route sur le terrain.
Pourquoi la prévision de la demande reste le maillon fragile
Une erreur d’estimation qui s’amplifie dans tous les flux
Une prévision n’est jamais juste, mais son erreur ne se contente pas de rester sur le tableau de planification. Trop optimiste, elle gonfle les stocks, immobilise de la trésorerie et sature les emplacements. Trop prudente, elle provoque des ruptures, des expéditions en urgence et des commandes perdues. Dans les deux cas, l’entrepôt absorbe le choc : pics de réception imprévus, heures supplémentaires, quais encombrés. Une bonne optimisation des stocks commence donc bien en amont de l’entrepôt, au moment où l’on décide de ce qu’il faudra y mettre.
Ce phénomène porte un nom depuis les travaux de Hau Lee, Padmanabhan et Whang, publiés en 1997 : l’effet coup de fouet (« bullwhip effect »). De petites variations de la demande finale se transforment en oscillations de plus en plus fortes à mesure que l’on remonte vers les fournisseurs, parce que chaque maillon corrige sa propre prévision avec ses propres marges de sécurité. Mieux partager une prévision commune est l’un des remèdes classiques.
Où se situent les entreprises aujourd’hui ?
Les repères chiffrés existent, avec des précautions de lecture. Selon une étude de l’APQC relayée par SDC Executive, sur un échantillon de plus de 400 organisations, la précision des prévisions atteint environ 95 % chez les meilleures, 90 % pour la médiane et 80 % chez les moins performantes. La publication ne précise pas la date de collecte : il s’agit d’un ordre de grandeur à manier avec prudence, d’autant que la précision dépend fortement du niveau d’agrégation (famille de produits ou référence, mois ou semaine).
L’écart de quinze points entre les extrêmes paraît modeste sur le papier. Il est considérable en pratique : sur un flux de milliers de palettes par semaine, quelques points de précision séparent un entrepôt serein d’un site qui vit en mode pompier. La question devient alors : que peuvent apporter des modèles plus puissants ?
Ce que l’IA apporte à la prévision
Plus de signaux, une granularité plus fine
Les méthodes statistiques traditionnelles s’appuient surtout sur l’historique des ventes. Les modèles d’apprentissage automatique peuvent y ajouter des variables externes : promotions, calendrier, météo, prix, ruptures chez les concurrents ou données de points de vente. Ils sont aussi capables de produire des prévisions à l’échelle de chaque référence et de chaque site, là où une équipe de planification n’a le temps de traiter que les références les plus importantes. Pour un responsable de gestion des flux logistiques, cela signifie un signal plus précoce sur les pics à venir.
Les ordres de grandeur avancés par le secteur sont parlants, mais ils viennent surtout d’acteurs qui ont intérêt à les mettre en avant. DP World indique ainsi, dans son livre blanc de septembre 2025, que les entreprises utilisant l’IA déclarent jusqu’à 50 % d’erreurs de prévision en moins et 65 % de ventes perdues en moins ; le document ne détaille ni la méthodologie ni l’échantillon, et « jusqu’à » désigne un meilleur cas, pas une moyenne. McKinsey, de son côté, rapportait en 2021 que les premiers adoptants de l’IA dans la supply chain avaient amélioré leurs coûts logistiques d’environ 15 %, leurs niveaux de stock d’environ 35 % et leurs niveaux de service d’environ 65 % par rapport à des concurrents plus lents, sans préciser les bases de calcul. Ces chiffres sont à lire comme des signaux de direction, pas comme des promesses de résultat.
Les limites que les démonstrations oublient
Un modèle d’IA ne vaut que par ses données. Un historique de ventes contaminé par des ruptures (on a vendu moins parce qu’on n’avait rien en stock) apprend une demande faussée. Les produits nouveaux, sans historique, restent difficiles à prévoir. Et un algorithme performant sur le papier peut perdre la confiance des équipes s’il se comporte comme une boîte noire. Mieux vaut des modèles explicables, des écarts expliqués et des planificateurs qui gardent la main sur les cas particuliers.
Le calendrier compte aussi. McKinsey relevait en 2021, dans la même publication, que plus de 60 % des projets de transformation de la planification étaient en retard ou dépassaient leur budget. L’outil n’est donc pas le principal risque : c’est l’intégration dans les pratiques quotidiennes, ce qui nous amène au S&OP.
Intégrer l’IA dans un S&OP qui fonctionne
Un cycle mensuel qui part de la donnée
Dans la description qu’en donne SAP, le cycle S&OP enchaîne la préparation des données (performance du plan, tendances, précision des prévisions), la planification de la demande, la planification de l’offre, une revue de réconciliation entre fonctions, puis la validation par la direction. L’IA s’insère naturellement dans les deux premières étapes : elle produit une prévision de départ et met en évidence les écarts significatifs. Les réunions peuvent alors se concentrer sur les arbitrages, au lieu de reconstruire les chiffres.
Côté entrepôt, ce lien avec le WMS est précieux. Une prévision par semaine et par famille de produits permet d’anticiper les besoins en emplacements, en préparateurs et en quais, plutôt que de les découvrir le lundi matin. Réciproquement, les données réelles du WMS (taux de service, ruptures, retours) nourrissent les modèles et améliorent leur apprentissage.
Quatre réflexes pour démarrer sans s’égarer
Première étape : mesurer. Sans indicateur d’erreur de prévision suivi par famille de produits, impossible de savoir si l’IA apporte quelque chose. Deuxième étape : nettoyer, en corrigeant l’historique des ruptures et des promotions exceptionnelles. Troisième étape : tester sur un périmètre limité, par exemple une catégorie à forte rotation, en comparant l’IA à la méthode actuelle sur plusieurs cycles. Quatrième étape : clarifier le rôle des humains, qui ajustent la prévision avec des informations que le modèle ne voit pas (un client qui prévient d’un gros volume, un chantier qui bloque une route).
Enfin, un point souvent oublié : une meilleure prévision ne suffit pas si les décisions suivent mal. Si les délais d’approvisionnement sont longs ou si les capacités de stockage sont rigides, une prévision parfaite ne résout pas tout. Elle réduit l’incertitude, elle ne supprime pas les contraintes.
Conclusion : de la prévision à la décision
La prévision de la demande reste le point de départ de toute la chaîne : elle conditionne les stocks, les effectifs et les transports. L’intelligence artificielle logistique en améliore la finesse et la rapidité, mais elle n’a de valeur que si les données sont propres, les indicateurs suivis et les équipes impliquées dans le S&OP. Les chiffres publiés par les éditeurs et les cabinets sont encourageants, tout en restant, pour une bonne part, déclaratifs.
La prochaine étape se joue déjà : des plans qui se recalculent en continu à partir des signaux du terrain, et des planificateurs qui passent moins de temps à produire des chiffres et davantage à décider. Pour un directeur de site, la question utile n’est plus « faut-il de l’IA ? » mais « quelle décision de mon S&OP gagnerait le plus à être mieux éclairée ? »
Références et sources
- McKinsey & Company, « Succeeding in the AI supply-chain revolution », 30 avril 2021 (gains des premiers adoptants : logistique ≈ 15 %, stocks ≈ 35 %, service ≈ 65 % ; plus de 60 % des projets de planification en retard ou hors budget) : mckinsey.com. Source datée, méthodologie non détaillée.
- APQC, « Metric of the Month: How Top Performers Improve Forecast Accuracy in Supply Chain Planning » (95 % / 90 % / 80 %), relayé par SDC Executive, date non indiquée : sdcexec.com. Source secondaire.
- DP World, « Smarter, Safer, Stronger: How AI Can Transform the Global Supply Chain », septembre 2025 (jusqu’à 50 % d’erreurs de prévision en moins, 65 % de ventes perdues en moins, chiffres déclaratifs), cité par Trax Technologies : traxtech.com. Source secondaire.
- SAP, « What is sales and operations planning (S&OP)? » (définition et étapes du cycle) : sap.com.
- Lee, H., Padmanabhan, V., Whang, S., « The Bullwhip Effect in Supply Chains », 1997 (référence historique sur l’effet coup de fouet, cité sans chiffre) : hbr.org.
Par Midane RAMDANI
Votre commentaire