Entre l’essor de l’IA, la transformation des méthodes de travail et la quête de souveraineté technologique, les acteurs de la Supply Chain cherchent à concilier performance opérationnelle et bien-être des équipes. Mais comment l’innovation, souvent présentée comme la solution miracle, s’articule-t-elle avec les réalités du terrain ?

Lors de la table ronde « Humain augmenté : la valeur ajoutée par la techno et le digital », des experts comme Pierre Chaffardon (Generix), Vanessa Clemendeau (Sanofi), Christophe Plouzeau (Louis Vuitton Malletier) ou encore Christophe Vandrome (Kuehne+Nagel) ont partagé leurs retours d’expérience.

Le grand enjeu de l’IA en logistique est l’aide à la décision pour mieux gérer les ressources humaines. Lors de la table ronde « Humain augmenté : la valeur ajoutée par la techno et le digital », Christophe Vandrome, Contract logistics Managing Director France de Kuehne+Nagel partageait son rêve d’une IA d’aide à la décision pour allouer les tâches selon les compétences et préférences des employés. Son objectif étant d’améliorer à la fois leur satisfaction et la performance et in fine la rétention.

Aujourd’hui, quelques POC fonctionnent en Europe sur ce principe mais le passage à l’échelle reste complexe car il exige d’évaluer les données RH (compétences, performances) et de structurer leur capture afin d’alimenter les modèles d’affectation et de planification des ressources. Christophe Vandrome mettait également en garde contre l’usage déshumanisant des données de productivité pour manager les équipes « ce n’est pas ça la vraie vie dans nos entrepôts. Si on veut avoir des gens avec la banane, il faut aussi qu’on manage nos datas dans le bon sens et très intelligemment ».

Crédit photo : Nathalie Vergès photographie

La gestion des ressources en entrepôt s’est aussi retrouvée au cœur des échanges lors de l’un des ateliers de l’après-midi dédié aux « Tendances Technologiques en Supply Chain ».  Un sondage en direct a permis de comparer les perceptions de la salle à celles du baromètre publié en début d’année par le LAB Digital & Techno de FRANCE SUPPLY CHAIN concernant l’IA dans la Supply Chain.

Le principal apport de l’IA en Supply Chain d’après les sondés de 2025 et la quarantaine de participants aux ateliers reste inchangé : l’optimisation de la demande grâce à l’IA (Demand Sensing). Des témoignages en ont détaillé des applications visant l’anticipation fine des activités, c’est-à-dire du resource planning en entrepôt (suite Databricks, corrélation multi-paramètres, machine learning, gains jusqu’à 10% sur les coûts de ressources) dont voici un résumé :

Tous les intervenants de la table ronde se sont accordés sur l’importance de rapidement expérimenter, accepter l’échec et pivoter dans le cadre de projet de transformation digitale ou technologique. Pierre Chaffardon, General Manager EMEA NORTH & APAC de Generix illustrait en rappelant que la valeur de l’IA réside dans la capacité à expérimenter et se tromper vite, en ne retenant que les cas d’usage alignés avec les objectifs business « sur la partie Computer Vision, on a développé des dizaines de cas d’usage à l’essai avec des clients [en co-construction] avant finalement de n’en retenir que 2 qu’on est en train de passer à l’échelle ».

Christophe Plouzeau, CIO de Louis Vuitton Malletier estime quant à lui qu’innover implique d’accepter un taux d’échec de 20 à 30% des initiatives. Il insistait sur la nécessité de mesurer l’adoption réelle des outils sur le terrain (loin des bureaux parisiens) et sur les chamboulements provoqués par les pays asiatiques « il faut avoir des équipes en local. Il faut avoir des équipes qui sont capables de s’imprégner de cette culture-là. Bien sûr, il y a des dimensions réglementaires, la Chine exige des solutions chinoises, donc il faut s’y adapter. Mais d’une manière générale, l’Asie a inventé, notamment dans l’interaction avec ses clients, des réseaux sociaux qui sont centraux dans leur vie […] ce sont des écosystèmes qu’il faut maîtriser et on les maîtrise mal depuis Paris. »

L’augmentation humaine par l’IA va durablement transformer les méthodes de travail. La familiarisation progressive des équipes avec les outils IA du quotidien tel que des ChatGPT d’entreprise, prépare le terrain pour des transformations plus structurelles. Au cours de son intervention aux RISC Vanessa Clemendeau, SVP – Global Head of Supply Chain chez Sanofi partageait une conviction « les organisations doivent se préparer à une ère des agents IA, ma génération est la dernière qui n’aura à gérer que des humains. Demain, on va gérer des équipes mixtes agents autonomes et humains ».

Crédit photo : Nathalie Vergès photographie

En réponse à une question du public sur le traitement des données en amont d’un déploiement d’outil digital, Christophe Vandrome recommandait de ne pas attendre des données parfaites pour lancer des projets IA « On démarre même si la data n’est pas bonne et on ajuste. En fait, on reste dans un mouvement perpétuel. Bien souvent, les datas que nous donnent nos clients ne sont pas forcément exhaustives. »

Et Vanessa Clemendeau de compléter « les AI viennent aussi nous aider à structurer quand ça n’a pas été fait en amont. C’était le cas chez Sanofi qui a fait beaucoup d’AI avant d’avoir complètement structuré la data et j’étais un peu surprise quand j’ai rejoint le groupe. Cela étant dit, ça n’empêche pas que cela fonctionne, ça fonctionne un peu moins bien et il faut surtout revenir restructurer la qualité de la donnée. »

En conclusion de la table ronde, Christophe Plouzeau et Pierre Chaffardon ont quant à eux souligné l’importance croissante de la souveraineté, non seulement des données (cloud) « la souveraineté, ce n’est pas juste la France, c’est une souveraineté régionalisée, probablement au minimum dans 3 ou 4 plaques géographiques », mais aussi des modèles d’IA (LLM) pour éviter une nouvelle dépendance stratégique « on ne parle pas de dépendance aux infrastructures, mais une dépendance aux modèles de LLM qu’on est capable de tous diffuser à très grande vitesse dans nos entreprises ».

Les retours d’expérience partagés lors des RISC le montrent : l’IA et les outils digitaux offrent des leviers puissants pour optimiser la gestion des ressources, anticiper les besoins et même repenser les méthodes de travail. Pourtant, leur adoption massive se heurte à des obstacles de taille : la qualité des données, l’hétérogénéité des sites, l’acceptation du changement, ou encore la nécessité de préserver une dimension humaine dans la gestion des équipes.

Les intervenants s’accordent sur un point :

La Supply Chain de demain se construit aujourd’hui

entre audace et pragmatisme, et l’humain reste au cœur de l’équation

POUR visionner le replay

L’IA et l’automatisation offrent des solutions inédites pour doper la performance des entreprises. Une course à l’adoption s’engage en Supply Chain, comme dans quasiment tous les domaines, en pleine conscience des risques d’un déploiement massif non maitrisé sur le monde du travail, tel que nous le connaissons.

Pendant que nos entreprises livrent batailles pour poursuivre leur développement malgré les crises à répétition, l’Humain se préoccupe de l’avenir des métiers et de ses enfants.

Deux enjeux opposés au premier abord qui peuvent trouver une réponse commune dans les nouvelles technologies et le digital.

Nous vous proposons ici un aperçu de l’une des 2 tables rondes au programme des prochaines RISC 2026 grâce à notre grand sponsor : GENERIX.

Réduire la pénibilité physique, c’est préserver la santé du travailleur. Réduire la pénibilité morale de tâches répétitives et l’ennui, c’est préserver son bien-être au travail.

Ici, la technologie augmente l’humain en le soulageant de certaines tâches pénibles.

Prenons l’exemple de la Computer Vision qui permet de contrôler en continu l’intégrité et la conformité de palettes réceptionnées.

Cette tâche est si pénible, la qualité en résultant si faible, qu’elle est parfois supprimée, générant des lacunes de traçabilité et les coûts associés. Alors que l’IA se charge de la partie pénible du contrôle et identifié les erreurs, l’humain, lui, s’occupe de le résoudre. Un rôle nettement plus satisfaisant et motivant.

Des outils digitaux bien conçus rendent les règles du jeu plus claires : objectifs transparents, standards partagés, indicateurs compris et acceptés. Ils permettent au collaborateur de comprendre l’impact de ses actions, de mesurer sa contribution et de progresser. La technologie devient alors un vecteur d’engagement, et non un outil de contrôle subi.

Ici, la technologie augmente l’humain en donnant du sens à son travail.

Prenons l’exemple de l’analyse de performance et des rapports d’activité. Avec une IA le métier de manager se transforme. aujourd’hui, c’est un ingénieur expert en Excel qui passe une bonne part de son temps à courir après l’information et à la travailler pour la présenter de manière intelligible et cohérente. Avec l’IA, il devient l’architecte d’un système d’information efficient et rapide. Il connecte plus de sources d’informations, il rationalise les données d’entrée et les homogénéise, il construit des rapports plus lisibles, plus solides, qui le valorise. Il gagne du temps et peut mieux se consacrer à la recherche de nouveaux leviers de performance. Il rend plus transparent les résultats qui motivent ses décisions et outille son contrôle, ses équipes se trouvant à leurs tours plus engagées.

Exemple d’utilisation de l’IA générative au service des techniciens de maintenance (fiche de bonnes pratiques du LAB Digital Techno)

Appréhender plus de données et d’information de sources variées, interne ou externes.
Pouvoir projeter de nombreux scenarii pour comparer les résultats en variant les hypothèses à une vitesse folle. L’aide à la décision constitue une promesse de l’IA très appréciée dans les opérations de la Supply Chain et notamment pour l’exécution qui doit sans cesse réagir à tous types d’aléas.

Quelles commandes dois-je préparer en priorité quand je n’ai plus le temps de traiter tout le portefeuille ? Quel sera l’impact de ce retard sur ma journée de demain ?

Dois-je prévoir du personnel en supplément ? A quel coût ? Qui puis-je solliciter à la dernière minute ? Comment engager la démarche rapidement ?

Avec des agents ou modèles IA spécialisés et bien alimentés en données, un chef d’équipe, même junior, maitrise totalement son planning et son budget. Il peut garantir le meilleur climat social et degré d’engagement de ses ressources.

Ici, la technologie augmente l’humain en l’aidant à mieux décider et plus vite.

Avec les technologies, le rôle du manager évolue. Il ne s’agit plus seulement de “faire produire”, mais de “faire grandir” : développer la polyvalence, accompagner la montée en compétences, sécuriser les savoir-faire critiques des humains et l’expertise. Le manager apprend à assigner les tâches aux différents types de ressources (technologiques ou humaines), il créé des binômes mixtes et intègre des agents IA comme des membres de son équipe. Bien entendu, il se forme et forme ses équipes au “prompt”.

Ici, la technologie augmente l’humain en l’aidant à mieux manager.

Contrôle et validation humaine requis

Une IA bien architecturée, bien entrainée, bien alimentée et bien monitorée ne devrait faire que peu d’erreurs. En Supply Chain, et souvent ailleurs, la plupart des IA ne bénéficient pas encore de ce contexte pour pouvoir résoudre en totale autonomie des problèmes complexes.

Pour répondre à cet écueil, le breton Yann LeCun annonce l’Advanced Machine Intelligence – AMI Labs capable d’appréhender le “monde réel”, à savoir le contexte d’une problématique et son environnement dépassant ainsi ce qui limite les modèles d’IA actuels qui ne font que manipuler le langage.

Comprendre les résultats de l’IA

La compréhension du process de décision reste nécessaire pour confier certaines tâches dont les impacts sont à risque élevé sur la santé humaine par exemple. On veut comprendre comment et pourquoi une IA aboutit à un résultat spécifique. Or, les LLM (Grands Modèles de langage), le Deep Learning (réseaux de neurones profonds), le Machine Learning complexe ou encore l’informatique quantique, restent des boites noires. Tout au mieux produisent-ils un indice de confiance ou préviennent-ils des limites relatives aux résultats qu’ils délivrent. L’humain reste donc responsable, et l’IA une aide, une assistance.

Définir les priorités de décision

L’IA produit des résultats en fonction d’une demande et d’un contexte. Par exemple, pour effectuer des simulations de décision, l’humain l’orientera sur sa préférence entre performance économique, qualité de service et impact environnemental. Ou encore entre robustesse et hyper optimisation en contexte incertain. Ce cadrage précis garantit la pertinence des réponses données par l’IA.

Une Supply Chain s’appuyant sur l’humain augmenté, c’est la promesse d’une Supply Chain plus réactive, plus profitable et plus durable. Elle replace l’homme et la femme au cœur de l’intelligence du système et s’ouvre aux technologies en suivant des objectifs humanistes, garants de la pérennité des solutions déployées.

Pour en savoir plus sur le programme complet

«Je ne suis pas spécialiste de la data, c’est pas mon problème», «Y a tellement d’outils, je ne sais pas où trouver mes données clients», «La confiance est une des valeurs de notre entreprise, on n’a pas besoin d’une usine à gaz d’autorisations». Souvent entendues en entreprise, ces phrases reflètent une réalité : la donnée est largement discutée, mais sa gestion reste souvent dispersée. Nous avons donc décidé avec notre partenaire Citwell de dédier un webinar au sujet car il peut coûter cher à une entreprise. Voici le résumé de ce live qui vous permettra de comprendre les piliers de cette véritable organisation d’entreprise au travers d’exemples terrain et de nombreuses recommandations d’experts.

Rôles et responsabilités

Qui est responsable de quoi ?

Lors de ce webinar, Saâd Kadioui, Partner / Head of IS transformation chez Citwell a insisté sur le fait que le métier est le principal responsable de la qualité de la donnée. Il alerte les organisations qui diluent cette responsabilité en la confiant à un service de saisie sans valeur ajoutée «le vrai impact de ce genre d’organisation, c’est que ça dilue la responsabilité de la qualité de la donnée. Le métier ne se sent pas responsable, parce que ce n’est pas lui qui saisit, et le service qui saisit les données, il n’est pas responsable non plus, parce que ce n’est pas lui qui fournit la donnée.»

Pour structurer la gouvernance, il a introduit les rôles clés : le Data Owner, une personne du métier responsable du contenu et de la qualité d’une donnée, et le Data Steward, qui anime les processus de création et de modification. Le tout est orchestré par un Chief Data Officer.

Illustration d’une organisation autour de la donnée

Olivier Weiss, S&OP Business Development Manager chez Renault, quant à lui a illustré ce point avec l’exemple des codifications de véhicules chez Renault Trucks, où la coexistence d’anciens et de nouveaux codes peut créer des erreurs si le métier n’assure pas la fiabilité, «dans la codification actuelle à 7 digits, chaque digit est signifiant et nous permet d’identifier le type de silhouette, la typologie de moteur, la typologie de norme d’émission, etc. Sauf que certains anciens codes modèles subsistent et si on emploie la nouvelle codification avec cette ancienne codification de modèles, on arrive à des données erronées». La responsabilité ou la proximité avec le métier est ici essentielle parce que c’est le métier qui va pouvoir dire «là, attention, on a un écart potentiel».

Cartographie des données

Où trouver la donnée et qui en est propriétaire ?

Face à la multiplicité des outils (ERP, PLM, etc.), le besoin d’un “GPS de la donnée” se fait sentir. Saad a expliqué qu’il n’existe pas d’urbanisation (cartographie de la donnée) idéale universelle, mais une qui soit adaptée au contexte et aux usages de chaque entreprise. La clé est de définir où la donnée doit être créée, modifiée et stockée, en respectant une relation maître-esclave stricte (un seul maître pour la modification, plusieurs esclaves pour la consultation) afin de garantir l’intégrité.

Rappelons que dans l’urbanisation, il faut d’abord réfléchir aux usages et à la complexité d’usage, « par exemple, si je suis dans une entreprise qui produit des pièces d’usinage standard, avec peu de documentation, des cycles de vie produits qui sont hyper lents, et bien je n’ai peut-être pas besoin d’un PLM (Product Lifestyle Management), et peut-être que pour les nouveaux produits que je crée, un workflow ERP pourrait suffire. »

Sécurité des données

Quel est le niveau de confidentialité de ma donnée et comment la protéger ?

Les intervenants ont abordé la nécessité de sécuriser l’accès aux données. Saad a préconisé de trouver un équilibre pragmatique dans la gestion des accès pour ne pas créer une “usine à gaz”, tout en soulignant les risques immenses (fuites de données, perte d’intégrité, non-conformité RGPD) d’une gestion laxiste, notamment lors des go-lives de projets, «ce qui va vraiment nous pousser à être pragmatique là-dedans, c’est le niveau de maintenabilité et de confidentialité.» 

Olivier a partagé un exemple dans lequel le croisement d’un numéro de châssis avec des données de géolocalisation flirte avec la notion de donnée personnelle, «Tous les véhicules sont connectés, on reçoit des informations sur les trajets, les immatriculations, c’est une source de business importante. Est-ce que je ne pourrais pas identifier le conducteur ? Des données sensibles peuvent se nicher à des niveaux qu’on ne soupçonne pas nécessairement.»

Processus de gestion des données

Quelles données sont obligatoires versus optionnelles ?

Pour contrer le recours aux fichiers Excel parallèles par manque de confiance dans les systèmes, il est crucial de gérer le cycle de vie de la donnée (création, vie, mort) via des processus robustes et documentés. Saad a insisté sur la “frugalité” : structurer et maintenir en qualité uniquement les données dont la valeur pour le business dépasse le coût de gestion.

Pour ce faire, il a introduit la distinction entre les contrôles à priori (bloquants, pour garantir la qualité) et à posteriori (non bloquants, pour la fluidité). L’application de ces contrôles dépend de la criticité de la donnée, classée en quatre groupes : données critiques, de performance opérationnelle, de reporting et de pilotage stratégique.

Quid de la performance ?

Le contrôle et l’assurance de la performance de la gouvernance des données s’articulent autour de deux axes principaux :

D’un côté, l’animation vise à garantir la qualité, la rapidité de disponibilité et l’exactitude des données dès leur première production. Les indicateurs clés (KPI) associés sont le time to data (délai moyen entre la demande et la disponibilité des données) et le first shot accuracy (taux de données correctes dès leur première version), reflétant l’efficacité des processus et leur capacité à éviter les corrections ultérieures.

De l’autre, la responsabilité de contenu repose sur cinq dimensions essentielles, pilotées par les data-owners : l’intégrité (cohérence et existence des valeurs), la complétude (exhaustivité des enregistrements), la pertinence (adéquation des valeurs aux règles métiers), la fraîcheur (actualisation régulière des données) et l’unicité (absence de doublons). Ces dimensions permettent de s’assurer que les données sont fiables et utilisables.

Questions-Réponses avec l’Audience

La dernière partie est consacrée aux questions des participants, qui portent sur des enjeux très concrets de mise en œuvre.