L’IA pour réapprovisionner les magasins : ce que l’algorithme doit décider, ce qui revient à l’acheteur, et comment savoir si cela aide

Le réapprovisionnement automatique des magasins n’a rien de nouveau. Ce qui est nouveau, c’est de l’appeler agent IA et de lui confier une plus grande part du travail : non plus seulement calculer une quantité, mais préparer la commande, l’expliquer et, à terme, l’envoyer. Avant de décider quelle part lui confier, il vaut la peine de regarder ce qui se passe dans les chaînes qui commandent déjà ainsi, car les personnes qui utilisent ces systèmes ne cessent de modifier ce qu’ils produisent, et des études de terrain récentes ont mesuré l’effet de ces modifications.

1. De quoi est faite une commande, et qui doit décider de chaque partie

Une commande magasin, c’est un petit calcul enveloppé de plusieurs jugements. Le calcul est mécanique : les ventes attendues jusqu’à ce que la prochaine livraison arrive et soit en rayon, plus un stock de sécurité pour la variabilité, moins le stock disponible et le stock déjà en commande. Les jugements ne le sont pas : quel fournisseur, si une promotion ou un événement local fera monter la demande, si un nouveau produit mérite de la place, si le stock de la réserve existe vraiment. Partager le travail selon cette ligne donne à chacun ce qu’il fait bien :

2. Ce que disent les études sur les modifications

L’étude récente la plus détaillée suit une chaîne européenne de supermarchés haut de gamme qui utilisait le réapprovisionnement automatique depuis plus de trois ans, dans deux familles de produits frais, la viande préemballée et les plats cuisinés¹. Le personnel des magasins pouvait accepter ou modifier chaque proposition. Ses réductions n’étaient pas aléatoires : après une rupture récente sur un produit, il réduisait nettement plus souvent la commande proposée, en lisant les faibles ventes enregistrées pendant les jours de rayon vide comme une faible demande. Ces réductions rendaient ensuite une nouvelle rupture du même produit beaucoup plus probable. Les auteurs parlent de rupture auto-infligée.

Les modifications dans l’autre sens peuvent être justes. Dans une chaîne de magasins de proximité qui a introduit un outil de recommandation de réapprovisionnement dans certains magasins et pas dans d’autres, les gérants augmentaient ou avançaient les commandes des articles populaires en prévision d’une demande que le système n’avait pas encore détectée, et freinaient sur les produits à faible rotation². Les deux types de modification côte à côte :

Le déploiement dans la chaîne de proximité a aussi montré ce que faisait l’outil lui-même : les points de commande ont monté, les commandes sont devenues plus petites et plus fréquentes, le taux de service s’est amélioré de 2,9 % sans stock supplémentaire ni ventes perdues, et les gérants ont passé chaque jour 36,5 % de temps en moins à commander². Les deux études tirent la même leçon. La question n’est pas de savoir si les personnes doivent modifier les commandes, mais lesquelles de leurs modifications apportent une information qui manque au système.

3. Ce qui aide à bien utiliser les recommandations

Le taux de suivi est rarement élevé, même quand l’outil est bon. Chez Zara, dont l’outil de prix de soldes avait fait progresser le chiffre d’affaires lors d’un pilote, les responsables pays suivaient ses recommandations de prix dans 61,0 % des cas pour leurs propres magasins et dans 46,4 % des cas pour les franchises ; là où l’outil ne recommandait aucune démarque, les responsables baissaient les prix de 19,9 % en médiane³. Cette étude porte sur les prix, pas sur les commandes, mais le schéma est familier à quiconque a déployé un système de réapprovisionnement.

Trois résultats indiquent ce qui aide. L’ajout d’un point de référence sur l’écran de Zara, pour que les responsables voient ce que signifierait suivre l’outil, a augmenté le taux de suivi des franchises d’environ neuf points et demi de pourcentage³. Dans des expériences en ligne, les personnes qui combinent leur propre prévision avec celle d’un algorithme selon un poids fixe commettent des erreurs de 20 % à 61 % plus grandes que nécessaire, et montrer quelles données l’algorithme utilise, sans ouvrir le modèle, a réduit les erreurs d’un quart⁴. Dans deux expériences de terrain sur les commandes de stock, montrer aux gérants les résultats passés de l’algorithme a amélioré leurs commandes, et montrer là où il avait mal fonctionné a davantage aidé que montrer là où il avait bien fonctionné⁵.

Pour un outil de réapprovisionnement, on en tire trois règles de conception : montrer les chiffres sur lesquels repose chaque ligne, montrer le bilan de l’outil lui-même, erreurs comprises, et signaler les modifications dont les études montrent qu’elles tournent mal. L’étude sur les supermarchés estime que le simple fait de bloquer les réductions décidées juste après une rupture aurait supprimé un tiers des ruptures auto-infligées et augmenté le bénéfice d’environ 1 %, pour une hausse du coût de possession du stock du même ordre, et suggère qu’une alerte pourrait en obtenir une grande partie¹.

4. Accorder des droits sur preuves

La même logique fixe ce qu’un agent IA de réapprovisionnement devrait avoir le droit de faire. Il devrait commencer par conseiller, pour que ses propositions puissent être comparées à ce que les acheteurs ont réellement commandé. Il peut passer à la préparation de brouillons à valider une fois que ses conseils sont en majorité acceptés, puis à l’exécution après une seule confirmation une fois que les équipes modifient rarement ses brouillons. Chaque étape est accordée par type d’action, une commande magasin séparément d’une commande fournisseur, et seulement après une phase de validation aux seuils écrits. Le guide des agents IA détaille l’échelle complète. Certaines commandes devraient rester à une personne à tous les niveaux :

5. Mesurer l’effet

Les rapports des distributeurs eux-mêmes montrent pourquoi il faut être prudent. Ahold Delhaize décrit l’usage d’« algorithmes de commande pilotés par l’IA » pour concilier disponibilité et réduction du gaspillage⁶, et fait état d’une baisse de son gaspillage alimentaire, mais n’attribue aucun chiffre aux algorithmes ; des fermetures, des dons et une meilleure maîtrise de la démarque ont fait bouger le même chiffre. Les totaux d’un groupe ne peuvent pas séparer un outil de commande de tout ce qui a changé la même année.

La comparaison qui le peut oppose un magasin à un autre. Gardez une partie des magasins comparables où l’IA ne fait que conseiller, mesurez la disponibilité en rayon dans les deux groupes sur les mêmes semaines, et lisez l’effet comme l’évolution de l’écart entre eux. Mesurez en même temps la valeur du stock, car une disponibilité obtenue avec plus de stock n’est pas une amélioration ; le guide des ruptures de stock et le guide du stock dormant expliquent comment lire les deux côtés magasin par magasin.

6. Un mot sur la réglementation

Dans l’UE, un outil de recommandation de réapprovisionnement utilisé par les acheteurs d’une chaîne ne fait en général pas partie des systèmes que vise l’article de l’AI Act sur la transparence ; cet article concerne l’IA qui interagit directement avec des personnes, comme un assistant conversationnel, qui doit indiquer clairement qu’il s’agit d’une IA. Deux autres dispositions sont plus proches : les déployeurs doivent veiller à ce que leur personnel ait un niveau suffisant de maîtrise de l’IA, et les systèmes utilisés pour suivre et évaluer les performances des travailleurs sont classés à haut risque⁷. Classer les acheteurs un par un selon le résultat de leurs modifications s’approcherait du second cas ; mesurer l’outil par rapport à des magasins témoins, non.

7. Limites

L’étude sur les supermarchés porte sur cinq magasins, deux familles de produits frais et aucune promotion, et ses chiffres de bénéfice viennent d’une simulation de politiques qui n’ont pas été appliquées en conditions réelles. Deux des expériences ne sont connues ici que par leurs résumés publiés, qui ne donnent pas la taille des échantillons. Les données de Zara datent de 2010 à 2013 et portent sur les prix. Prises ensemble, les études s’accordent plus fermement sur le sens de l’effet que sur son ampleur.

Comment fonctionne l’agent IA approvisionnement de marql

L’agent IA approvisionnement de marql suit cette conception. Chaque matin à partir de 6 h, il lit les paniers de commande de l’espace réapprovisionnement de marql, où les quantités viennent d’un moteur de stock de sécurité et non du modèle de langage. Au niveau Conseille, il propose ; quand il a accès au niveau Prépare, il rédige un brouillon que l’acheteur modifie, valide ou rejette comme n’importe quel autre, avec la mention « Préparé par l’employé IA d’approvisionnement marql ». Un brouillon auquel personne n’a touché est retiré le lendemain matin et reconstruit à partir de données à jour. Un panier qui demande une personne reste à l’acheteur, avec la raison : trop important, un fournisseur connu seulement par ses factures, ou pas le jour de commande du fournisseur.

Chaque proposition s’ouvre sur « Pourquoi cette proposition », avec la couverture actuelle et après la livraison, et le délai de livraison derrière chaque ligne. Tant qu’il ne fait que conseiller, il est comparé à ce que les équipes ont commandé d’elles-mêmes. Son KPI, « Disponibilité en rayon », se lit dans ses magasins face aux magasins témoins où il ne fait que conseiller, avec la valeur du stock comme limite qu’il ne doit pas dépasser pour y parvenir. Pour accéder au niveau Exécute après confirmation, il doit d’abord réussir un examen sur un simulateur de commerce ; le niveau Exécute dans les limites n’est ouvert à aucun client.