Repérer et retirer les colis défectueux avant leur livraison, maximiser le taux de remplissage des camions, optimiser les plans de transport et les tournées de livraison ou encore limiter les colis perdus ou volés… Les applications de l’intelligence artificielle (IA) dans la filière logistique sont nombreuses. Et elles devraient se multiplier. Bref, les études de cas ne manquent pas. Car il s’agit, entre autres, d’augmenter la disponibilité des effectifs en garantissant de meilleures conditions de travail. Outre qu’elle permet d’améliorer des processus ou de réaliser plus intelligemment des tâches basiques mais nécessaires, l’IA est aussi un bon moyen de limiter les besoins de main-d’œuvre et donc de résoudre en partie les difficultés de recrutement liées à un turn-over important.
La percée de l’IA n’a toutefois pas été uniforme selon les maillons de la chaîne de valeur. L’optimisation des opérations internes a ainsi été la priorité des opérateurs en quête de gains de productivité. L’IA prédictive est par exemple utilisée dans la maintenance pour anticiper et prévenir les pannes des véhicules ou des équipements logistiques. Les modèles d’apprentissage automatique (machine learning) n’ont vraiment supplanté que depuis deux ou trois ans les anciennes méthodes pour la prévision de la demande et la planification des ressources. L’IA générative a, elle, trouvé récemment des applications dans le marketing et la relation client, à l’image des chatbots intelligents ou des réponses automatisées aux avis clients post-livraison.
De nombreux cas d’usage
L’intelligence artificielle s’est donc diffusée au fur et à mesure dans la filière logistique. Son impact est multiplié quand elle est combinée à d’autres technologies (big data et cloud computing notamment). Aujourd’hui, cela a engendré les jumeaux numériques qui permettent de répliquer un composant, un actif, un système ou un processus (usine, entrepôt, équipement…), très utiles pour optimiser les opérations intralogistiques ou le network design.
Dans la filière logistique, les applications de l’IA contribuent en premier lieu à réduire les coûts. Par extension, cela participe à réduire l’empreinte carbone des acteurs. Les outils d’optimisation des tournées basées sur l’IA peuvent ainsi tenir compte de plusieurs facteurs (contraintes de livraison des clients, réglementations d’accès ou émissions de gaz à effet de serre). De fait, l’IA est aussi destinée à améliorer la qualité de service et à renforcer la satisfaction des donneurs d’ordres. En automatisant les interactions clients et en facilitant le travail des équipes (répondre plus facilement et rapidement aux appels d’offres par exemple), l’essor de l’IA générative pourrait créer des sources de revenus supplémentaires.
L’exemple Geodis
Geodis illustre concrètement comment l'intelligence artificielle transforme la logistique grâce à une stratégie axée sur une plateforme unique centralisant l'ensemble de ses données opérationnelles, financières et commerciales. En collaboration avec Sopra Steria, le groupe a adopté la Cloudera Data Platform, capable de gérer efficacement des flux complexes et de gros volumes de données dans le cloud, tout en conservant une flexibilité d'utilisation internationale. Cette initiative a permis à Geodis d'améliorer significativement ses performances logistiques, notamment par l'optimisation des tournées via le machine learning, réduisant ainsi de 10 à 15% le nombre de camions nécessaires et augmentant le taux de remplissage des véhicules de 10%. De plus, l'entreprise tire profit de l'IA générative pour accélérer et affiner ses réponses aux appels d'offres, libérant ainsi ses équipes pour se concentrer sur les tâches à forte valeur ajoutée. Enfin, en croisant des données variées, Geodis utilise l'IA pour anticiper et réduire efficacement l'attrition client, démontrant que la gestion intelligente des données est devenue un atout majeur pour la compétitivité en logistique.
