Quatre choses différentes vendues sous un même nom
L’étiquette « IA » recouvre des fonctions de maturité très différente. Les distinguer rend les offres plus lisibles.
| Ce qui est vendu | Ce que cela fait réellement | Comment le tester |
|---|---|---|
| Moteur de règles | Décide à partir de seuils prédéfinis (réapprovisionner quand le stock passe sous un niveau). | « Quelle règle prend cette décision, et puis-je la modifier ? » Si oui, c’est du paramétrage, pas de l’IA — et c’est souvent la meilleure réponse. |
| Prévision / optimisation | Produit des suggestions de charge de travail, de demande ou de slotting à partir de l’historique. | « Sur combien d’historique est-il entraîné, que se passe-t-il quand il se trompe, mesurez-vous la précision ? » |
| Détection d’anomalies | Signale une activité inhabituelle (écart d’inventaire inattendu, annulations atypiques). | « Quel est le taux de faux positifs, qui écarte une alerte, l’écartement est-il journalisé ? » |
| Modèle de langage (assistant, voix) | Poser des questions, demander des rapports ou créer des tâches en langage naturel. | « Où tourne le modèle, les données de l’entrepôt sortent-elles de l’entreprise, que se passe-t-il en cas de malentendu ? » |
Qu’une fonction soit un moteur de règles n’est pas un défaut. La plupart des décisions d’entrepôt doivent être explicables et reproductibles, et une règle bien écrite est généralement le meilleur moyen d’y parvenir.
Neuf questions à poser à l’éditeur
Elles proviennent de la section IA de notre catalogue d’évaluation interne ; nous utilisons les mêmes pour évaluer les fiches des éditeurs.
- Sur quel écran exactement l’assistance de l’IA intervient-elle ?
- Quelle décision prend-elle : suggère-t-elle, ou agit-elle seule ?
- L’utilisateur peut-il voir et outrepasser le résultat, et la dérogation est-elle journalisée ?
- Quelles données utilise-t-elle : seulement les nôtres, ou aussi celles d’autres clients ?
- Où les données sont-elles traitées : dans quel pays et chez quel fournisseur ?
- Si elle prévoit la demande ou la charge de travail, la précision est-elle mesurée, et pouvez-vous communiquer le chiffre ?
- Peut-on interroger les rapports en langage naturel, et comment l’utilisateur repère-t-il une mauvaise réponse ?
- S’il existe une commande vocale, a-t-elle été testée dans un entrepôt bruyant, et dans quelles langues ?
- Cette fonction fait-elle partie du package standard, est-ce un module complémentaire ou est-elle développée projet par projet ?
Où les données sont traitées : la question à ne pas sauter
Les données d’entrepôt contiennent plus de données personnelles qu’il n’y paraît : noms et adresses des destinataires, numéros de téléphone, parfois le contenu des commandes. Si un modèle de langage tourne dans le cloud, ces données peuvent quitter l’entreprise pour être traitées, et si le fournisseur est à l’étranger, un transfert hors frontières est en jeu. Traitez-le comme une clause contractuelle, non comme un détail technique : quel fournisseur, quel pays, les données servent-elles à l’entraînement, combien de temps sont-elles conservées. Nous avons traité le déploiement et la localisation des données dans <a href="/analysis/cloud-or-on-premise-wms">cloud ou sur site</a>.
Ce que l’IA ne résoudra pas
- Des données de base fausses. Aucun modèle ne produit une bonne prévision pour un article dont le code-barres, les dimensions ou la hiérarchie de conditionnement sont faux.
- Un entrepôt sans emplacements. Sans données d’emplacement, un optimiseur n’a pas d’espace où travailler.
- Un processus non défini. Le système ne tranchera pas une question que personne n’a tranchée ; il ne fait qu’accélérer une décision existante.
- Une performance non mesurée. Si la précision et le bénéfice ne sont pas mesurés, personne ne peut dire si la fonction marche.
Ces quatre points réglés, l’IA peut apporter un vrai bénéfice. Sans eux, le premier investissement doit aller aux données et aux processus plutôt qu’à un modèle. Utilisez le <a href="/wms-finder">WMS finder</a> pour sélectionner vos exigences et comparer les capacités confirmées par les sources.
Questions fréquentes
À quoi sert l’IA dans un WMS ?
Principalement à quatre choses : prévoir la charge de travail et la demande à partir de l’historique, signaler une activité inhabituelle (détection d’anomalies), interroger les rapports en langage naturel, et les commandes vocales. Certaines sont en réalité des moteurs de règles ; pour faire la différence, demandez « quelle règle prend cette décision, et puis-je la modifier ? ».
Comment tester une revendication « dopé à l’IA » ?
Quatre questions suffisent : sur quel écran apparaît-elle, quelle décision prend-elle, l’utilisateur peut-il voir et outrepasser le résultat, et sa précision est-elle mesurée. S’il n’y a pas de réponse concrète aux quatre, il n’y a pas de fonction mesurable.
Où vont mes données quand j’utilise une fonction d’IA ?
Si un modèle de langage tourne dans le cloud, les données de l’entrepôt peuvent quitter l’entreprise pour être traitées, et si le fournisseur est à l’étranger, un transfert transfrontalier de données personnelles est en jeu. Quel fournisseur, quel pays, les données servent-elles à l’entraînement et combien de temps sont-elles conservées : inscrivez-le au contrat.
L’IA corrigera-t-elle de mauvaises données ?
Non. Aucun modèle ne produit une bonne prévision pour un article dont le code-barres ou les dimensions sont faux, et sans données d’emplacement un optimiseur n’a pas d’espace où travailler. Le premier investissement doit aller aux données de base et aux processus, pas à un modèle.
Méthode et corrections : politique éditoriale.