Logiciel d'optimisation autonome de la Supply Chain, November 2025

Dernière modification : 6 novembre 2025

Introduction

L’optimisation autonome de la supply chain promet une plateforme de supply chain « self-driving » capable de prévoir la demande, de planifier les stocks, et même d’ajuster les prix avec une intervention humaine minimale. En théorie, des algorithmes avancés (machine learning, AI, optimization solvers) peuvent constamment prendre des décisions en matière d’achats, de production, de distribution et de tarification pour maximiser le taux de service et le profit.

L’attrait pour les dirigeants de supply chain férus de technologie est évident : réduire la dépendance à l’intuition des planificateurs, répondre plus rapidement aux perturbations et éliminer les inefficacités. Mais la technologie est-elle à la hauteur du battage médiatique ? Cette étude examine en profondeur l’état de l’art en 2025 – en identifiant quels fournisseurs offrent véritablement une optimisation autonome ou presque autonome de la supply chain, et lesquels ne relèvent que du vaporware marketing. Nous examinons spécifiquement la capacité de chaque fournisseur à optimiser conjointement les stocks et la tarification (une capacité critique – puisque les prix influencent la demande, et donc les besoins en stocks), l’utilisation de prévision probabiliste (pour une demande incertaine et intermittente ainsi que des délais de livraison variables), l’optimisation économique des décisions, la scalabilité et l’efficacité de coût de leur plateforme, et le degré de « babysitting » humain requis.

Les affirmations audacieuses (« réduire les ruptures de stocks de 50 % tout en diminuant les stocks de 30 % ! ») sont abordées avec scepticisme, surtout lorsqu’elles ne sont pas accompagnées de détails rigoureux ou d’une validation par des tiers. En règle générale, nous pénalisons les buzzwords vagues et les promesses de « black box » et soulignons toute contradiction (par exemple, un système présenté comme real-time qui, de manière inexplicable, analyse également une gamme complète en une seule fois – une impossibilité probable à moins que la méthode ne soit extrêmement simpliste). Nous prenons également en compte l’historique de chaque fournisseur : beaucoup ont grandi via des acquisitions, amalgamant d’anciens et de nouveaux modules. Ce patchwork indique souvent des problèmes d’intégration et une technologie disjointe – loin d’être la recette d’un véritable optimiseur autonome de bout en bout.

En bref, ce rapport vise à séparer l’innovation authentique des bagages hérités et du battage médiatique. Ci-dessous, nous classons les principaux fournisseurs de l’optimisation autonome de la supply chain, en commençant par ceux qui s’alignent le mieux sur la vision d’une supply chain optimisée quantitativement et à faible intervention, pour finir avec ceux qui sont en retard. Le classement est suivi d’une analyse détaillée de chaque fournisseur, incluant des preuves à l’appui et des commentaires critiques.

Classement des fournisseurs

1. Lokad – Optimiseur Supply Chain Quantitative. Classé #1 pour son approche unifiée et probabiliste qui optimise tout, des stocks à la tarification, sur une plateforme automatisée unique. Lokad adopte une véritable automatisation de bout en bout des décisions – générant des décisions de réapprovisionnement, de production et de tarification avec un minimum d’intervention humaine. Il a démontré une précision de prévision de haut niveau (par exemple, en remportant la précision au niveau SKU en #1 lors de la compétition M5 ¹) et utilise un langage de programmation spécifique au domaine pour coder la logique métier, évitant ainsi les approximations de l’utilisateur. Lokad a été développé en interne (aucune acquisition patchwork) et est conçu explicitement pour les décisions autonomes. L’apport humain se limite principalement à la définition des objectifs et contraintes ; la charge lourde de l’analyse de scénarios et de l’optimisation des compromis est prise en charge par la plateforme. Cela en fait une solution rare qui peut véritablement fonctionner sans surveillance , hormis lors d’événements exceptionnels.

2. RELEX Solutions – Planification Retail « sans contact ». Un concurrent sérieux, RELEX propose une plateforme moderne pilotée par AI, particulièrement performante pour le retail et les biens de consommation. Elle promeut la planification sans contact où l’AI automatise les prévisions complexes et les tâches de réapprovisionnement, et « l’intervention humaine n’intervient que lorsqu’elle apporte une véritable valeur ajoutée » ². RELEX offre une solution unifiée englobant la prévision de la demande, l’optimisation des stocks, et, surtout, l’optimisation des prix (y compris l’optimisation des remises et des promotions ²). Son système intègre la planification de la demande et de l’offre à travers la chaîne de valeur pour éliminer les silos et les décisions conflictuelles ². En pratique, les utilisateurs de RELEX peuvent laisser le système ajuster automatiquement le réapprovisionnement des magasins, les allocations et la tarification en se basant sur des données en temps réel et des modèles prédictifs, n’intervenant que pour un guidage stratégique ou pour des exceptions vraiment inédites. Ce haut degré d’automatisation – combiné aux capacités d’intégrer des données multi-canaux et même des contraintes de planogramme/gamme – place RELEX à l’avant-garde de la technologie autonome supply chain dans le retail. (Il est révélateur que RELEX met explicitement en avant la « détection de la demande alimentée par AI » et la planification « autonome et adaptative » dans ses supports ³, reflétant une philosophie de conception alignée avec les supply chains self-driving.) La seule réserve concerne la portée : RELEX se concentre sur le retail et les FMCG ; dans ces secteurs, sa technologie est de pointe, mais elle n’est pas aussi généralisée pour la fabrication ou la distribution en dehors de son cœur de métier.

3. o9 Solutions – « Digital Brain » de planification alimenté par AI. o9 a rapidement gagné en notoriété avec une plateforme qui vise à être un « cerveau digital » pour la planification d’entreprise et la prise de décision ⁴. Elle couvre la planification intégrée d’entreprise (IBP), le S&OP, la prévision de la demande, la planification de la supply chain, et même la gestion des revenus sur une plateforme cloud-native. De manière cruciale, o9 inclut des modules de planification des prix et des promotions (par exemple pour la tarification dans le secteur des biens de grande consommation, les promotions commerciales, etc.) afin d’optimiser, en principe, les leviers de modulation de la demande parallèlement à l’offre. L’entreprise met fortement en avant son AI et son « Enterprise Knowledge Graph » pour briser les silos de données et permettre ce que le PDG Chakri Gottemukkala appelle « une exécution sans contact accrue » en planification ⁵. Lors d’une récente conférence d’o9, le PDG a démontré comment un agent AI pouvait achever en quelques minutes une analyse complexe (opportunité de revenus vs. contraintes d’offre) qui prendrait traditionnellement des semaines pour une douzaine de personnes ⁵. La vision est que l’Agentic AI d’o9 surveille en continu l’activité, identifie les problèmes ou opportunités, et exécute automatiquement des scénarios pour recommander (ou exécuter) des décisions. Par exemple, si la demande pour un produit augmente brusquement, o9 pourrait suggérer de réallouer les stocks, d’accélérer l’approvisionnement, et d’ajuster la tarification ou les promotions pour maximiser le profit – le tout sur un seul système. En pratique, de nombreux déploiements d’o9 impliquent encore une planification avec une forte intervention humaine (les planificateurs utilisent les outils de scénarios « et si » d’o9, puis approuvent les modifications). Mais o9 progresse vers une plus grande automatisation ; leur dernière version a introduit des assistants de planification basés sur l’AI générative et des « agents » autonomes pour gérer les décisions routinières ⁵. Scalabilité : o9 est en mode SaaS et affirme pouvoir gérer de grands volumes de données d’entreprise, bien que les détails sur la performance du moteur soient rares. Ils disposent d’une architecture cloud (probablement pas entièrement en mémoire pour l’ensemble des modèles, ce qui est avantageux en termes de coûts). Dans l’ensemble, la force d’o9 réside dans l’étendue de sa plateforme intégrée et dans son ambitieux programme AI. Le scepticisme : les affirmations d’o9 concernant la libération de « 1–3 % de valeur de ventes supplémentaire » via la planification par AI ⁵ sont plausibles mais largement basées sur des scénarios modélisés plutôt que sur des références transparentes. De plus, bien qu’o9 supporte l’optimisation simultanée de la demande et de l’offre (et possiblement de la tarification), il nous faut évaluer la profondeur de ces optimisations – le fournisseur tend à vanter des bénéfices généraux sans révéler le cœur mathématique. Pourtant, o9 reconnaît clairement que la véritable autonomie nécessite d’unifier tous les éléments de la planification, et c’est l’un des rares avec une plateforme développée de A à Z pour cela (plutôt que d’accumuler des acquisitions).

4. ToolsGroup – Service Optimization 99+ avec AI ajoutée. ToolsGroup bénéficie d’une longue expérience dans la planification de la supply chain, étant reconnu pour ses prévisions probabilistes et son optimisation multi-échelons des stocks. Traditionnellement, son logiciel phare SO99+ se concentrait sur les stocks et les taux de service (avec des objectifs de service définis par l’utilisateur). Cependant, ces dernières années, ToolsGroup a mis à jour de manière agressive sa pile technologique pour évoluer vers des décisions autonomes. Notamment, il a acquis la société AI Evo en 2023 pour ajouter à son arsenal l’optimisation dynamique des prix et des promotions ⁶. Le PDG de ToolsGroup a déclaré que cela permettait de réaliser « des calculs optimaux de prix et de stocks » ensemble et, en fin de compte, « de livrer la supply chain autonome du futur » ⁶. En d’autres termes, ToolsGroup a reconnu que l’optimisation des stocks de manière isolée ne suffit pas – la tarification doit faire partie de l’équation – et ils intègrent désormais cette capacité. Aujourd’hui, la solution de ToolsGroup (une combinaison de SO99+, de la suite de planification retail JustEnough acquise, et du moteur AI d’Evo) peut, en théorie, produire des décisions automatisées sur quoi stocker, en quelle quantité, et à quel prix vendre, en temps réel. Par exemple, elle peut suggérer d’augmenter les prix sur des articles en forte demande avec des stocks limités, tout en baissant les prix pour écouler les articles à faible rotation en tenant simultanément compte des implications sur les stocks de ces changements de prix. Forces : Les modèles probabilistes de ToolsGroup sont bien adaptés au « chaos banal » des supply chains – par exemple, une demande intermittente ou des délais variables sont gérés en prévoyant une distribution de résultats plutôt qu’un seul chiffre, ce qui est indispensable pour la fiabilité. (L’importance de cela est soulignée par la victoire de Lokad dans le M5 – la prévision probabiliste étant la clé de la précision au niveau SKU ¹ – ce que ToolsGroup met également en avant.) ToolsGroup prend en charge également les propositions de réapprovisionnement automatisées, le signalement d’exceptions, etc., ce qui signifie qu’il n’est pas nécessaire que les planificateurs interviennent manuellement pour chaque pénurie mineure – le système est censé gérer la variabilité typique de manière autonome. Réserves : Les nouvelles capacités de ToolsGroup découlent d’acquisitions (JustEnough en 2021 ⁷ et Evo en 2023), ce qui soulève des questions d’intégration. L’entreprise affirme disposer d’une architecture « modulaire » où les éléments s’imbriquent, mais il est en réalité difficile de créer une plateforme homogène à partir de composants disparates. Il peut y avoir des chevauchements fonctionnels (par exemple, entre les moteurs de prévision de la demande de SO99+ et ceux d’Evo) et des piles technologiques différentes en arrière-plan. Il faudra probablement du temps pour les unifier complètement. De plus, certaines affirmations marketing de ToolsGroup méritent d’être examinées de près – par exemple, ils citent souvent des clients ayant atteint 15–30 % de réduction des stocks avec 99 % de disponibilité ⁷. De tels chiffres, bien qu’éventuellement basés sur des études de cas réelles, dépendent fortement de la référence (30 % de réduction par rapport à quoi ?). Sans contexte, supposons que ces résultats ne sont pas universels. Concernant l’automatisation, ToolsGroup offre encore beaucoup de « contrôle du planificateur » (les utilisateurs peuvent fixer des objectifs de service, choisir les modèles de prévision, etc.). Cela peut être un couteau à double tranchant : la flexibilité est appréciable, mais une dépendance trop forte à l’ajustement par l’utilisateur va à l’encontre d’un idéal pleinement autonome. Néanmoins, l’orientation récente de ToolsGroup – ajoutant une AI réactive pour la tarification/promo et visant une planification « centrée sur la décision » – montre qu’il est l’un des concurrents les plus sérieux dans l’avancée vers l’automatisation de la supply chain au-delà des simples buzzwords.

5. Aera Technology – Intelligence Décisionnelle et Exécution « Self-Driving ». Aera est quelque peu unique dans cette liste – ce n’est pas une suite de planification traditionnelle, mais plutôt une plateforme spécifiquement conçue pour automatiser la prise de décision en temps réel. Le pitch d’Aera est la « supply chain autonome », rendu possible par une plateforme cloud qui scrute continuellement les données (transactions ERP, signaux externes), utilise le ML pour détecter les problèmes, et exécute ou recommande des actions ⁸. Plutôt que de confier aux planificateurs l’exécution de plans mensuels, le moteur « cognitif » d’Aera surveille la supply chain 24/7. Par exemple, en cas de pic de demande ou de retard d’un fournisseur, Aera pourrait ajuster automatiquement l’approvisionnement, rediriger les expéditions, ou re-prioriser les commandes pour éviter une rupture de stock. Fondamentalement, la philosophie d’Aera est d’intégrer les décisions dans le système : les entreprises configurent quelles décisions peuvent être entièrement automatisées, lesquelles nécessitent une approbation humaine, et lesquelles restent manuelles ⁸. Au fil du temps, à mesure que la confiance grandit, davantage de décisions peuvent être transférées dans le compartiment automatisé. Dans le cas d’une grande entreprise CPG mondiale, Aera formulait 12 000 recommandations de planification par mois, dont 74 % étaient automatiquement acceptées sans intervention humaine ⁸. Cela implique un niveau très élevé d’autonomie dans les ajustements quotidiens de la supply chain. En fait, le VP supply chain de cette entreprise a trouvé les suggestions d’Aera si fiables qu’elle a révoqué la capacité de certains planificateurs à les contester, car l’AI avait généralement raison ⁸. C’est un puissant témoignage de l’efficacité autonome d’Aera. Forces : Aera se concentre sur des décisions probabilistes et just-in-time – elle s’attaque explicitement au problème du « ça arrive » entre les cycles S&OP ⁸. Elle optimise dans la fenêtre d’exécution à court terme, rééquilibrant l’offre et la demande en évaluant les risques de service, les coûts et les contraintes (elle « décide des compromis pour maximiser les objectifs financiers tout en minimisant le risque » ⁸). Essentiellement, Aera agit comme un pompier autonome qui gère les exceptions constantes que les planificateurs humains ne peuvent suivre. Cela comble un énorme vide dans les logiciels traditionnels (où les exceptions non traitées s’accumulent en raison de la pénurie de main-d’œuvre ou de réponses lentes ⁸). Réserves : Aera est excellente pour les décisions opérationnelles (comme la réallocation des stocks, l’accélération des commandes, etc.), mais elle ne remplace pas entièrement une suite de planification de supply chain. Elle ne réalise pas elle-même de conception de réseau à long terme ni d’optimisation de la tarification (les décisions de tarification et de marketing ne sont pas le domaine d’Aera pour l’instant – il s’agit davantage de l’exécution de la supply chain). Ainsi, bien qu’elle puisse automatiser de nombreuses décisions d’équilibrage de l’offre, il faudra toujours d’autres systèmes pour des aspects tels que la planification initiale de la demande ou la stratégie de tarification. Une autre considération : la mise en œuvre d’Aera nécessite de cartographier la logique décisionnelle d’une entreprise et d’intégrer de nombreuses sources de données, ce qui peut être complexe. Ils ont atténué les difficultés d’intégration grâce à l’approche du « data crawler » (lecture des données à travers les systèmes sans de lourds projets IT) ⁸, mais ce n’est pas exactement du plug-and-play. De plus, l’affirmation d’Aera de réduire le gaspillage des stocks de 20 % grâce à l’automatisation décisionnelle ⁹ doit être considérée comme situationnelle – les résultats peuvent varier considérablement. En résumé, Aera offre fortement l’autonomie à l’instant – c’est un élément précieux d’une boîte à outils pour une supply chain autonome, bien qu’elle ne couvre pas la tarification ou la planification stratégique. Nous la classons ici parce que sa capacité démontrée à fonctionner véritablement avec un minimum d’intervention humaine dans son domaine est en avance sur la plupart des fournisseurs traditionnels.

6. Blue Yonder (JDA) – Géant historique tentant un relooking par l’IA. Blue Yonder (anciennement JDA Software) est un fournisseur réputé de logiciels de supply chain qui, ces dernières années, a tenté de se repositionner en tant que plateforme autonome de supply chain propulsée par l’IA. Il offre tout, de la planification de la demande, du réapprovisionnement et de la planification de la production au transport et à la gestion des entrepôts. Blue Yonder coche en théorie toutes les cases “end-to-end”, mais sa technologie est un patchwork de très anciens systèmes hérités avec quelques nouveaux composants AI. Cette histoire tempère ses revendications d’autonomie. Les modules de planification de base de Blue Yonder proviennent de vieilles acquisitions : i2 Technologies et Manugistics (acquis à la fin des années 2000). Ces systèmes étaient autrefois à la pointe de la technologie, mais à présent ils sont considérés comme legacy – fortement déterministes, nécessitant un réglage poussé des paramètres et fonctionnant souvent sur des architectures obsolètes. (Notamment, l’acquisition d’i2 par JDA s’est soldée par un fiasco – i2 n’avait pas réussi à livrer un projet pour le détaillant Dillard’s, entraînant une poursuite qui, en 2010, a coûté à JDA 246 millions de dollars en dommages-intérêts. ¹⁰ Ce fut l’un des plus grands échecs de l’histoire des logiciels de supply chain, soulignant la fragilité de la technologie et des promesses d’i2. Blue Yonder a hérité de ce fardeau.) Depuis lors, Blue Yonder a tenté de se moderniser : en 2018, il a acquis une startup allemande d’IA (également nommée Blue Yonder) spécialisée dans la prévision de la demande au détail, et a ensuite même rebaptisé l’ensemble de la société d’après elle. Cela a ajouté de véritables talents en machine learning (par exemple, deep learning pour la détection de la demande). Blue Yonder s’associe également avec des plateformes de big data – par exemple, il met en avant une alliance avec Snowflake pour offrir aux clients un partage de données et des analyses évolutifs ¹¹. Cependant, ces initiatives ne peuvent pas masquer complètement les lacunes : la suite de planification de Blue Yonder reste une collection de modules qui ne sont pas véritablement intégrés out-of-the-box. Selon un initié du secteur, “ces modules que Blue Yonder propose ne sont en aucun cas intégrés sans personnalisation. Ce n’est qu’un argument commercial,” et cela s’avère souvent également vrai pour d’autres grandes suites comme SAP ¹². En d’autres termes, un client achetant les solutions de planification de la demande, d’approvisionnement et de tarification de Blue Yonder sera confronté à d’importants projets d’intégration – l’opposé d’un système autonome sans couture. Autonomie et IA : La communication de Blue Yonder utilise abondamment des termes comme “cognitive supply chain” et “AI/ML”. Dans une interview sponsorisée, les stratégistes de Blue Yonder décrivaient un futur où des agents IA « voient, comprennent, décident et même agissent » dans la planification de la supply chain ¹³, fournissant des recommandations prescriptives et exécutant même des optimisations de manière autonome si autorisé ¹³. Ils évoquent l’optimisation simultanée de l’offre et de la demande, la rupture des décisions cloisonnées, etc. ¹³. La vision qu’ils dépeignent est en réalité convaincante, et Blue Yonder dispose de nombreux algorithmes sous le capot (allant des solveurs de programmation linéaire pour la planification de l’approvisionnement aux réseaux de neurones pour la prévision de la demande). Le problème n’est pas le manque d’algorithmes, mais bien la praticité et la fiabilité de leur fonctionnement conjoint sans surveillance. Les implémentations de Blue Yonder nécessitent historiquement des armées de consultants pour configurer les règles métier, en ajustant des dizaines de paramètres de planification (comme les politiques de stock de sécurité, les heuristiques de prévision, les priorités d’allocation). Elles intègrent également de manière marquée la gestion des “exceptions and alerts” – essentiellement en notifiant les planificateurs humains lorsqu’une anomalie survient afin qu’ils puissent intervenir. Cela trahit la réalité que le système n’est pas vraiment autonome ; il renvoie encore de nombreuses décisions aux humains via des alarmes, ce qui contredit l’idée d’une IA gérant le « chaos banal ». Un système véritablement autonome n’escaladerait que des événements vraiment exceptionnels (par exemple, un incendie d’usine, un confinement soudain). Dans le cas de Blue Yonder, même des pics de demande ou des retards fournisseurs modérément inhabituels peuvent déclencher une avalanche de messages d’exception auxquels les planificateurs doivent répondre. De plus, les capacités d’optimisation de la tarification de Blue Yonder ne sont pas intégrées de manière organique. Ils n’ont pas acquis Revionics (un logiciel de tarification de premier plan) comme certains l’attendaient – cette entreprise a été rachetée par Aptos en 2020. Blue Yonder dispose d’une solution de tarification (probablement issue de l’ancienne optimisation des remises de JDA et de partenariats), mais elle reste séparée de la suite de planification principale. Une entreprise de taille moyenne dans le secteur des biens de grande consommation qui a évalué récemment la planification de la demande de Blue Yonder a reçu un devis de 2 millions de dollars pour le seul module de planification de la demande, et a noté que le fournisseur « mettait fortement l’accent sur l’AI/ML » mais trouvait cela « trop opaque (une boîte noire) » et incroyablement coûteux (d’autres devis étant en dessous de 1 M$) ¹⁴. Le résultat ? Pour une telle échelle d’activité, ils ont estimé que l’IA lourde et opaque de Blue Yonder n’en valait pas la peine ¹⁴. Cette anecdote souligne plusieurs points : les solutions de Blue Yonder arrivent souvent à un coût élevé – en partie en raison des services d’implémentation étendus – et les revendications liées à l’IA peuvent s’effondrer si les utilisateurs ne parviennent pas à comprendre ou à faire confiance à la logique décisionnelle sous-jacente. Problèmes d’intégration et échecs : Il convient également de noter qu’avec une suite aussi vaste, Blue Yonder a connu des mises en œuvre ratées. Un commentateur a rapporté qu’un projet Blue Yonder chez un grand détaillant (Family Dollar) s’est essentiellement effondré – “ils ont payé beaucoup d’argent pour …” ¹⁴ Bien que tout grand logiciel puisse échouer s’il n’est pas correctement implémenté, le palmarès de Blue Yonder comporte quelques échecs retentissants (Dillard’s, etc.), suggérant une complexité et un décalage entre la promesse et la réalité. La récente plateforme cloud de Blue Yonder, Luminate, est une tentative de réécrire et d’unifier la technologie (et elle est désormais sous propriété de Panasonic, qui pourrait investir davantage en R&D). Si Luminate reconstruit véritablement la fondation, Blue Yonder pourrait améliorer la fourniture d’une véritable autonomie. Pour l’instant, nous restons néanmoins sceptiques. Blue Yonder doit être considéré comme un puissant outil qui nécessite encore une intervention manuelle considérable, plutôt qu’une Tesla capable de se conduire toute seule. Il possède de nombreuses fonctionnalités et algorithmes (dont certains très avancés), mais leur intégration en un tout autonome repose en grande partie sur l’implémenteur. Enfin, il convient d’être prudent quant au partenariat de Blue Yonder avec Snowflake et d’autres plateformes de données similaires – bien qu’il offre de l’évolutivité, il introduit également un incitatif pervers : la tarification basée sur l’utilisation de Snowflake peut rendre un code hautement optimisé financièrement peu attrayant pour le fournisseur. En effet, des observateurs de l’industrie notent que, parce que Snowflake (et de nombreuses plateformes SaaS) facturent en fonction du calcul/temps, ils ont “un énorme incitatif pervers à laisser des gremlins d’optimisation se glisser” – des inefficacités qui entraînent une utilisation accrue des ressources de calcul (et donc plus de revenus) ¹⁵. Si les analyses cloud de Blue Yonder s’exécutent sur Snowflake, on peut craindre que l’optimisation des performances ne soit pas une priorité absolue. Cela rappelle les années 90, lorsque les logiciels sur les mainframes IBM étaient facturés en MIPS – une situation qui conduisait souvent à des coûts exorbitants et à une pression pour changer de plateforme. En résumé, Blue Yonder est un poids lourd doté de nombreuses capacités, mais du point de vue de l’optimisation autonome, il n’est pas le leader agile – il est alourdi par un héritage, nécessite un support humain important, et ses revendications doivent être accueillies avec un scepticisme sain, sauf si elles sont étayées par des preuves.

7. Kinaxis – Planification “concurrente” pilotée par l’humain avec une IA émergente. Kinaxis est surtout connu pour sa plateforme RapidResponse, qui a été pionnière dans le concept de simulation rapide de type “what-if” en mémoire pour les plans de supply chain. La force de Kinaxis réside dans sa capacité à permettre aux entreprises de créer un modèle unifié de leur supply chain (y compris les nomenclatures, l’approvisionnement, la demande et les stocks) et de voir instantanément l’impact des changements ou des perturbations. Cette approche de “planification concurrente” permet à toutes les fonctions — planificateurs de la demande, planificateurs de l’approvisionnement et planificateurs de capacité — de consulter un même ensemble de chiffres et de collaborer en temps réel. Cependant, Kinaxis a historiquement été un outil d’aide à la décision, et non un preneur de décision automatisé. Il est conçu pour donner les moyens aux planificateurs humains de prendre de meilleures décisions, plutôt que de les remplacer. En fait, Kinaxis promeut explicitement la fusion de “l’intelligence humaine avec l’intelligence artificielle” dans la planification ¹⁶ — essentiellement un modèle de human-on-the-loop. Son propre blog souligne que l’IA dans la gestion de la supply chain a encore “besoin des humains” et se concentre sur “des planificateurs prenant des décisions rapides et confiantes en combinant le jugement humain avec l’IA.” ¹⁶ Cette philosophie signifie que Kinaxis ne vise pas encore l’autonomie complète ; au contraire, il offre une visibilité exceptionnelle, une analyse de scénarios et des insights basés sur le machine learning, tout en s’attendant à ce que les utilisateurs restent aux commandes. Capacités : Dès sa sortie, Kinaxis RapidResponse couvre la planification de la demande, la planification de l’approvisionnement et de la capacité, la planification des stocks et le S&OP. Jusqu’à récemment, il ne disposait pas de ses propres modules avancés de prévision ou de tarification. Conscient de ce manque, Kinaxis a acquis Rubikloud en 2020, une startup d’IA spécialisée dans la prévision de la demande au détail et l’analyse de la tarification ¹⁷. Rubikloud a apporté des capacités pour la prévision, les promotions, et même l’optimisation de la tarification (élasticité des prix, etc.) ciblées sur les détaillants ¹⁷. Kinaxis est en train d’intégrer ces fonctionnalités d’IA dans sa plateforme – le PDG John Sicard a noté que la technologie de Rubikloud infusera l’IA dans l’ensemble des applications de planification de Kinaxis ¹⁷. Cette intégration devrait éventuellement permettre à Kinaxis de générer davantage automatiquement les apports de planification (comme les prévisions de base ou les estimations d’augmentation promotionnelle), réduisant ainsi la saisie manuelle de données. Cela dit, Kinaxis ne dispose toujours pas d’un véritable moteur d’optimisation des prix pour un usage général – la fonctionnalité Rubikloud est principalement destinée à l’efficacité des promotions commerciales et à une tarification de détail basique. Ils ne concourent pas actuellement sur le segment de la tarification dynamique pour des industries telles que la distribution ou la fabrication. Architecture et évolutivité : La caractéristique distinctive de Kinaxis était son architecture en mémoire – toutes les données de planification sont chargées en mémoire pour permettre des calculs ultra-rapides et la propagation immédiate des changements. L’avantage réside dans la rapidité, mais l’inconvénient se trouve dans le coût et l’évolutivité : à mesure que les données s’étendent à des millions de combinaisons SKU-emplacement, les exigences en mémoire (et donc en coût) augmentent de manière spectaculaire. Les systèmes en mémoire peuvent devenir très coûteux à faire évoluer, nécessitant souvent d’énormes clusters de serveurs ou obligeant les utilisateurs à limiter le niveau de détail pour s’adapter à la RAM disponible. Kinaxis a abordé ce problème en passant au cloud et en adoptant un modèle plus élastique, mais les utilisateurs intensifs se heurtent encore à des compromis entre la granularité du modèle et la performance. Côté coût, Kinaxis représente un investissement considérable, et parce qu’il s’agit d’un système d’aide à la décision (et non d’un solveur autonome), le ROI dépend fortement de l’utilisation effective par les planificateurs de ces outils “what-if”. Degré d’automatisation : Kinaxis supporte une certaine automatisation – par exemple, vous pouvez configurer des déclencheurs automatisés ou des “agents” pour gérer certaines tâches (et ils explorent l’“agentic AI” pour gérer automatiquement les exceptions routinières ¹⁸). Cependant, en pratique, la plupart des clients de Kinaxis l’utilisent principalement pour mettre en évidence les exceptions et faciliter la collaboration, plutôt que de laisser le système prendre des décisions de manière autonome. Les alertes et les tableaux de bord d’exception constituent un élément central de son utilisation. Cela reflète l’approche traditionnelle : le logiciel signale les problèmes (par exemple, “cette commande sera en retard” ou “stocks en dessous du stock de sécurité”) et les humains décident de la manière de réagir. Comme mentionné, cette dépendance à la prise de décision avec intervention humaine — même pour des cas routiniers — est en contradiction avec le concept d’une supply chain autonome. Kinaxis semble en être conscient et investit dans des “copilotes” IA. En effet, la société a récemment annoncé de nouvelles fonctionnalités d’IA (Kinaxis “Maestro” avec IA générative) qui visent à permettre des workflows de planification entièrement autonomes ¹⁸ à l’avenir. Cependant, ces développements restent prospectifs ; à l’heure actuelle, qualifier Kinaxis d’autonome serait exagéré. Il reste un excellent outil pour une replanification rapide et l’analyse de scénarios, mais il laisse en grande partie la décision à l’utilisateur. Une autre considération : Kinaxis, comme beaucoup de ses pairs, s’est développé par acquisitions — y compris Rubikloud (pour la prévision et la tarification pilotées par l’IA) et MPO (pour l’orchestration des commandes, acquis en 2022). Bien que moins fragmentée que des plateformes comme E2open, chaque composant acquis prend du temps à être pleinement intégré. Si l’IA de prévision et de tarification de Rubikloud reste quelque peu séparée du moteur de planification principal, alors l’optimisation conjointe du prix et des stocks ne sera pas sans accroc. Par exemple, un utilisateur pourrait recevoir une prévision de la demande de l’IA mais ajuster manuellement les stocks de sécurité ou passer outre les recommandations de l’IA par manque de confiance — réintroduisant ainsi le jugement humain dans le processus et brisant la chaîne de l’autonomie. En résumé, Kinaxis est hautement reconnu pour ce qu’il fait – la planification interactive – mais c’est plus un “système avancé d’aide à la conduite” qu’une voiture autonome. Il améliore significativement la productivité et la réactivité des planificateurs sans éliminer le besoin de compétences humaines. Les entreprises devraient se méfier de toute implication selon laquelle l’IA de Kinaxis résoudrait automatiquement des compromis complexes ; en réalité, le logiciel n’est efficace que dans la mesure où le travail des planificateurs et les paramètres qui le guident le sont. Jusqu’à ce que Kinaxis prouve que ses nouveaux agents d’IA peuvent gérer la planification avec une supervision humaine minimale, il reste un cran en dessous des solutions véritablement axées sur l’autonomie.

8. SAP IBP (Integrated Business Planning) – Interface moderne sur des pratiques vieilles de plusieurs décennies. L’IBP de SAP est le successeur du tristement célèbre SAP APO et fait partie de la suite SAP SCM. Étant SAP, c’est souvent le choix par défaut pour les grandes entreprises utilisant SAP ERP. IBP propose des modules pour la prévision de la demande (avec une fonctionnalité de “demand sensing”), l’optimisation de stocks, la planification des approvisionnements et le S&OP, le tout unifié sur la base de données en mémoire SAP HANA. Sur le papier, il semble posséder les composantes d’un système autonome – y compris un optimiseur pour l’inventaire multi-échelons et certaines capacités de machine learning (grâce à l’intégration avec SAP Leonardo AI et des méthodes de prévision basées sur ML). Cependant, en pratique, IBP est une solution hautement manuelle, pilotée par des consultants. Elle nécessite une configuration importante : les entreprises doivent mettre en place des zones de planification, définir des indicateurs clés, configurer des algorithmes et établir des heuristiques de planification. Les planificateurs choisissent encore quels modèles statistiques appliquer pour la prévision, déterminent les objectifs de stock de sécurité ou de taux de service, et examinent manuellement les alertes d’exception. Le soi-disant “demand sensing” de l’IBP est essentiellement un ajustement de prévision à court terme basé sur les données récentes – un concept fortement commercialisé après l’acquisition de SmartOps par SAP et les travaux de Terra Technology. Pourtant, le “demand sensing” s’est largement révélé être un mot à la mode – un rebranding de la prévision à court terme qui ne procure souvent que des gains marginaux en précision et peut parfois introduire du bruit. En réalité, bien que l’intégration de données en temps réel supplémentaires puisse affiner les prévisions, elle ne peut éliminer l’incertitude inhérente aux prévisions ; appliquée naïvement, elle peut même réagir de façon excessive aux fluctuations aléatoires. Plusieurs fournisseurs (E2open, o9, ToolsGroup, etc.) offrent des fonctionnalités similaires de “demand sensing” ¹⁹ et avancent des affirmations audacieuses quant aux améliorations de la précision des prévisions. Le battage médiatique, cependant, dépasse de loin le bénéfice typique, c’est pourquoi nous le considérons comme du vaporware lorsqu’il est présenté comme une solution miracle. SAP IBP inclut cette fonctionnalité, mais les entreprises rapportent des résultats mitigés – il ne rend certainement pas le plan de demande auto-cicatrisant ou autonome sans révision humaine. L’optimisation conjointe des stocks et des prix est absente dans SAP IBP. SAP n’inclut pas de moteur natif d’optimisation des prix au sein d’IBP. La tarification pour la plupart des clients SAP est gérée via des systèmes séparés ou des processus manuels (certains utilisent les outils autonomes de SAP comme SAP Condition Contracts, tandis que d’autres se fient à des logiciels de tarification tiers). En conséquence, la planification chez SAP reste cloisonnée : les entreprises peuvent optimiser les stocks ou la production sur la base d’une demande supposée, mais influencer cette demande par le biais de la tarification relève du champ d’application d’IBP. Cela représente une limitation fondamentale lorsqu’il s’agit de discuter d’une véritable l’optimization de la supply chain autonome de bout en bout. Technologie et scalabilité : SAP IBP fonctionne sur la base de données SAP HANA – une base de données en colonnes en mémoire. La performance peut être bonne pour les calculs, mais le coût peut rapidement augmenter à mesure que les besoins en mémoire et en puissance de calcul croissent. De nombreux calculs dans IBP (comme l’exécution d’un optimiseur global ou de prévisions à grande échelle) sont effectués par des traitements par lots durant la nuit, et non instantanément à la volée. SAP a introduit quelques algorithmes ingénieux (par exemple, un optimiseur pour les stocks qui utilise des modèles stochastiques issus de l’acquisition de SmartOps, ainsi que certaines techniques de prévision basées sur le machine learning). Mais il convient de noter : aucun algorithme SAP n’a jamais figuré dans des benchmarks externes comme la compétition M5. Le fournisseur a tendance à avancer une “amélioration de 20 % de la précision des prévisions” dans ses documents marketing, mais sans participer à des compétitions ouvertes ou publier ses méthodes en détail, ces affirmations restent des assertions de fournisseur. Il est plus prudent de supposer que les prévisions de SAP sont standards (et en effet, de nombreux clients d’IBP utilisent des modèles statistiques assez basiques ou même des moteurs de prévision externes parce que ceux intégrés ne sont pas révolutionnaires). L’“AI” dans SAP IBP se présente principalement sous forme d’add-ons optionnels (comme l’utilisation de SAP Analytics Cloud pour ajuster automatiquement les modèles de prévision, ou l’utilisation du ML pour détecter des exceptions). SAP promeut également l’idée d’une “supply chain autonome” dans des déclarations de vision de haut niveau, mais les produits concrets sont à la traîne. La véritable force de SAP réside dans l’intégration avec les systèmes transactionnels – IBP récupérera facilement les données SAP ERP et renverra les plans pour exécution. Pourtant, ironiquement, l’intégration des données n’égale pas l’intégration des décisions. Les entreprises utilisant SAP ont souvent encore des humains qui retouchent le plan, l’intègrent dans SAP ERP, puis l’exécutent. En résumé : SAP IBP est fiable et complet en tant qu’outil de planification, mais ce n’est pas un véhicule sans conducteur. Il repose toujours sur des paramètres réglables par l’utilisateur – des paramètres des modèles de prévision aux profils de couverture de stocks en passant par les heuristiques d’allocation des approvisionnements. Cette forte configurabilité est presque l’antithèse de l’autonomie : le système s’attend à ce que les utilisateurs codifient une grande partie de la logique décisionnelle (ou du moins définissent des seuils). L’approche de SAP digitalise essentiellement le processus de planification traditionnel plutôt que de le réinventer fondamentalement avec l’AI. En conséquence, le degré d’automatisation reste limité. IBP génère de nombreuses alertes et messages d’exception destinés à être traités par les planificateurs, indiquant que le système rend fréquemment le contrôle aux humains dès que les plans dévient des attentes. Il est également révélateur qu’aucun fournisseur n’est plus associé à de grandes implémentations personnalisées (et même à des échecs d’implémentation) que SAP dans le domaine du SCM ; si l’optimization autonome était vraiment plug-and-play, de tels coûts de service élevés et des résultats incohérents seraient bien moins courants. Pour être juste, SAP dispose d’énormes ressources et pourrait faire évoluer IBP rapidement. Mais en 2025, si l’on vise un système de planification véritablement autonome, IBP nécessiterait tant de personnalisation et de travail manuel qu’il n’est pas le premier choix. Il offre des analyses performantes et une plateforme unique pour la planification, mais l’autonomie doit être superposée par les efforts du client , le cas échéant.

9. E2open – Factotum, maître de rien (en planification). E2open est une bête quelque peu différente : c’est une plateforme supply chain reconnue pour son réseau multi-entreprises (connectant de nombreux partenaires commerciaux) et une frénésie d’acquisitions qui lui ont conféré un portefeuille extrêmement large. Aujourd’hui, E2open inclut des composants pour la planification de la demande, le S&OP, la planification des approvisionnements, la logistique, les achats, et plus encore, grâce à l’acquisition de nombreuses entreprises au fil des années. Notamment, il a acquis Terra Technology (pour le demand sensing et l’optimisation de stocks multi-échelons) en 2016, Steelwedge (pour le S&OP) en 2017, et plus récemment des logiciels pour le transport (BluJay, Cloud Logistics) et les données de canal (Zyme, etc.) ²⁰. En théorie, E2open peut optimiser l’ensemble de la supply chain – de la fabrication à la distribution jusqu’au client final – en intégrant les données de stocks de canal et les contraintes fournisseurs. Il commercialise cela comme une solution de bout en bout sur une plateforme cloud unifiée. La réalité, cependant, est que l’unité d’E2open concerne davantage les ventes que la technologie. Les applications acquises restent des modules discrets, intégrés principalement au niveau des données via le réseau d’E2open et enveloppés dans une interface utilisateur partagée (l’interface “Harmony”) ²¹. Sous le capot, cependant, vous avez encore différents moteurs – par exemple, le moteur de demand sensing de Terra et le moteur de planification de Steelwedge – chacun avec sa propre logique. Bien qu’E2open ait maintenu et modestement amélioré ces composants, l’intégration profonde (comme une optimisation véritablement conjointe) reste limitée. Aspects d’autonomie : La communication d’E2open regorge de mots à la mode – ils parlent d’“automation pilotée par l’AI”, de “planification et exécution continues”, de “pensée outside-in (pilotée par la demande)” etc. ²¹. La technologie de demand sensing de Terra est en effet une approche orientée AI (utilisant les données en aval et le machine learning pour ajuster les prévisions). Et Steelwedge a fourni un flux de travail de gestion des exceptions. Mais en y regardant de plus près, la planification d’E2open repose toujours sur des méthodes traditionnelles : des prévisions statistiques pouvant intégrer quelques signaux externes, des solveurs d’optimisation fonctionnant avec des paramètres définis par l’utilisateur, et de nombreux flux de travail collaboratifs impliquant des humains (les expressions “forecast collaboration” et “exception management” apparaissent fréquemment dans les documents d’E2open ²¹, ce qui indique que le système signale des problèmes pour que des personnes les résolvent). Le point fort d’E2open est le réseau – par exemple, sa plateforme peut automatiquement partager une prévision de demande avec un fournisseur et obtenir son engagement, puis ajuster le plan. C’est une automatisation utile de la communication, mais ce n’est pas la même chose qu’une AI décidant du plan optimal. C’est davantage un outil de coordination facilité. Optimisation conjointe des stocks & prix : E2open n’a pas de solution d’optimisation de prix dans sa suite. Il dispose de certains outils de “channel shaping” qui aident avec des aspects tels que les promotions, les incitations et les programmes de modelage de la demande dans les canaux de distribution ²¹. Mais ceux-ci concernent davantage la gestion des remises ou l’assurance de la disponibilité des produits que la fixation algorithmique des prix optimaux. Ainsi, comme chez SAP, la boucle d’optimisation d’E2open est essentiellement rompue au niveau de la décision de tarification – elle suppose des entrées de tarification plutôt que de les choisir. Technologie et performance : Étant donné sa lignée, les composants d’E2open varient. La demand sensing de Terra était considérée comme la meilleure de sa catégorie il y a une décennie pour l’affinement des prévisions à court terme. Steelwedge était un outil de S&OP purement cloud (mais essentiellement de type OLAP et tableur). L’ancien système propre à E2open (issu du “TradeMatrix” d’i2) portait sur la visibilité multi-niveaux, et non sur une optimisation poussée. Ce qui inquiète ici, c’est beaucoup de code hérité fonctionnant derrière une façade cloud brillante. Des clients ont rapporté que l’expérience utilisateur d’E2open s’était améliorée avec l’UI Harmony, mais la profondeur des capacités analytiques n’a pas surpassé celle des concurrents. De plus, le maintien d’autant de modules a apparemment étiré E2open – il y a eu des rapports d’une innovation en ralentissement, l’entreprise se concentrant sur l’intégration des acquisitions et (étant une entreprise publique jusqu’à récemment) sur l’atteinte d’objectifs financiers. En fait, la trajectoire d’E2open a rencontré des turbulences : en 2025, son cours de l’action avait chuté, et il a accepté d’être acquis par WiseTech Global ²⁰. WiseTech (une société australienne de logiciels de logistique) voulait principalement les pièces de réseau et de logistique d’E2open. On ne sait pas combien ils investiront dans la planification d’E2open et ses capacités d’“optimization autonome” par rapport à peut-être une réduction de portefeuille. D’un point de vue sceptique, la grande vision d’E2open d’une solution supply chain tout-en-un a été plus une présentation PowerPoint qu’une réalité. Chaque composant peut apporter de la valeur dans sa niche (Terra peut améliorer modestement la précision des prévisions à court terme ; le MEIO peut définir des réserves de stocks ; etc.), mais les rassembler pour que la supply chain se gère presque toute seule dépasse ce qu’E2open a accompli. En effet, E2open vend souvent les modules individuellement pour résoudre d’abord des problèmes spécifiques ²¹, et les clients pourraient ne pas étendre l’utilisation à l’ensemble de la suite. Cela suggère même que les clients le considèrent comme une collection d’outils, et non comme un cerveau intégré. Jusqu’à ce que nous voyions des preuves (par exemple, des études de cas où une entreprise laissait l’AI d’E2open planifier et exécuter automatiquement à travers les achats, la fabrication et la distribution avec un minimum d’ordres humains), E2open reste un ensemble de solutions de milieu de gamme plutôt qu’un leader de l’optimization autonome.

Résumé sceptique et conclusion

La vision d’une supply chain autonome – un système qui anticipe, planifie et agit de manière optimale avec un minimum d’intervention humaine – est à la base de la stratégie marketing de nombreux fournisseurs en 2025. Pourtant, comme le montre notre étude, les offres réelles sont un mélange hétéroclite , échouant souvent à atteindre cette vision. Quelques acteurs (notamment Lokad, RELEX, o9, et peut-être la nouvelle incarnation de ToolsGroup) alignent leur technologie sur les exigences fondamentales de l’autonomie : la prévision probabiliste de tout ce qui est incertain, l’optimisation conjointe des décisions concernant les stocks et les prix, un calcul scalable pour gérer de larges assortiments, et des cadres décisionnels qui fournissent des actions claires (commandes, allocations, changements de prix) plutôt que des alertes interminables . Ces fournisseurs tendent également à disposer de bases de code plus modernes, ou du moins avec moins d’encombrement, leur permettant d’incorporer les dernières méthodes d’AI de manière plus intégrée. Ce n’est pas un hasard, par exemple, que l’équipe de Lokad ait prouvé sa maîtrise de la prévision dans une compétition ouverte ¹ – ce dont la plupart des grands fournisseurs se tenaient à l’écart – ou que RELEX, nouvel entrant, ait intégré l’optimisation des prix dans sa plateforme dès le départ plutôt que de façon accessoire .

En revanche, les fournisseurs hérités (Blue Yonder, SAP, Oracle dans une certaine mesure, voire Kinaxis) disposent d’une fonctionnalité étendue mais souvent en silos, et ils s’appuient sur des flux de travail pilotés par l’humain avec l’AI comme soutien à la décision. Ils font également souvent des affirmations qui peinent à convaincre : des améliorations manquant de contexte, ou des promesses bourrées de mots à la mode avec peu de détails techniques. Une saine dose de scepticisme est de mise lorsqu’un fournisseur se vante d’“incorporer plus de 200 moteurs de demande” ou de “recalculer les prévisions pour l’ensemble de l’assortiment en quelques secondes”. En pratique, utiliser des centaines de facteurs de demande conduirait probablement à un surapprentissage et submergerait tout modèle (et rendrait la maintenance cauchemardesque – un véritable résultat de “boîte noire”), et “la prévision instantanée pour des milliers de SKUs” implique généralement un modèle très simpliste (puisque les modèles complexes prennent du temps ; si c’est vraiment instantané, il s’agit peut-être simplement d’une extrapolation naïve). Nous avons cherché des preuves de substance derrière de telles affirmations. Par exemple, les fournisseurs vantant “la prévision pilotée par l’AI” – ont-ils publié des méthodes ou participé à quelque chose comme la compétition M5 ? Sinon, nous avons supposé que ces affirmations ne sont que du vent marketing jusqu’à preuve du contraire. De même, le “demand sensing” a été un terme populaire surtout par SAP et E2open ; nous l’avons trouvé essentiellement comme un rebranding de la prévision à court terme utilisant les ventes récentes, ce que plusieurs sources indiquent fournir des rendements décroissants et peut même être contre-productif si réalisé naïvement ¹⁹. Aucun des fournisseurs prétendant le “demand sensing” n’a fourni de résultats transparents et évalués par des pairs démontrant qu’il surpasse de manière spectaculaire des prévisions traditionnelles bien ajustées.

Un autre signal d’alerte concerne les fournisseurs qui mettent en avant « configurabilité », « des centaines de paramètres » ou « l’utilisateur peut définir sa stratégie » comme un atout – cela signifie souvent que le système lui-même n’est pas assez intelligent pour déterminer la bonne politique, déléguant ainsi cette responsabilité à l’utilisateur. La véritable autonomie provient du système qui apprend et s’adapte, et non de demander à l’humain d’encoder en dur des règles ou des seuils. De même, une insistance sur « alertes, centres de contrôle et gestion des exceptions » (courant chez Kinaxis, SAP, etc.) laisse entendre que le logiciel renverra de nombreux problèmes aux humains. Cela est fondamentalement opposé à une approche pilotée par l’IA, dans laquelle le logiciel devrait gérer la routine et n’escalader que les situations réellement extraordinaires. Si la proposition de valeur d’un fournisseur se résume à « nous vous alerterons plus rapidement en cas de problème », c’est utile mais ce n’est pas autonome.

La qualité de l’intégration est un autre aspect : De nombreux fournisseurs se sont développés par acquisition, ce qui, comme nous l’avons expliqué, tend à nuire à une optimisation fluide. L’optimisation conjointe des stocks et de la tarification est particulièrement révélatrice – aucun des grands acteurs historiques n’a débuté avec ces deux capacités, et les combiner a posteriori est un défi immense (données différentes, approches algorithmiques distinctes, silos organisationnels dans l’entreprise cliente, etc.). Il n’est pas surprenant que Lokad et RELEX – qui privilégient tous deux l’intégration de la tarification aux décisions de supply chain – soient des entreprises plus récentes ; elles ont conçu leurs solutions à une époque où la tarification dynamique et l’IA étaient déjà des considérations clés. En revanche, les fournisseurs plus anciens s’efforcent d’ajouter de tels éléments maintenant (par exemple, ToolsGroup achetant Evo, Kinaxis achetant Rubikloud). Le sceptique s’attend à ce que ces intégrations rencontrent des accrocs : latence des données entre les systèmes, objectifs incohérents (un système minimisant les stocks, un autre maximisant la marge – comment se réconcilient-ils automatiquement ?), et tout simplement le temps nécessaire pour fusionner techniquement les bases de code ou les interfaces utilisateur. Jusqu’à ce que nous voyions un cas client en direct où, par exemple, l’optimisation unifiée de tarification+stocks de ToolsGroup fonctionne sans encombre à grande échelle, nous supposerons qu’il reste du travail à faire.

La scalabilité et l’efficience en coût ne peuvent être ignorées dans cette discussion. Certains fournisseurs (Blue Yonder, SAP) s’appuient sur des architectures lourdes en mémoire ou sur des clouds de données tiers qui peuvent devenir très coûteux à grande échelle. Un système véritablement autonome doit traiter régulièrement d’énormes quantités de données (signaux de demande, statuts des stocks, prix des concurrents, etc.). Si cela engendre des factures exorbitantes de cloud computing ou nécessite du matériel exotique, c’est un obstacle pratique à l’autonomie (l’entreprise sera contrainte de réduire la portée de la solution pour contrôler les coûts, menant au mieux à une automatisation partielle). Comme indiqué, les approches basées sur Snowflake pourraient tomber dans ce piège – les incitations à optimiser le code sont désalignées ¹⁵, si bien que les utilisateurs pourraient finir par payer un supplément pour chaque petite requête. Pendant ce temps, Lokad a développé son propre moteur axé sur la performance (avec un langage de programmation personnalisé) pour traiter efficacement les données ²², et le modèle en mémoire de Kinaxis, bien que coûteux, était au moins optimisé pour la rapidité. La question clé : le fournisseur répercute-t-il les inefficacités computationnelles (et leurs coûts) sur le client ? Si oui, cela suggère que la solution pourrait ne pas scaler de manière autonome – les clients surveilleront ce qui est introduit afin d’éviter des coûts élevés, contrecarrant ainsi l’objectif d’une IA censée dévorer les données.

Enfin, il est important de souligner qu’aucun fournisseur n’obtient un taux de réussite de 100%. Chacune de ces entreprises a connu des projets ratés – la différence réside dans le fait qu’elles en font preuve en toute transparence et en tirent des leçons, ou qu’elles les dissimulent sous des atours marketing. Lorsqu’on évalue des affirmations telles que « amélioration moyenne de X% » ou « aucune implémentation ratée », il convient d’être extrêmement prudent. Le cas Dillard’s vs i2 avec un jugement de 246M $ contre i2 ¹⁰ est un exemple extrême qui rappelle que des affirmations audacieuses peuvent mener à des déceptions coûteuses si la technologie ne parvient pas à les étayer. Nous privilégions les fournisseurs qui offrent des résultats spécifiques et mesurés avec du contexte (par exemple, « le client A, dans l’électronique, a amélioré son taux de service de 92% à 96% sur les articles à faible rotation, avec une réduction de stocks de 10% après 1 an – grâce à la prévision probabiliste des demandes et l’optimisation de tarification »). Des affirmations génériques telles que « réduction des ruptures de stock de 30% » sans contexte (base de référence, période, conditions) sont pratiquement dénuées de sens et sont sans doute sélectionnées ou même fictives.

En conclusion, dès 2025 le marché présente de vrais progrès légitimes vers l’optimisation autonome de la supply chain. Quelques solutions se distinguent par leur robustesse technique et leur vision avant-gardiste. Lokad émerge comme notre premier choix grâce à son approche holistique et probabiliste ainsi qu’à ses preuves d’excellence en prévision – il semble réellement permettre une prise de décision robotisée dans les stocks et la tarification, traitant la supply chain comme un problème d’optimisation quantitative à résoudre avec un minimum de biais humain ²². RELEX et o9 ne sont pas loin derrière, chacun apportant de solides références en IA et une conception intégrée (notamment RELEX pour le retail). ToolsGroup évolue admirablement en reconnaissant le besoin d’une logique unifiée de tarification/stocks, bien que son autonomie ne soit aussi bonne que l’intégration de ses nouvelles acquisitions. Aera Technology représente une approche complémentaire prometteuse – s’occupant de manière autonome des ajustements d’exécution en temps réel, qui pourraient être associés à un autre système pour la planification. Pendant ce temps, les grandes suites héritées (Blue Yonder, SAP, Oracle) offrent une couverture étendue mais nécessitent toujours une importante intervention humaine, et doivent donc être abordées avec précaution si l’objectif est une supply chain « autonome » à faible effectif. Elles peuvent faire partie d’une stratégie de supply chain digitale, mais s’attendre à ce qu’elles fonctionnent comme un système autonome conduira probablement à de la frustration.

Au final, atteindre une supply chain autonome relève autant d’un parcours que de l’achat d’un logiciel. Même la meilleure plateforme nécessite la construction d’une relation de confiance – les entreprises doivent laisser les algorithmes faire leur travail pour en percevoir les bénéfices, ce qui peut être culturellement difficile. Les fournisseurs en tête de notre classement offrent les outils pour y parvenir, tandis que ceux en bas risquent de vous ramener à une gestion manuelle de crises malgré toutes leurs promesses tapageuses. Nous recommandons de se concentrer sur des fournisseurs qui mettent l’accent sur des modèles transparents et probabilistes, l’optimisation économique, et qui disposent de cas d’usage réels d’automatisation – et d’exiger de tout fournisseur des explications concrètes sur le fonctionnement de leur IA et sur la manière dont elle a été validée (s’ils ne peuvent pas fournir ces éléments, soyez extrêmement sceptique). Dans un domaine truffé de buzzwords, s’en tenir à une approche fondée sur la recherche de la vérité et les preuves vous sera profitable. Après tout, faire fonctionner une supply chain « en pilotage automatique » est un objectif séduisant – mais seulement si le pilote automatique a été rigoureusement testé et prouvé en situation de turbulence, et non lors d’un simple vol de démonstration.

Footnotes