IA pour la gestion des stocks et des approvisionnements

Tout le monde connaît la scène. Un client passe une commande, l'article est marqué disponible dans l'ERP, et il n'est pas en rayon. Ou l'inverse : trois palettes d'une référence dorment depuis huit mois pendant qu'on rachète en urgence celle d'à côté. La gestion des stocks, dans une PME industrielle, tient souvent à la mémoire de deux personnes et à un fichier Excel que personne d'autre n'ose ouvrir.

L'IA appliquée aux stocks ne cherche pas à remplacer ces gens. Elle vise leur charge la plus ingrate : recalculer, tous les jours, ce qu'il faudrait commander pour des centaines ou des milliers de références, en tenant compte de la saisonnalité, des délais fournisseurs et des tendances récentes. Un travail que personne ne peut faire à la main sur l'ensemble du catalogue, et qu'on finit donc par faire au feeling.

Le vrai problème n'est pas le stock, c'est la prévision

On parle de « gestion des stocks » mais le nœud est ailleurs. Gérer un stock, techniquement, c'est facile : entrées, sorties, seuils. Ce qui est dur, c'est de deviner la demande de demain. Trop prudent, on surstocke et on immobilise de la trésorerie. Trop optimiste sur la rotation, on tombe en rupture et on perd la vente, parfois le client.

La plupart des PME arbitrent ce risque avec une règle unique : le stock de sécurité. Une valeur fixe, décidée une fois, rarement révisée. Le souci, c'est qu'un stock de sécurité identique pour une référence qui part tous les jours et pour une autre qui bouge trois fois par an n'a aucun sens. Il finit trop haut sur les articles calmes et trop bas sur les articles nerveux.

C'est là que la prévision de la demande entre en jeu. Plutôt qu'un seuil figé, on estime pour chaque référence une consommation probable sur les prochaines semaines, avec une marge d'incertitude. Un article régulier se pilote au plus juste. Un article erratique garde un matelas. La logique s'adapte au comportement réel de chaque produit, pas à une moyenne globale qui ne correspond à rien.

Comment l'IA anticipe réellement la demande

Concrètement, un modèle de prévision regarde votre historique de ventes ou de consommation, ligne par ligne, et y cherche des régularités. Trois signaux comptent surtout.

La tendance de fond, d'abord : est-ce que cette référence monte, baisse ou stagne sur les deux dernières années ? La saisonnalité, ensuite, qui est le gros morceau dans l'industrie. Le chauffagiste sait que les résistances partent à l'automne. L'agroalimentaire connaît ses pics d'été. Un modèle apprend ces cycles tout seul, y compris ceux que personne n'avait formalisés. Les événements calendaires, enfin : fermetures d'usine, ponts de mai, semaine 33, salons professionnels qui vident un stock d'un coup.

Là où un tableur applique une moyenne mobile un peu bête, un modèle statistique pondère ces signaux et sort une fourchette. Pas « il faut 200 pièces » mais « la demande sera vraisemblablement entre 160 et 240, avec une centrale autour de 195 ». Cette fourchette, c'est elle qui pilote intelligemment le stock de sécurité. Plus l'incertitude est grande, plus le matelas grossit, automatiquement.

De cette prévision découle un calcul tout bête, mais que peu de PME tiennent à jour référence par référence : le point de commande. C'est le niveau de stock à partir duquel il faut relancer pour être livré pile avant de tomber à sec. Il dépend de la demande attendue pendant le délai fournisseur, plus une marge liée à l'incertitude qu'on vient d'évoquer. Un délai qui s'allonge de trois jours, une demande qui accélère sur une saison, et ce seuil doit bouger. Le recalculer chaque nuit, sur chaque article, c'est exactement le genre de corvée qu'on confie à la machine. Dans la foulée, le même moteur repère les valeurs qui sortent du décor : une commande vingt fois supérieure à l'habitude, une consommation qui tombe à zéro sans raison, une saisie manifestement fausse. Ces anomalies remontent avant de polluer les prévisions du mois suivant.

Petite nuance honnête. Sur des historiques longs et réguliers, des méthodes statistiques éprouvées comme le lissage exponentiel ou les modèles ARIMA font déjà un excellent travail, et il ne faut pas les mépriser sous prétexte qu'elles ne portent pas l'étiquette « IA ». Les modèles d'apprentissage automatique prennent l'avantage quand vous avez beaucoup de références, des interdépendances entre produits, ou des variables externes à intégrer : météo, prix des matières, activité d'un client majeur. Choisir la bonne approche fait partie du métier, et un bon prestataire vous dira parfois qu'un modèle simple suffit.

Éviter la rupture ET le surstock, en même temps

Ces deux ennemis semblent opposés. Ils ne le sont pas. Ils viennent tous les deux de la même cause : une mauvaise lecture de la demande. Améliorez la prévision, et vous gagnez sur les deux tableaux au lieu de déplacer le curseur de l'un vers l'autre.

Prenez la rupture. Elle coûte plus cher qu'on ne le croit, parce qu'on ne la voit pas. La vente perdue ne laisse pas de trace comptable. Le client mécontent qui va voir ailleurs non plus. Dans l'industrie, une rupture sur un composant peut arrêter une ligne entière et faire chômer des opérateurs. Le coût réel dépasse largement la marge de la pièce manquante.

Le surstock, lui, se voit trop bien : il occupe des mètres carrés, mobilise de la trésorerie et vieillit. Certaines références deviennent obsolètes, d'autres périmées, d'autres simplement invendables parce que le modèle a changé. Une IA correctement réglée signale tôt ces dérives. Elle repère la référence dont la rotation ralentit avant qu'elle ne devienne un stock mort, et propose de ralentir les réappros pendant qu'il est encore temps.

Le bon indicateur à surveiller n'est ni le taux de service seul, ni la valeur de stock seule, mais leur rapport. On veut tenir un niveau de service donné, disons 97 %, avec le moins de stock possible. Les ordres de grandeur qu'on observe dans les projets sérieux tournent autour de 20 à 30 % de stock en moins à service constant, ou d'une nette baisse des ruptures à stock constant. Ce sont des fourchettes prudentes, pas une promesse : votre résultat dépend de la propreté de vos données et de la régularité de votre demande.

Automatiser les réappros et les alertes

Prévoir, c'est bien. Agir sur la prévision, c'est le vrai gain de temps. Une fois le modèle en place, il alimente deux automatisations complémentaires.

La première, ce sont les propositions de réapprovisionnement. Chaque matin, le système compare le stock disponible, les commandes en cours, les délais fournisseurs et la demande prévue, puis génère une liste de commandes suggérées. L'approvisionneur ouvre son écran et voit du travail déjà mâché : telle référence, telle quantité, tel fournisseur, à commander aujourd'hui pour être livré avant la rupture. Il valide, ajuste ou refuse. Il ne repart pas d'une feuille blanche.

La seconde, ce sont les alertes ciblées. Pas une avalanche de notifications qui finissent ignorées, mais quelques signaux qui méritent une vraie attention.

• Une référence dont la demande décroche par rapport à l'historique, signe d'un produit en fin de vie ou d'un client qui a réduit ses commandes.
• Un fournisseur dont les délais s'allongent, détecté sur les dernières livraisons, avec un stock de sécurité à remonter en conséquence.
• Un risque de rupture à quinze jours sur un article critique, calculé en croisant le carnet de commandes et les prévisions.
• Un surstock qui se forme, avec une suggestion de promotion ou de gel des commandes avant que la valeur ne se fige.

Le principe qui rend tout ça vivable au quotidien s'appelle l'humain dans la boucle. L'IA propose, elle n'engage jamais seule une commande fournisseur. Sur les montants faibles et répétitifs, on peut lui laisser plus d'autonomie. Sur une commande importante ou un fournisseur sensible, un humain valide toujours. C'est un choix de conception, et c'est aussi ce qui fait accepter l'outil par les équipes. Personne n'a envie qu'un algorithme opaque passe 40 000 € de commande pendant la nuit.

Exploiter les données de l'ERP, sans les recopier

Toutes ces données existent déjà chez vous. Elles dorment dans votre ERP : Sage, Divalto, un SAP, Cegid, ou une solution métier plus ancienne. Le mouvement de stock, l'historique des ventes, les fiches articles, les délais fournisseurs, les commandes en cours. La matière première d'un bon modèle de prévision est là, pas besoin de la ressaisir.

Le travail d'intégration consiste à connecter le modèle à cette source, de préférence en lecture, sans perturber le fonctionnement de l'ERP. Selon les cas, on passe par une API, par des exports programmés, ou par une lecture directe de la base. Un outil d'orchestration comme n8n ou Make orchestre ces échanges, déclenche le calcul chaque nuit et renvoie les propositions dans un tableau de bord, un mail, ou directement dans l'ERP quand c'est possible. L'idée n'est pas de remplacer votre système de gestion. C'est d'ajouter une couche d'intelligence par-dessus, qui lit ce qui existe et rend des décisions.

Grosses plateformes ou brique légère : ce qui tient dans une PME

Quand on cherche « IA et gestion des stocks », on tombe vite sur des noms qui en imposent : Kinaxis, Blue Yonder, SAP IBP, o9, RELEX. Ce sont de vraies plateformes de supply chain, puissantes, capables de piloter une chaîne d'approvisionnement à l'échelle d'un groupe mondial. Elles ont été conçues pour ça. Pour des entreprises qui ont une équipe supply chain dédiée, un chef de projet à plein temps pendant un an, et un budget qui démarre là où celui d'une PME industrielle s'arrête.

Poser un tel outil sur une société de quarante personnes, c'est atteler un semi-remorque à une course qu'une camionnette ferait très bien. L'outil n'y est pour rien. Ce qui coince, c'est l'écart entre ce qu'il réclame pour tourner (données très structurées, gouvernance, paramétrage lourd) et ce qu'une PME peut honnêtement lui donner.

La voie réaliste pour une PME industrielle est plus modeste et, à vrai dire, souvent plus efficace. Une automatisation légère, greffée sur l'ERP que vous avez déjà, Sage, Divalto ou Cegid, qui lit l'historique, calcule les prévisions et les points de commande, et dépose chaque matin des propositions de réappro sous les yeux de l'approvisionneur. Aucun nouveau système à apprendre. Aucune migration douloureuse. Une brique qui vient se poser par-dessus l'existant et qui répond à la seule question qui vous occupe vraiment : qu'est-ce que je commande, en quelle quantité, aujourd'hui ? On penche pour cette approche, pas par méfiance envers les grandes suites, mais parce qu'elle se déploie en semaines et que les équipes finissent par s'en servir au lieu de la fuir.

On tape ici le point le plus important de tout l'article, alors autant le dire franchement.

La condition non négociable : des données propres

Une IA de prévision vaut ce que valent vos données. Si votre historique est troué, si les mouvements de stock ne sont pas saisis en temps réel, si la même pièce existe sous trois codes articles différents, aucun modèle ne rattrapera ça. Le vieux principe reste vrai : entrée pourrie, sortie pourrie.

Voici ce qu'on regarde avant de promettre quoi que ce soit.

• La profondeur d'historique. Deux à trois ans de mouvements permettent de capter la saisonnalité. En dessous d'un an, on reste modeste.
• La fiabilité des stocks. Si le stock théorique et le stock physique divergent de 15 %, il faut d'abord fiabiliser les inventaires. Un modèle nourri de faux stocks produit de fausses commandes.
• La cohérence des références. Doublons, articles fantômes, unités mélangées entre pièce et lot : ce nettoyage précède toujours la prévision.
• La traçabilité des ruptures passées. Une vente perdue faute de stock n'apparaît pas dans l'historique, ce qui fausse la demande réelle vers le bas. On en tient compte.

Ce n'est pas glamour. Mais c'est là que 80 % de la valeur se joue, et c'est aussi pour ça qu'on refuse de vendre un modèle à quelqu'un dont les données ne sont pas prêtes. Parfois, la première étape utile n'est pas l'IA du tout : c'est remettre de l'ordre dans les fiches articles. On préfère le dire tôt que d'encaisser un projet voué à décevoir.

Par où commencer, concrètement

Le pire départ, c'est le grand soir : brancher le modèle sur les 8 000 références du catalogue et espérer que tout roule. Ça ne marche jamais et ça brûle la confiance des équipes au premier écart. On procède autrement.

On choisit un périmètre restreint. Une ou deux familles d'articles à forte rotation, celles où une rupture fait mal et où le surstock coûte cher. On construit le modèle dessus, on le fait tourner en parallèle du fonctionnement actuel pendant quelques semaines, sans rien engager, juste pour comparer ses propositions à ce qu'aurait fait l'équipe. Cette phase de test à blanc rassure et révèle vite les défauts de données.

Ensuite, on élargit. Famille par famille, en gardant l'humain dans la boucle sur les décisions engageantes. Le déploiement se compte en mois, pas en trimestres, et chaque étape apporte un gain mesurable avant de passer à la suivante. C'est plus lent qu'une démo commerciale. C'est aussi la seule façon d'obtenir un outil que vos approvisionneurs utilisent vraiment au lieu de le contourner.

La bonne porte d'entrée dépend aussi de votre taille. Une PME de dix à trente personnes gagne d'abord à fiabiliser ses fiches articles puis à automatiser le calcul de réappro sur les références qui tournent, un chantier court et à retour rapide. Une ETI multi-sites, avec des milliers de références, a plutôt intérêt à traiter la prévision entrepôt par entrepôt, en attaquant celui où l'argent immobilisé est le plus lourd. La mécanique, elle, ne change pas : un périmètre étroit, un résultat qu'on mesure, puis on étend une fois la confiance installée.

Ce que l'IA ne fera pas à votre place

Un mot d'honnêteté pour finir. Un modèle de prévision ne connaît pas l'appel d'offres que votre commercial va décrocher la semaine prochaine et qui va tripler la demande sur une référence. Il ne sait pas qu'un fournisseur va fermer trois semaines cet été. Ces informations vivent dans la tête des gens, pas dans l'historique.

Le bon dispositif laisse toujours une porte pour injecter ces connaissances métier : un carnet de commandes prévisionnel, une saisie d'événement exceptionnel, un ajustement manuel qui prime sur le modèle. L'IA gère le volume et la routine. L'humain garde l'exception et le jugement. C'est cette répartition, et pas la puissance du modèle, qui décide de la réussite d'un projet de gestion des stocks assistée par IA.