Comment l’intelligence artificielle révolutionne la préparation de commandes dans les entrepôts modernes

Pourquoi tout le monde parle d’IA en préparation de commandes

Depuis deux ans, la plupart des directions logistiques que j’accompagne ont la même question : « On nous vend de l’IA partout, mais concrètement, ça change quoi pour la préparation de commandes ? »

La réponse tient en une phrase : bien utilisée, l’intelligence artificielle permet de préparer plus vite, avec moins d’erreurs, sans forcément rajouter des mètres carrés ni des chariots.

Mais attention : on ne parle pas de robots futuristes qui font tout tout seuls. On parle d’algorithmes très concrets qui optimisent :

• le chemin des préparateurs dans l’entrepôt,
• la composition des vagues (batchs) de préparation,
• le choix du support et du mode de picking,
• la répartition de la charge entre les opérateurs et les zones,
• et même la façon de ranger les produits en amont.

Voyons déjà quels sont les vrais gains, chiffrés, puis comment ces systèmes fonctionnent sur le terrain.

Les 4 grands gains de l’IA sur la préparation de commandes

Les promesses marketing annoncent parfois +50 % de productivité. Sur le terrain, sur des sites de taille moyenne (10 à 80 préparateurs), ce que je vois le plus souvent, c’est :

• +15 à +30 % de productivité picking (lignes préparées par heure),
• -20 à -40 % de kilomètres parcourus par les opérateurs,
• -30 à -60 % d’erreurs de préparation (grâce au couplage IA + aide visuelle/voix),
• un ROI entre 12 et 30 mois selon le niveau d’automatisation déjà en place.

Exemple concret : une PME e‑commerce en périphérie de Lyon, 12 préparateurs en haute saison, 4 000 lignes/jour. Après mise en place d’un moteur d’optimisation de tournées et de vagues de préparation basé sur l’IA :

• productivité passée de 110 à 145 lignes/heure (+32 %),
• temps de marche réduit de 25 % (mesuré par les données Wi-Fi des terminaux),
• retours clients pour erreur de préparation divisés par deux en trois mois.

Sans extension de surface, sans robot autonome. Simplement en laissant un algorithme décider : « qui prépare quoi, dans quel ordre, par quel chemin ».

Comment l’IA optimise les chemins de picking

La base de la préparation de commandes, c’est la marche. Dans certains entrepôts, un préparateur peut parcourir 12 à 15 km par jour. Chaque mètre inutile coûte du temps, de la fatigue, et à la fin, de l’argent.

Classiquement, les WMS utilisent des algorithmes de type « plus court chemin » assez simples, basés sur le plan d’adressage. L’IA va plus loin, en prenant en compte :

• la congestion des allées (zones où les opérateurs se gênent),
• les sens de circulation réels (et pas seulement théoriques),
• les arrêts fréquents (recharges, pauses, contrôles qualité),
• les temps réels de prélèvement par type de produit (fragile, lourd, encombrant).

Comment ? En exploitant les données déjà disponibles :

• les historiques de scans (temps entre deux scans, localisation, nombre de lignes),
• les données RTLS, Wi‑Fi ou RFID lorsqu’elles existent,
• les temps de cycle par opérateur, par zone, par tranche horaire.

Sur cette base, un modèle d’IA « apprend » quels chemins sont réellement les plus rapides, y compris si cela implique un détour qui évite une zone toujours embouteillée entre 9h30 et 11h, par exemple.

Un exemple de site B2B dans l’industrie agroalimentaire, 18 000 m², double picking au sol et en hauteur :

• avant : chemin théorique optimisé par allée croissante,
• après IA : chemin dynamique, recalculé à chaque vague, qui évite de faire croiser trop souvent les chariots élévateurs et les préparateurs au sol,
• résultat : -22 % de temps de cycle moyen par commande et réduction des quasi-accidents déclarés.

La composition des vagues de préparation : le vrai levier caché

On sous-estime souvent l’impact de la façon dont on compose les vagues de préparation (batching). L’IA excelle justement là-dessus, parce qu’elle gère beaucoup mieux que nous les arbitrages contradictoires.

Dans une vague de préparation, il faut concilier :

• la réduction des déplacements,
• le respect des heures-limites transporteurs (cut-off),
• les priorités clients (premium, urgents, B2B spécifiques),
• la capacité des postes de packing et de contrôle,
• la disponibilité de certains articles (ruptures temporaires, réassorts en cours),
• les consignes de sécurité produit (incompatibilités, ADR, froid, etc.).

Un moteur d’IA va « scorer » chaque commande selon ces critères et décider :

• quelles commandes grouper ensemble dans une même tournée de picking,
• quand les lancer,
• sur quel type de support (chariot, palette, roll, toits de préparation),
• et sur quel opérateur ou équipe les affecter.

Sur un site e‑commerce textile que j’ai accompagné, on est passé :

• de vagues créées en gros « par transporteur et par heure de départ »,
• à des vagues construites automatiquement toutes les 15 minutes par un moteur d’IA, qui intégrait aussi les informations temps réel du TMS et de la production photo.

Résultat :

• réduction de 35 % des retards de cut-off,
• flux beaucoup plus lissés aux postes de packing (fini le « rush » entre 15h et 16h),
• meilleure exploitation des temps creux pour traiter des commandes à plus faible priorité.

Ranger plus intelligemment pour préparer plus vite : l’IA au service du slotting

L’IA ne travaille pas seulement au moment de la préparation ; elle commence en amont, lors du rangement (slotting). La question est simple : « quels produits mettre où, pour limiter les déplacements et les congestions ? »

Les approches classiques se limitent souvent à :

• ABC (A très tournants près des quais, C loin),
• quelques règles métiers (les lourds en bas, le fragile protégé, etc.).

L’IA permet une approche beaucoup plus fine, en tenant compte :

• des fréquences de commandes croisées (produits souvent commandés ensemble),
• de la saisonnalité (articles « stars » de certaines périodes),
• du profil client (B2B, B2C, GMS, marketplace),
• des contraintes physiques réelles (gabarit, poids, contraintes de manutention),
• des temps de prélèvement constatés historiquement.

Concrètement, ça donne des décisions du type :

• « Regrouper ces trois références près l’une de l’autre, car elles apparaissent ensemble dans 70 % des commandes B2C. »
• « Remonter en picking au sol des références saisonnières pour 3 mois, puis les renvoyer en stock de masse. »
• « Séparer ces deux produits volumineux qui créent des blocages dans la même allée aux heures de pointe. »

Sur une plateforme de pièces détachées automobile (catalogue très large, rotation très inégale), le passage à un slotting piloté par IA a permis :

• une réduction de 18 % du temps de picking sur les familles à forte rotation,
• une baisse des croisements chariot/préparateur dans deux allées critiques,
• un meilleur équilibrage de la charge entre zones de picking.

IA + préparation vocale, RF, pick-to-light : un couple gagnant

L’IA ne remplace pas vos technologies de préparation existantes : elle les rend plus intelligentes.

Quelques couples qui fonctionnent bien :

• IA + préparation vocale : l’IA décide de l’ordre optimal des emplacements et des commandes, la voix guide l’opérateur en temps réel. Résultat : peu de formation, productivité immédiate.
• IA + RF (terminaux radio) : l’algorithme gère les vagues et les chemins, les RF affichent les tâches dans l’ordre, en adaptant si une rupture ou un incident est détecté.
• IA + pick-to-light / put-to-light : très efficace en e‑commerce pour consolider automatiquement les commandes : l’IA groupe, le système lumineux dirige la répartition.

Sur un site utilisant déjà la préparation vocale, l’ajout d’un moteur d’optimisation basé IA a apporté :

• +12 % de lignes/heure sans changer de matériel,
• meilleur équilibrage de charge entre opérateurs (écart réduit de 25 % entre le plus lent et le plus rapide),
• moins de « temps morts » entre les vagues, grâce à la génération automatique de nouvelles missions.

Robotisation et IA : ce qui change réellement

Quand on parle d’IA dans les entrepôts, on pense souvent d’abord aux robots mobiles (AMR, AGV, systèmes goods-to-person). Là aussi, l’IA joue un rôle clé, mais plus discret qu’on ne le croit.

Dans un système de type goods-to-person :

• l’IA décide quels bacs ou étagères mobiles envoyer en priorité aux postes,
• elle arbitre entre les commandes urgentes et l’optimisation globale des flux,
• elle apprend quelles combinaisons d’articles sur un même bac réduisent le nombre de mouvements.

Dans un système avec robots mobiles qui vont chercher les racks :

• l’IA répartit les missions entre robots en fonction de leur position, batterie restante, maintenance à venir,
• elle anticipe les embouteillages dans certaines zones et réorganise les trajets en temps réel,
• elle aide à planifier les périodes de recharge pour ne pas perdre de capacité au mauvais moment.

Sur un site B2C ayant déployé 40 robots mobiles, le simple fait d’activer le module d’optimisation IA proposé par le fournisseur a permis :

• +10 à +15 % de lignes préparées par heure de pointe,
• une réduction de 20 % des « temps morts » des robots en attente de mission,
• une diminution significative des interventions humaines pour débloquer des situations de congestion.

Mais attention : sans process bien carrés et sans données propres, l’IA ne compensera pas un mauvais design initial d’entrepôt ou un WMS mal paramétré.

Les limites et pièges à éviter

Tout n’est pas rose. J’ai vu des projets IA en préparation de commandes échouer ou stagner. Les causes reviennent toujours :

• Données sales ou incomplètes : adresses incorrectes, temps de scan non fiables, historiques fragmentés.
• WMS fermé : impossible de brancher proprement un moteur d’optimisation sans ruser avec des exports Excel ou des développements coûteux.
• Process non stabilisés : changer en même temps les méthodes de travail, les indicateurs, les équipes et ajouter de l’IA, c’est la recette pour ne rien pouvoir mesurer.
• Attentes irréalistes : vouloir passer de 80 à 160 lignes/heure sans toucher aux moyens, à la formation ou à l’ergonomie.

Avant de parler IA, je recommande systématiquement de vérifier quelques prérequis simples :

• taux de scans correct (près de 100 % des mouvements tracés),
• plan d’adressage à jour,
• procédures de picking formalisées,
• historique de données exploitable sur au moins 6 à 12 mois.

Ce sont ces briques qui vont « nourrir » l’algorithme. Sans elles, on reste dans le discours, pas dans le résultat.

Comment évaluer un projet IA en préparation de commandes

Face à une solution qui promet monts et merveilles, quelques questions simples permettent de faire le tri.

1. Quels KPI seront impactés, et comment les mesure-t-on aujourd’hui ?

• lignes/heure (par opérateur, par zone),
• km parcourus (ou, à défaut, temps de marche estimé),
• taux d’erreur (lignes litigieuses, retours clients),
• taux de service / respect des cut-off transporteurs.

Si le fournisseur ne sait pas sur lesquels il joue, méfiance.

2. Quelle est la phase pilote proposée ?

• combien de temps,
• sur quelle zone ou famille de produits,
• avec combien de préparateurs,
• avec quels indicateurs avant/après.

Une bonne approche consiste à démarrer sur une seule zone (par exemple le picking colis B2C) avec 20 à 30 % du volume global, pour mesurer un avant/après très concret.

3. Quel est l’effort d’intégration au WMS ?

• via API standard, connecteur existant, ou développement spécifique,
• qui fait quoi : l’éditeur du WMS, le fournisseur IA, votre DSI, un intégrateur.

Un projet qui nécessite 6 mois de développements spécifiques avant de voir le moindre résultat est souvent mal conçu pour des entrepôts de taille moyenne.

4. Quel accompagnement du changement pour les équipes terrain ?

• formation des chefs d’équipe à la nouvelle logique de vagues et d’affectation,
• explication aux préparateurs : « ce n’est pas un mouchard, c’est un GPS » ;
• période de double fonctionnement avec ancien et nouveau système, pour rassurer.

Checklist pour démarrer un projet IA sur la préparation de commandes

Pour finir avec du concret, voilà une checklist que j’utilise souvent en mission :

• 1. Diagnostiquer l’existant
  • cartographier les flux de préparation (zones, volumes, familles de produits),
  • mesurer la productivité réelle par type de commande et par créneau horaire,
  • identifier les zones de congestion, les pics d’activité, les points de douleur.
• 2. Assainir les données
  • vérifier l’intégrité du plan d’adressage,
  • mettre à jour les fiches articles (dimensions, poids, contraintes),
  • s’assurer que tous les mouvements sont bien scannés.
• 3. Clarifier le périmètre du premier cas d’usage
  • par exemple : optimisation des vagues sur le flux e‑commerce seulement,
  • ou : optimisation des chemins de picking sur une zone spécifique,
  • ou : slotting dynamique sur les familles A et B.
• 4. Choisir le bon niveau d’ambition
  • simple moteur d’optimisation connecté au WMS existant,
  • ou refonte complète du schéma directeur préparation + robotisation.
• 5. Exiger un pilote mesurable
  • avant/après sur 4 à 8 semaines,
  • avec un tableau de bord restreint (3 à 5 KPI max),
  • et des objectifs chiffrés réalistes (par exemple +15 % lignes/heure).
• 6. Préparer l’appropriation par les équipes
  • impliquer 2 ou 3 préparateurs « ambassadeurs » dès la phase de test,
  • montrer les bénéfices sur la fatigue (moins de marche, moins d’allers-retours inutiles),
  • ajuster avec les retours terrain (l’algorithme n’a pas toujours raison du premier coup).

Et maintenant, que faire dans votre entrepôt ?

L’IA n’est plus un gadget réservé aux géants de l’e‑commerce ou aux entrepôts ultra-automatisés. Des entrepôts de 5 000 à 10 000 m², avec des équipes de 10 à 30 préparateurs, commencent à en tirer des gains très concrets, sans tout révolutionner.

La bonne approche n’est pas de chercher « une solution IA » miracle, mais de se poser une question simple : sur quel irritant de ma préparation de commandes un algorithme pourrait-il m’aider, ici et maintenant ?

Des kilomètres de marche inutiles ? Des erreurs qui coûtent cher en SAV ? Des pics d’activité mal absorbés ? Des heures-limites transporteurs dépassées trop souvent ?

C’est à partir de ce point de douleur, bien mesuré, qu’un projet IA commence à faire sens. Tout le reste, c’est du discours.