L’IA et la planification d’entreprise : démêler le vrai du faux

Si vous dirigez la planification, les opérations ou la technologie au sein d’une grande entreprise, la déferlante médiatique autour de « l’IA » est aujourd’hui difficile à ignorer. Plateformes IA-natives, flux de travail agentiques, architectures composables : le message se veut pressant et catégorique. Vos systèmes actuels ne tiennent plus la cadence, et le coût de l’inaction ne cesse de grimper.

Certains aspects sont fondés, tandis que d’autres relèvent surtout de l’euphorie d’un marché saturé de capitaux en quête de rentabilité. Le plus difficile consiste à démêler le vrai du faux, tout en pilotant votre organisation de planification, en atteignant vos objectifs opérationnels et en gérant un portefeuille technologique qui n’a jamais été simple à orchestrer.

Ces dynamiques s’observent dans toutes les fonctions de planification, d’opérations et d’IT, quel que soit le secteur d’activité. La plupart des décideurs font face à trois questions simultanées : comment tirer le meilleur parti de l’existant, où la nouvelle technologie apporte-t-elle une valeur immédiate, et à quel moment une problématique complexe exige-t-elle de changer de paradigme ? Cet article les traite dans l’ordre : ce qui fait réellement défaut dans la majorité des environnements de planification, ce que la technologie peut et ne peut pas encore accomplir, ce que les éditeurs cherchent véritablement à vendre, et une grille d’analyse simple pour définir votre prochaine étape.

Ce qui est réellement défaillant

Les systèmes de planification d’entreprise ont été conçus pour enregistrer et coordonner, pas pour décider. Un ERP est un registre de transactions : il excelle à consigner le passé, mais s’avère structurellement limité pour éclairer vos décisions futures. Les couches de planification qui s’y superposent ont été pensées pour des flux de travail humains basés sur la gestion des exceptions. Dans les grands groupes industriels, des équipes entières commencent leur journée à traiter la file d’attente des anomalies, analyser les alertes, relancer les intervenants et passer des appels. L’analyse avancée et les algorithmes sont arrivés plus tard, afin de mieux faire remonter les exceptions ou de rationaliser le plan.

Une autre limite majeure réside dans l’obsolescence des hypothèses. La logique de planification est étalonnée selon des conditions initiales qui finissent par évoluer : les profils de demande changent, les délais d’approvisionnement évoluent et les paramètres opérationnels dérivent. Un modèle d’IA plus performant appliqué à des hypothèses obsolètes produira des résultats qui reflètent la qualité de la logique sous-jacente, et non la sophistication du modèle. Ajuster ces hypothèses s’avère tout aussi critique que d’améliorer la technologie, une étape que beaucoup d’organisations négligent lors de nouveaux investissements.

Sous ces deux limites se cache la maturité des données, dont le niveau reste très inégal. Certaines entreprises ont accompli ce travail de préparation et sont idéalement positionnées pour superposer l’IA à des fondations solides. L’étude Hype Cycle for Artificial Intelligence 2025 de Gartner révèle néanmoins que 57 % des organisations estiment que leurs données ne sont pas prêtes pour l’IA. Là où cette fragmentation persiste, elle plafonne le rendement de tout investissement en IA, quelle que soit la performance des modèles sous-jacents. Là où ce travail a été réalisé, le délai de création de valeur est considérablement réduit.

Une fois ce socle établi, il convient de décrypter la promesse technologique mise en avant par tous les éditeurs avant d’évaluer leurs offres.

L’IA agentique : une orientation réelle, un marché encore émergent

Gartner prédit que 40 % des applications d’entreprise intégreront des agents IA dédiés à des tâches spécifiques d’ici fin 2026, contre moins de 5 % début 2025. C’est ce qui alimente les publications LinkedIn et les articles de blog. Dans la majorité des cas, un décalage persiste entre le discours marketing et la réalité des environnements de production. Ce phénomène s’apparente à ce que Gartner nomme l’« agentwashing » : rebaptiser l’automatisation existante et les assistants sous le terme d’« agents », sans apport d’innovation technologique réelle. Gartner anticipe d’ailleurs l’abandon de plus de 40 % des projets d’IA agentique d’ici fin 2027, non pas en raison de défaillances des modèles, mais du fait de l’explosion des coûts, de la faiblesse de la valeur métier démontrée et de contrôles de risques inadaptés.

Ce qui fonctionne aujourd’hui en production concerne des périmètres ciblés et délimités : le routage des exceptions, les communications automatisées avec les fournisseurs, les déclenchements de réapprovisionnement dans des cadres stricts, l’accélération des commandes ou l’acceptation de chargements — où un agent compare une offre d’expédition entrante à l’historique des lignes et aux objectifs de capacité avant de décider de l’accepter. Ces cas partagent les mêmes caractéristiques : un périmètre clair, des données d’entrée fiables et des critères explicites d’escalade vers l’humain. Cette configuration définit les limites actuelles des approches agentiques.

Le passage d’une automatisation transactionnelle encadrée à des décisions de planification complexes reste un défi majeur. L’ordonnancement sur des ressources multiples soumises à des contraintes croisées, ainsi que les plans devant satisfaire des exigences contradictoires, ne relèvent pas des problèmes que l’IA générative a été conçue pour résoudre. L’IA ne constitue pas une technologie unique. Les modèles d’apprentissage automatique, les solveurs d’optimisation, les algorithmes sous contraintes et les moteurs de simulation traitent chacun des typologies de problèmes distinctes. L’IA générative excelle dans le raisonnement linguistique, la synthèse et la restructuration d’informations. Les problèmes exigeant des décisions optimales au sein d’espaces de solutions vastes et contraints relèvent d’une autre boîte à outils, éprouvée depuis des décennies dans le domaine de la planification.

Ce domaine évolue néanmoins rapidement et de nombreux experts œuvrent à déployer des agents IA à grande échelle sur des problématiques complexes. Il reste indispensable de faire la distinction entre l’argumentaire agentique d’un éditeur et le problème de planification que vous devez résoudre.

Une fois établis un constat lucide sur les faiblesses actuelles et un état des lieux des capacités technologiques, les trois positionnements du marché apparaissent plus clairement.

Ce que le marché cherche à vous vendre

Le marché des logiciels d’entreprise oscille historiquement entre fragmentation et consolidation. Dans les années 1990, la multiplication des solutions pointues a généré les risques d’intégration que l’ERP devait résoudre. Puis le SaaS a abaissé les barrières à l’entrée, favorisant une nouvelle dispersion des outils. Cet historique explique pourquoi trois positionnements coexistent aujourd’hui, chacun affirmant que l’IA redistribue les cartes.

Les grands éditeurs historiques — fournisseurs de progiciels de gestion intégrés (PGI/ERP) et spécialistes établis de la planification — s’inscrivent principalement dans une logique de rétention. Leurs arguments font mouche : vos données sont déjà centralisées chez eux, les coûts de changement de système sont bien réels et les fonctionnalités d’IA progressent ; perturber un écosystème fonctionnel représente donc un risque superflu. Ce constat contient une part de vérité, notamment sur les enjeux d’intégration et de gouvernance des données. S’appuyer sur un cœur décisionnel solide et bien gouverné relève d’une logique imparable, tandis que la charge d’intégration liée à l’ajout de nouveaux systèmes constitue un coût réel que les autres acteurs ont tendance à minimiser. En revanche, ce que ces éditeurs passent sous silence est révélateur : des choix d’architecture vieux de quinze ans finissent par accuser leur âge, les fonctionnalités d’IA vendues comme des « agents » s’avèrent souvent bien plus rudimentaires que ce qu’annonce l’étiquette, et leurs feuilles de route reflètent davantage les priorités de développement du fournisseur que la résolution de vos défis les plus complexes.

Les éditeurs « AI-native » soutiennent que les anciennes architectures se heurtent à un plafond de verre structurel. Superposer de nouvelles fonctionnalités sur des systèmes conçus pour une autre époque génère des rendements décroissants, et la seule véritable voie à suivre consiste à s’appuyer sur un socle moderne, pensé dès l’origine pour l’IA. Cet argument est fondé, en particulier concernant la rapidité de traitement de l’information. Les systèmes de planification traditionnels fonctionnent par traitements par lots (batch), prenant des décisions à partir de données datant déjà de plusieurs heures, tandis que les architectures modernes s’appuient sur des flux de données en temps réel ou quasi réel. Si leur discours surestime la vitesse à laquelle la plupart des entreprises peuvent mener à bien une transformation partant d’une page blanche, la critique architecturale sous-jacente reste parfaitement fondée.

La troisième voie repose sur une approche hybride : conserver vos investissements existants et les étendre au-delà de leurs capacités natives. Le réflexe est d’y voir un compromis, l’option retenue faute de pouvoir tout reconstruire. Elle permet pourtant de préserver une infrastructure éprouvée tout en y ajoutant des fonctionnalités ciblées, là où la plateforme d’origine n’a jamais été conçue pour aller. La logique est claire : un risque d’intégration réduit par rapport à une refonte complète, un délai de création de valeur (time-to-value) plus rapide qu’un remplacement total, et une expertise métier spécifique qu’aucune plateforme généraliste ne développera pour chaque secteur. En contrepartie, vous ajoutez une passerelle d’interconnexion qu’il convient de gérer et de maintenir en condition opérationnelle. Vous troquez ainsi la dépendance envers un unique éditeur historique contre une alliance intégrant un spécialiste. Mené de manière ciblée, autour de quelques enjeux stratégiques qui le justifient, cet arbitrage est judicieux ; appliqué de façon systématique à la moindre lacune, il recrée l’éparpillement applicatif qui avait précisément déclenché ce cycle.

Confronter ces arguments à la réalité des dysfonctionnements de votre environnement et aux capacités actuelles de la technologie constitue le préalable indispensable à toute prise de décision éclairée. Le cadre méthodologique ci-dessous a été précisément conçu à cet effet.

Trois trajectoires : état des lieux, cible et méthode d’arbitrage

La plupart des organisations ne font pas face à un problème de planification unique, mais à plusieurs enjeux situés à des stades de maturité différents selon les périmètres opérationnels. Ces trois trajectoires ne constituent pas un choix binaire ni un verdict définitif sur l’ensemble de votre architecture. Elles s’appliquent problème par problème, vous amenant généralement à activer une capacité, en augmenter une seconde et en développer une troisième de façon simultanée.

Le piège consiste à traiter ces problématiques de manière totalement isolée. Résolvez chaque défi indépendamment des autres et vous recréerez précisément l’éparpillement applicatif que ce cycle ne cesse de générer : un empilement de correctifs découplés qui ne forment plus un tout cohérent. La vraie rigueur exige de faire converger ces différentes trajectoires vers une architecture unifiée, un socle commun sur lequel s’appuient les solutions individuelles, afin d’assurer la cohérence du portefeuille à mesure qu’il se développe. Finalement, la voie choisie pour un problème donné importe moins que deux questions indissociables : fait-on progresser l’ensemble, et les différentes briques restent-elles parfaitement articulées ?

La première voie est celle de l’activation. Votre plateforme est en mesure de traiter le problème, mais les bases de données sont déficientes, les hypothèses de planification sont déconnectées de la réalité actuelle ou les fonctionnalités d’IA que vous détenez déjà n’ont jamais été déployées correctement. C’est une situation bien plus fréquente que la plupart des entreprises ne veulent l’admettre. Le symptôme réside dans des sous-performances persistantes attribuées aux limites de la plateforme, alors que la véritable origine du problème se situe en amont. Acquérir une nouvelle solution sans assainir au préalable ce socle ne fera que reproduire les mêmes dysfonctionnements sur un logiciel plus récent. La démarche pertinente consiste ici à investir dans la qualité des données, la maîtrise des processus et le déploiement des outils pour lesquels vous payez déjà. L’IA générative peut d’ailleurs s’avérer très utile à ce stade, en synthétisant l’impact des aléas et en éclairant le contexte pour les planificateurs, le tout sans exiger la moindre modification de plateforme.

La deuxième voie est celle de l’augmentation, et le critère d’évaluation est simple : existe-t-il déjà un produit pour traiter ce problème ? Lorsqu’une solution éprouvée existe réellement, c’est le choix le plus judicieux : plus rapide et économique que n’importe quel développement interne, avec un niveau de risque largement épuré par le retour d’expérience des clients précédents. Le piège réside dans le fait qu’une adéquation parfaite est plus rare qu’il n’y paraît. La plupart des progiciels de planification résolvent le problème pour lequel ils ont été conçus et gèrent le reste par des approximations ; c’est précisément dans le fossé séparant un outil en apparence adapté d’une solution répondant réellement à vos enjeux opérationnels que ces projets s’enlisent silencieusement. La question ne porte donc jamais sur la qualité de la démonstration, mais sur la capacité du fournisseur à prouver qu’il a déjà résolu votre problème précis, dans un environnement similaire au vôtre, avec des résultats vérifiables, et sur le comportement du produit face à deux contraintes contradictoires sans solution évidente. Analysez également le moteur sous-jacent à l’interface : s’agit-il d’une véritable optimisation ou de simples règles d’arbitrage et heuristiques habillées pour en donner l’illusion ? Un produit parfaitement adapté s’impose rapidement ; un produit approximatif se transforme en un projet de personnalisation sans fin.

La troisième voie est celle de la spécialisation, à laquelle on parvient lorsque la réponse honnête à ce test est négative. Le problème est suffisamment spécifique ou stratégique pour qu’aucun produit sur étagère ne convienne, ce qui ne signifie pas pour autant qu’il faille repartir d’une page blanche. La réponse réside dans une solution élaborée autour de vos contraintes réelles, de plus en plus souvent développée sur une plateforme conçue pour créer ce type d’applications de décision et d’optimisation. Elle associe solveurs, apprentissage automatique, vos données et votre expertise métier pour s’adapter parfaitement au problème, au lieu de déformer ce dernier pour l’adapter à un produit. Il s’agit d’un engagement d’ingénierie plutôt que d’un simple achat, mais croire qu’il s’agit nécessairement de la voie la plus lente et la plus coûteuse est une idée reçue. Ciblée sur un problème précis et bâtie sur la bonne plateforme, cette approche sur mesure peut progresser aussi vite que le déploiement d’un produit classique — parfois même plus vite —, car vous n’êtes ni suspendu à la feuille de route d’un éditeur, ni contraint de réorganiser vos opérations en fonction de ses postulats. La rigueur à observer reste identique à celle qui prévaut ailleurs : démarrer avec un périmètre restreint, faire la preuve de la valeur sur un cas d’usage, puis étendre la solution.

Prenons le cas d’un industriel utilisant une grande plateforme de planification pour gérer l’offre et la demande à l’échelle de son réseau. La plateforme remplit parfaitement son rôle. En revanche, la programmation de la production (contraintes de séquençage des machines, logique de changement de série, dépendances matérielles) relève d’une finesse opérationnelle pour laquelle elle n’a jamais été conçue. Plutôt que de remplacer la plateforme ou de tenter une refonte complète, l’entreprise y adjoint un moteur de planification spécialisé : celui-ci exploite le même socle de données, résout ce problème précis et génère un plan de production qui réalimente directement l’outil déjà utilisé par les planificateurs. L’investissement existant est préservé, le manque de fonctionnalités est comblé, et l’architecture hybride fait ses preuves non pas en théorie, mais en gains de débit constatés et en temps de planification réaffecté à des tâches à plus forte valeur ajoutée. Cette même organisation pourrait simultanément suivre la première voie pour résoudre un problème de qualité de données sur son signal de demande, et la deuxième voie pour cibler un enjeu d’inventaire spécifique : des voies différentes pour des problèmes différents, au service d’une seule et même chaîne logistique cohérente.

Perspectives d’avenir

Le signe qui indique que vous faites fausse route prend rarement la forme d’un échec d’implémentation retentissant. Il est bien plus insidieux : des années d’investissements progressifs qui ne génèrent aucun effet de levier, les mêmes problèmes qui persistent alors que les mises à jour s’accumulent, tout cela parce que vos dépenses continuent d’apporter une réponse à une question que personne ne s’est réellement posée.

Faire le tri dans toute cette agitation revient à porter un regard lucide sur l’existant, à travers les trois mêmes questions posées au début de cet article. Dans quels domaines la plateforme excelle-t-elle et répond-elle toujours pleinement à vos besoins ? C’est ce qu’il convient de préserver plutôt que de remplacer : il s’agit de l’activation. Pour quelles activités n’a-t-elle jamais été conçue, et est-ce précisément dans ce manque que se trouvent vos défis les plus complexes ? C’est là qu’il faut augmenter ou développer sur mesure. Enfin, quelle est sa véritable marge de manœuvre ? Financer la prochaine décennie d’un système pérenne constitue un arbitrage radicalement différent de la résorption de la dette technique d’un outil en fin de vie. Évaluées en toute objectivité, ces réponses ne vous contraignent pas à choisir entre trois voies : elles vous indiquent clairement celle sur laquelle s’inscrit déjà chacun de vos enjeux.

Cette analyse lucide constitue précisément l’effort que toute cette agitation cherche à vous faire éviter. Les éditeurs cherchent à vous vendre leur propre vision ; votre rôle consiste à connaître la vôtre. En faisant les bons choix, vous avancez sereinement pendant que le marché réagit. Face à des évolutions technologiques aussi rapides, porter un regard lucide sur votre existant demeure le moyen le plus sûr de bâtir un avantage concurrentiel durable.