Pour de nombreuses entreprises, la supply chain est longtemps restée une fonction secondaire, jugée sur ses coûts plus que sur la valeur qu’elle apporte. Les crises récentes, l’essor de l’omnicanal, la hausse du prix des matières premières, la volatilité de la demande et l’arrivée de l’intelligence artificielle ont changé la donne. C’est désormais elle qui tient, en grande partie, la promesse faite au client.
Benjamin en a fait sa conviction. Ingénieur Arts et Métiers, il a plus de vingt ans d’expérience en supply chain dans la distribution, l’industrie et le conseil. Il a commencé sur le terrain, à la tête d’un site logistique. Il a ensuite piloté des programmes de transformation à la Fnac, puis chez Capgemini Consulting pour des groupes comme Michelin, Saint-Gobain ou Carrefour. Chez Leroy Merlin, il a conduit la transformation de la supply chain au service de la stratégie omnicanale, puis les transformations logistique et transport du groupe à l’international. Il a aussi structuré deux directions supply chain : chez Exotec, spécialiste de la robotique logistique, puis chez Tape à l’œil, où il a réuni le transport, la logistique et le pilotage des stocks sous une même direction.
Données de référence, prévision de la demande, automatisation, IA : Benjamin nous livre sa vision d’une supply chain pilotée par la donnée.
Dans des marchés de plus en plus concurrentiels, je vois trois axes pour faire de la supply chain un avantage concurrentiel grâce à la donnée.
Le premier, c’est la connaissance client. Avant de parler de données, qui ne sont qu’un moyen, il faut savoir ce que le client attend vraiment. Tout part de là. Si je connais ses attentes, je sais où placer mes stocks, quel mode de livraison lui proposer et quel délai je peux tenir. Amazon le montre bien : à partir des signaux laissés par le client, il sait distinguer celui qui veut être livré le plus vite possible de celui qui préfère une date précise, et il adapte sa promesse. Le client retient une expérience fluide. Pour lui, ce qui se passe dans l’entrepôt ne compte pas. La livraison reste d’ailleurs l’un des principaux motifs de mécontentement en e-commerce : selon le médiateur de la Fevad, elle est en cause dans plus d’un litige sur cinq.
Le deuxième, c’est l’efficience et l’agilité des opérations. Anticiper permet de dimensionner les moyens au plus juste, avec le moins de pertes possible, ce qui devient vital quand le marché est volatil. Une donnée bien gérée, enrichie par l’IA, alimente des modèles de prévision de plus en plus fiables. Ils aident à placer la bonne offre au bon moment du cycle de vie du client, ou à prévoir le bon nombre de préparateurs dans l’entrepôt chaque jour. C’est la vieille équation de la supply chain, la charge face à la capacité. On ne la résout plus à l’intuition ou à partir de l’historique seul : la donnée la rend calculable, presque en temps réel.
Le troisième, c’est la RSE, un axe qu’on sous-estime souvent. Mieux prévoir, c’est mieux remplir les camions, éviter les transports d’urgence et les livraisons à moitié vides, et réduire la surproduction comme les invendus. Optimiser les moyens n’est pas seulement un gain financier : c’est l’un des leviers les plus concrets pour réduire l’empreinte environnementale de l’entreprise.
Benjamin de Borde - Expert Supply Chain
Les supply chains sont de plus en plus pilotées par la demande client. On est passé d’un monde où le meilleur produit faisait la vente à un monde où la disponibilité et l’expérience font la différence. Un client qui ne trouve pas le produit, ou qui doit attendre trop longtemps, part chez le concurrent. Michelin l’a bien compris : le groupe a unifié sa supply chain amont et aval et pilote ses plans de production à partir des signaux du marché, et non plus seulement de ses capacités industrielles.
Les métiers évoluent en conséquence. L’approvisionneur est l’exemple le plus parlant. Hier, son rôle consistait surtout à passer des commandes et à suivre des niveaux de stock. Aujourd’hui, il devient un « supply & demand planner » : il doit comprendre la demande, travailler avec le commerce et le marketing, arbitrer entre disponibilité et stock, et construire des scénarios. Il exécute moins et analyse davantage.
Les outils de planification avancée (APS, Advanced Planning Systems) vivent eux aussi une petite révolution. Leurs modèles sont de plus en plus précis et intègrent des techniques nouvelles. La reconnaissance d’image en est un bon exemple : pour un produit nouveau, sans historique de ventes, on peut construire une première prévision en le comparant visuellement à des produits proches déjà vendus. C’est un vrai changement dans la mode ou la décoration, où une grande partie de l’offre se renouvelle chaque saison.
Ce besoin d’anticipation oblige les organisations à disposer d’une donnée plus riche, et surtout partagée plutôt qu’enfermée dans une seule direction. C’est l’une des clés d’un processus S&OP (Sales and Operations Planning) efficace, qui réconcilie enfin plusieurs visions : les volumes, les ventes, la capacité à produire et à livrer. Trop de comités S&OP passent encore la moitié de leur temps à débattre du bon chiffre d’affaires ou du bon niveau de stock. Il est temps de consacrer notre énergie à construire des scénarios et à décider, plutôt qu’à discuter de la fiabilité des données.
Ce que j’ai observé ces dernières années, c’est qu’un data lake met en moyenne cinq ans à devenir vraiment opérationnel, et qu’il mobilise beaucoup d’énergie côté métier pour définir les données, les nettoyer et les fiabiliser. Il reste indispensable à la stratégie data d’une entreprise : c’est lui qui garantit une référence commune. Mais en parallèle, les outils experts (WMS, TMS, outils de prévision) arrivent désormais sur le marché avec de l’IA intégrée. Le vrai défi est de faire dialoguer ces deux piliers, la donnée centralisée et l’intelligence embarquée dans les outils métier.
Le monde des systèmes d’information vit une révolution incroyable, avec une constante : le partage de la donnée. Je mets volontairement de côté la cybersécurité, mais c’est un sujet majeur. Mi-octobre, des centaines de supermarchés en France ont vu leurs installations frigorifiques déréglées à distance, via une faille dans un logiciel de régulation. Certains magasins ont dû jeter plusieurs centaines de milliers d’euros de produits. Plus nos systèmes sont connectés, plus la question de leur protection devient stratégique.
Dans les années 2000, on a vécu l’ère des ERP et de leur base de données unique. On est ensuite passé à l’ère des microservices, qui offrent plus de souplesse et de fonctionnalités spécialisées à chaque métier. Avec l’IA agentique, il va falloir inventer un modèle hybride : centraliser suffisamment la donnée pour qu’elle soit fiable et cohérente, tout en la rendant directement exploitable par des agents IA qui travaillent dans les systèmes experts. Concrètement, un agent capable de détecter une rupture probable, de proposer un réapprovisionnement et de réorganiser un plan de transport doit pouvoir accéder aux bonnes données, au bon moment, sans attendre un projet IT de deux ans.
Ce changement de paradigme s’accompagne d’un enjeu de vitesse. On ne peut plus se permettre d’attendre des années, ni d’investir massivement dans des architectures data trop complexes avant d’en tirer de la valeur. C’est un beau défi pour les DSI. Et c’est cette dimension agentique qui me semble aujourd’hui la plus importante.
La robotique est l’un des terrains où l’IA produit les effets les plus visibles. Ce qui m’a frappé lors du salon VivaTech 2026, c’est que ce qu’on jugeait impossible hier est devenu réalité aujourd’hui. Les cycles de développement se sont considérablement accélérés, et les robots s’appuient désormais sur des modèles qui apprennent seuls et s’améliorent à l’usage. On n’a plus besoin de tout programmer à l’avance pour chaque situation.
Résultat : les cas d’usage deviennent concrets. On a dépassé l’époque des robots qui dansent sur les stands pour faire le buzz. Aujourd’hui, ils assistent réellement l’humain dans les tâches pénibles ou répétitives, comme le tri des colis, la préparation de commandes ou la manutention de charges lourdes. L’enjeu n’est pas de remplacer les équipes, mais de les soulager, de réduire la pénibilité et les accidents, et de rendre ces métiers plus attractifs dans un secteur où le recrutement reste difficile.
Pour un dirigeant, la question n’est plus de savoir si la robotique fonctionne, mais où elle crée vraiment de la valeur. Il faut regarder ses volumes, la variabilité de son activité et la diversité de ses références, puis choisir entre automatiser, garder une organisation manuelle optimisée ou externaliser.
Mon premier conseil : ne jamais lâcher le fil, même quand la conjoncture se tend. En période de retournement, la donnée devient encore plus capitale pour prendre les bonnes décisions. Nous avons eu la chance d’avoir un peu d’avance sur le sujet, même si le chemin reste long.
Dans ces moments-là, la tentation est forte de couper les investissements en se disant qu’on rattrapera le retard lors de la prochaine rupture technologique. C’est un mauvais calcul. Si vous perdez le fil, vous perdez du terrain face à vos concurrents, et le rattraper coûte bien plus cher que de continuer à avancer. On n’est plus dans une simple compétition, mais dans une guerre commerciale sans frontières.
Mon deuxième conseil : profiter de la période de retournement pour identifier les cas d’usage critiques, ceux qui ont un impact direct et mesurable. C’est le bon moment pour concentrer son énergie sur l’efficacité des stocks, l’optimisation de la trésorerie et l’efficience des heures travaillées. Ces sujets rapportent vite, ils sont faciles à mesurer et ils financent la suite.
Enfin, et c’est sans doute le plus important : n’attendez pas d’être en difficulté pour vous y mettre. La data et l’IA ne sont pas des outils de crise, mais une discipline de fond. Les entreprises qui s’en sortent le mieux sont celles qui ont continué à innover quand tout allait bien