Planification, transport, dernier kilomètre et logistique des retours : méthode, données, outils et règles 2026
Par Laurent Biancotto, fondateur de Digital Copywrit · Mis à jour le 21 octobre 2026 · Lecture : 13 min
2024 : 10 %
2025 : 18 %
Source citée dans la V4 : Insee Première n° 2061 (2025) et n° 2120 (2026), entreprises de 10 salariés ou plus. Échelle visuelle : barre maximale = 25 %.
Mettre en place l’IA dans sa supply chain consiste à choisir un cas d’usage mesurable (prévision de la demande, stocks ou tournées), à fiabiliser ses données, puis à étendre progressivement l’automatisation, en gardant une validation humaine sur les décisions à fort impact. Le mouvement est engagé mais encore jeune : en France, 18 % des entreprises de 10 salariés ou plus utilisaient l’IA en 2025, et seulement 9 % dans le transport et l’entreposage (Insee).
De quelle IA parle-t-on ? Trois familles utiles en supply chain
Le mot « IA » recouvre des technologies très différentes. En logistique, trois familles répondent à des besoins distincts :
Source officielle complémentaire : France Num — Comprendre et adopter l’intelligence artificielle dans la logistique. Ce guide accompagne les entreprises dans l’identification de cas d’usage de l’IA.
• L’IA générative produit ou résume du texte et analyse des documents : bons de livraison, factures fournisseurs, réclamations clients, réponses aux transporteurs.
• L’IA prédictive aide à anticiper des retards, des volumes ou des ruptures de stock, à partir de l’historique et de signaux externes.
• L’IA d’optimisation identifie le meilleur plan sous contraintes : tournées, chargements, affectation des ressources.
| Famille d’IA | Question à laquelle elle répond | Exemple en supply chain | Données nécessaires |
|---|---|---|---|
| Générative | « Que dit ce document ? Que répondre ? » | Extraire les informations d’un bon de livraison, rédiger une relance fournisseur | Documents, e-mails, textes |
| Prédictive | « Que va-t-il se passer ? » | Prévoir la demande d’une référence, anticiper un retard de livraison | Historiques chiffrés (ventes, délais) |
| Optimisation | « Quelle est la meilleure décision ? » | Calculer les tournées, remplir les camions, planifier les équipes | Contraintes et coûts (adresses, capacités, créneaux) |
Les agents IA, présentés en partie 2, combinent souvent les trois : ils prévoient un risque de rupture (prédictif), calculent la meilleure solution de réapprovisionnement (optimisation) et rédigent la commande ou l’alerte (génératif), avant validation humaine.
- 18 % des entreprises françaises de 10 salariés ou plus utilisent l’IA en 2025, contre 10 % en 2024 ; 15 % entre 10 et 49 salariés (Insee, juillet 2026).
- 40 % des TPE et PME déclarent utiliser une solution d’IA en 2026, soit 14 points de plus en un an (baromètre France Num, septembre 2026).
- 890 milliards de dollars de retours projetés aux États-Unis en 2024, soit 16,9 % des ventes selon les distributeurs (NRF et Happy Returns).
- 40 % des applications d’entreprise intégreront des agents IA spécialisés fin 2026, contre moins de 5 % en 2025 (Gartner, août 2025).
- 2 décembre 2027 : entrée en application des obligations « haut risque » de l’AI Act liées à l’emploi, après le report voté dans le règlement (UE) 2026/1744.
- ERP : logiciel de gestion de l’entreprise (ventes, achats, stocks, comptabilité).
- WMS / TMS : logiciels de gestion d’entrepôt et de gestion du transport.
- LTL (less than truckload) : groupage, c’est-à-dire transport de lots qui ne remplissent pas un camion complet.
- 3PL : prestataire logistique à qui l’on confie stockage, préparation ou transport.
- MAPE : erreur moyenne de prévision, en pourcentage ; c’est l’indicateur de base pour juger un modèle.
- S&OP (plan industriel et commercial) : réunion mensuelle qui aligne ventes, achats, stocks et finances sur un seul plan.
- Human-in-the-loop : l’IA propose, un humain valide avant l’action.
1. Pourquoi l’IA s’impose-t-elle dans la supply chain en 2026 ?
Trois forces poussent les entreprises vers l’IA : l’adoption s’accélère (l’usage de l’IA a presque doublé en un an dans les entreprises françaises), les retours pèsent de plus en plus lourd, et les logiciels de gestion intègrent désormais des agents capables d’agir. Les PME restent toutefois en retrait par rapport aux grandes entreprises.
• L’écart de taille se creuse : 58 % des entreprises de 250 salariés ou plus utilisent l’IA, contre 15 % de celles de 10 à 49 salariés (Insee, 2025).
• La logistique reste l’usage le moins cité : 18 % des salariés travaillent dans une entreprise qui l’utilise à cette fin en 2025, contre 9 % en 2024 (Insee).
• Les retours deviennent un enjeu stratégique : 890 milliards de dollars projetés aux États-Unis en 2024 (NRF).
• Les agents IA arrivent dans les logiciels : Gartner prévoit que 40 % des applications d’entreprise en intégreront fin 2026.
• Le dernier kilomètre, de l’entrepôt au client final, est généralement présenté comme le maillon le plus coûteux de la livraison : c’est le premier terrain d’optimisation.
2. Que fait l’IA en planification et en exécution ?
En planification, l’IA prévoit la demande en croisant l’historique des ventes avec des signaux externes et recalcule les stocks de sécurité. En exécution, des agents surveillent les données, détectent un incident et proposent ou déclenchent une action corrective. Les décisions courantes peuvent être automatisées ; les décisions à fort impact restent validées par un humain.
Prévision de la demande et stocks
• Blue Yonder : chez Lenovo (30 sites de production, 180 marchés), +5 % de précision de prévision, +4 % de livraisons à l’heure et +10 % de précision de livraison, selon la page client de l’éditeur.
• Kinaxis Maestro : planification simultanée, qui recalcule demande, approvisionnement et stocks en cas de perturbation.
• SAP IBP : relie la prévision de la demande au plan financier, pour les entreprises déjà équipées de SAP.
• o9 Solutions : plateforme de planification intégrée fondée sur un graphe de connaissances de l’entreprise.
IA agentique : exécution supervisée
• Aera Technology : Hershey s’appuie sur sa plateforme de décision pour anticiper les pertes, ajuster les achats de matières et piloter la production (FoodNavigator, février 2026).
| Fonction | Sans IA | Avec IA | Indicateur à suivre |
|---|---|---|---|
| Prévision de la demande | Moyennes mobiles, ajustements manuels | Modèles d’apprentissage automatique intégrant promotions, météo, saisonnalité | MAPE |
| Réapprovisionnement | Seuils fixes, révision périodique | Seuils recalculés en continu, commandes proposées | Taux de rupture, jours de stock |
| Détection d’incident | Constat après coup | Alerte dès l’écart détecté | Délai de détection |
| Réaffectation du transport | Décision manuelle en plusieurs heures | Options proposées en minutes, validation humaine si l’impact est fort | Retards évités |
3. Comment l’IA transforme-t-elle le transport et le dernier kilomètre ?
Les algorithmes de routage recalculent les tournées en temps réel selon le trafic, les créneaux et les nouvelles commandes, regroupent les chargements pour limiter les trajets à vide et comparent les offres de transport. DHL indique que son algorithme Greenplan peut réduire les coûts jusqu’à 20 % par rapport aux solutions d’optimisation standard.
• Routage dynamique : trafic, fenêtres de livraison et nouvelles commandes recalculés en continu.
• Groupage : colis de tailles différentes combinés pour maximiser le taux de remplissage.
• Dernier kilomètre : affectation du bon véhicule (électrique, vélo-cargo), créneau ou point relais proposé dès la commande pour éviter un second passage.
Pour une PME française, robots de livraison et drones relèvent aujourd’hui de la veille ; un logiciel de tournées en ligne (SaaS) est en revanche accessible sans développement.
Outil gratuit : contrôle de faisabilité du dernier kilomètre
Vérifiez le poids, le volume, la consommation énergétique, la réserve de batterie, l’impact d’un coefficient hiver et le coût indicatif par livraison. Cet outil pédagogique ne calcule pas l’itinéraire optimal et ne constitue pas un TMS.
Les valeurs sont calculées localement dans votre navigateur. La faisabilité réelle dépend du relief, de la météo, du trafic et des caractéristiques du véhicule.
4. Comment l’IA valorise-t-elle la logistique des retours ?
L’IA aide à décider, pour chaque article retourné, de sa meilleure destination (revente, reconditionnement, don, recyclage) et à repérer les retours frauduleux. Une logistique des retours bien organisée permet, dans le meilleur des cas, de récupérer une large part de la valeur des articles : jusqu’à 65 % selon Deloitte, cité par la NRF.
• Prévention de la fraude : Happy Returns (groupe UPS) pilote depuis fin 2025 un score de risque et une comparaison d’images (« Return Vision ») pour détecter les retours d’articles substitués ; un humain valide la décision (Retail Dive, janvier 2026).
• Réseau de retours : DHL exploite 11 sites de retours en Amérique du Nord et indique que les distributeurs peuvent récupérer jusqu’à 90 % de la valeur de revente d’un produit (DHL, janvier 2026).
| Destination du retour | Rôle de l’IA | Bénéfice |
|---|---|---|
| Revente / marketplace B2B | Score de valeur résiduelle | Vente plus rapide |
| Reconditionnement | Inspection et tri assistés par image | Valeur récupérée plus élevée |
| Don / recyclage | Règles de tri automatisées | Coûts de traitement réduits, conformité AGEC |
| Liquidation | Orientation vers des plateformes tierces | Écoulement des volumes de faible valeur |
5. Par où commencer dans une PME ? Les 4 niveaux de maturité
Une PME n’a pas besoin des plateformes des grands groupes pour progresser. Elle avance par niveaux : d’abord des fondations dans le tableur ou l’ERP, puis un outil de prévision, puis un agent IA supervisé pour les tâches répétitives. Chaque niveau suppose que le précédent fonctionne, en particulier la qualité des données.
| Niveau | Outil | Ce qu’on y fait | Prérequis |
|---|---|---|---|
| 0. Fondations | Tableur ou ERP | Classement ABC/XYZ des références, calcul du stock de sécurité | 12 à 24 mois d’historique propre |
| 1. Prévision outillée | Module de l’ERP ou logiciel spécialisé | Prévision automatique, suivi du MAPE, seuils recalculés | Données de ventes et de délais fiables |
| 2. Agent IA supervisé | Agent sur mesure connecté aux exports | Alertes de rupture, relances fournisseurs, tri des retours : l’IA propose, l’humain décide | Exports de l’ERP accessibles, règles écrites |
| 3. Plateforme intégrée | o9, Blue Yonder, Kinaxis, SAP IBP | Planification de bout en bout, multi-sites | Budget d’intégration, équipe dédiée |
Outil gratuit — Diagnostic de maturité IA supply chain pour PME
Évaluez votre préparation à l’IA en 15 questions : qualité des données, pilotage, outils et organisation. Le résultat indique un niveau de maturité et trois priorités. Ce diagnostic est indicatif et ne promet aucun gain financier.
Outil gratuit · Diagnostic supply chain
Votre PME est-elle prête pour l’IA en supply chain ?
15 questions, 3 minutes : votre niveau de maturité et vos 3 priorités.
Le principe : la première cause d’échec d’un projet d’IA n’est pas l’algorithme, mais les données et le pilotage. Ce test mesure votre niveau de préparation, pas un gain promis.
La méthode : 4 blocs (données, pilotage, outils, organisation) et l’échelle des 4 niveaux de maturité présentée dans ce guide.
Pour vous : votre niveau, un score par bloc et les 3 actions à mener en premier. Aucune donnée n’est envoyée : tout reste dans votre navigateur.
Votre diagnostic
| Bloc | Score | Niveau |
|---|
Vos 3 priorités
Diagnostic indicatif, fondé sur vos réponses. Il ne remplace pas un audit de vos données et de vos processus.
Outil gratuit — Laurent Biancotto, Digital Copywrit · Version 1.0
Les réponses restent dans votre navigateur ; vous pouvez recommencer le diagnostic à tout moment.
Les deux calculs de base du niveau 0
• Classement ABC : A = les références qui font environ 80 % du chiffre d’affaires, B = les 15 % suivants, C = le reste. XYZ classe ensuite la régularité de la demande (X = stable, Z = erratique). On automatise d’abord les références AX.
• Stock de sécurité = z × σ × √L, où z dépend du taux de service visé (1,65 pour 95 %), σ est l’écart-type de la demande par période et L le délai fournisseur exprimé dans la même unité de temps.
Exemple : demande hebdomadaire avec un écart-type de 40 unités, délai de 4 semaines, taux de service de 95 % → 1,65 × 40 × √4 = 132 unités de stock de sécurité.
Quels outils pour une PME ?
| Outil | Usage principal | Pour qui ? |
|---|---|---|
| Module de prévision de l’ERP | Prévision simple sur l’historique | Toute PME déjà équipée d’un ERP |
| Slimstock (Slim4) | Optimisation des stocks et réapprovisionnement ; partenaire de Sage X3 et de SAP | Entreprises de taille intermédiaire, distribution et industrie |
| Flowlity (France) | Planification de la demande et des approvisionnements par IA | PME et ETI industrielles |
| Lokad (France) | Prévision probabiliste et optimisation des stocks | Distribution, aéronautique, industrie |
| Shippeo (France) | Visibilité du transport en temps réel | Chargeurs et transporteurs |
| Logiciel de tournées en ligne (SaaS) | Optimisation des tournées de livraison | PME avec sa propre flotte |
Liste non exhaustive, sans partenariat commercial ; informations à confirmer auprès de chaque éditeur.
6. Pourquoi les projets d’IA échouent-ils ? Données, S&OP et erreur de prévision
La première cause d’échec n’est pas l’algorithme, mais la donnée : un modèle de prévision apprend sur l’historique et en reproduit les erreurs. Selon Gartner, la mauvaise qualité des données coûte aux organisations au moins 12,9 millions de dollars par an en moyenne (étude 2020, surtout de grandes entreprises). Avant tout projet, une PME doit fiabiliser ses données de base, suivre l’erreur de prévision par classe de produits et installer un rituel S&OP mensuel.
Les quatre données à fiabiliser avant tout modèle
| Donnée | Erreur fréquente | Conséquence | Contrôle simple |
|---|---|---|---|
| Référentiel articles | Doublons, articles inactifs non archivés, familles mal renseignées | Demande éclatée sur plusieurs codes, stock « fantôme » | Nombre de doublons ; articles sans mouvement depuis 12 mois |
| Unités de mesure | Vente à l’unité, achat au carton, stockage à la palette avec un coefficient de conversion faux | Quantités commandées fausses d’un facteur 6, 12 ou 100 | Vérification des coefficients sur toutes les références A |
| Délais fournisseurs | Délai contractuel saisi dans l’ERP au lieu du délai réellement constaté | Stock de sécurité sous-dimensionné, ruptures | Écart moyen entre délai réel et délai théorique sur 6 mois |
| Historique des ventes | Ruptures et promotions non signalées | Le modèle apprend une demande trop basse ou des pics non reproductibles | Périodes de rupture et de promotion marquées dans l’historique |
Gartner décrit neuf dimensions de la qualité des données. Pour une PME, quatre suffisent pour démarrer : l’exactitude (la donnée correspond à la réalité), la complétude (aucun champ vide), la cohérence (la même valeur dans l’ERP, le WMS et les tableurs) et la fraîcheur (mise à jour assez souvent pour décider).
Suivre l’erreur de prévision par classe ABC
Une erreur moyenne globale masque l’essentiel : quelques références à fort enjeu mal prévues coûtent plus cher que des centaines de petites. L’erreur se pilote donc par classe.
| Classe | Enjeu | Indicateurs suivis | Mode de pilotage |
|---|---|---|---|
| A (environ 80 % du CA) | Peu de références, fort impact | MAPE et biais, chaque mois | Prévision IA revue par un humain |
| B | Impact moyen | MAPE, chaque trimestre | Prévision automatique, contrôle des écarts importants |
| C | Faible impact | Taux de service | Règles simples (stock minimum / maximum), sans modèle complexe |
• Biais = Σ (prévision − réel) ÷ Σ réel. Un biais positif signale un surstock chronique, un biais négatif des ruptures répétées : il est souvent plus parlant que le MAPE.
• Fixez vos cibles à partir de votre propre historique : l’erreur acceptable dépend du secteur et de la régularité de la demande (classes X, Y, Z), pas d’une norme universelle.
Le S&OP : le rituel qui rend l’IA utile
Le S&OP (Sales and Operations Planning, ou plan industriel et commercial) est un processus mensuel qui aligne ventes, achats, stocks et finances sur un seul plan. Sans ce rituel, les prévisions de l’IA restent des chiffres que personne ne s’approprie.
• Revue des données : ventes du mois, ruptures, écarts de prévision par classe.
• Revue de la demande : prévision de l’IA complétée par les informations commerciales (promotions, nouveaux clients, pertes de marchés).
• Revue de l’offre : capacités, délais fournisseurs réels, niveaux de stock.
• Réconciliation : écarts entre demande et offre, scénarios, impact financier.
• Décision de direction : plan validé et arbitrages documentés.
Le coût de non-qualité : la référence avant tout projet
• Ruptures : ventes perdues, pénalités et clients mécontents.
• Surstocks : coût de possession, obsolescence, démarque.
• Transports d’urgence : affrètements express, livraisons partielles.
• Temps perdu : ressaisies, litiges fournisseurs, avoirs.
Chiffrez ces quatre postes sur les 12 derniers mois avant le projet : c’est la seule base fiable pour mesurer ensuite les gains réels de l’IA.
7. Quel cadre réglementaire encadre l’IA et les flux logistiques en 2026 ?
Trois blocs encadrent un projet d’IA en supply chain : l’AI Act, dont les obligations « haut risque » liées à l’emploi sont reportées au 2 décembre 2027 ; le référentiel « IA frugale », non obligatoire ; et les règles sur les invendus et les petits colis, qui modifient directement les flux logistiques.
AI Act (règlement (UE) 2024/1689) : calendrier après l’Omnibus
| Date | Obligation | Statut |
|---|---|---|
| 2 février 2025 | Interdiction des pratiques à risque inacceptable | En vigueur |
| 2 août 2025 | Règles pour les modèles d’IA à usage général | En vigueur |
| 2 août 2026 | Transparence (article 50) : informer l’utilisateur qu’il échange avec une IA | En vigueur |
| 2 décembre 2026 | Deux nouvelles interdictions ajoutées par l’Omnibus ; marquage technique des contenus générés | À venir |
| 2 décembre 2027 | Systèmes à haut risque de l’annexe III (emploi, crédit, éducation, biométrie…) | Reporté depuis août 2026 |
| 2 août 2028 | Systèmes à haut risque intégrés à des produits réglementés (annexe I) | Reporté depuis août 2027 |
• Pour un agent IA logistique, l’obligation prioritaire est la transparence : informer l’utilisateur qu’il échange avec une IA.
• Un agent qui affecte les tâches ou évalue des salariés relèverait du haut risque, avec des obligations complètes au 2 décembre 2027.
Pour approfondir : cadre juridique de l’IA dans une PME
Avant de déployer une IA dans les achats, les stocks ou la planification logistique, l’entreprise doit identifier son rôle (notamment fournisseur ou déployeur), examiner la finalité du système et apprécier son niveau de risque au regard du règlement européen sur l’intelligence artificielle. Les exigences applicables varient selon ces critères ; une simple utilisation d’IA en logistique ne signifie pas automatiquement que le système est « à haut risque ».
AI Act : faire de la conformité un avantage concurrentiel
Une IA responsable peut aussi devenir un argument de vente. Pour une PME, respecter les obligations de l’AI Act applicables à ses outils et être en mesure de le démontrer peut renforcer la confiance des clients, donneurs d’ordre, fournisseurs et partenaires commerciaux. Transparence sur les usages, maîtrise des risques, gouvernance des données et supervision humaine adaptée constituent des engagements concrets qui peuvent rassurer lors d’un appel d’offres ou d’une négociation et aider l’entreprise à se différencier. La conformité documentée est un facteur de confiance, pas une garantie de contrat ni une certification automatique.
Lecture juridique complémentaire : Lefebvre Dalloz Compétences — Livre blanc « IA Act, le nouveau cadre juridique européen de l’IA », avec une contribution d’Edouard Verbecq, avocat. Il présente les statuts des acteurs, la classification par niveau de risque, les obligations et les sanctions. Attention : son calendrier comporte des références à un stade antérieur de la réforme Omnibus ; consulter les textes européens en vigueur pour vérifier les échéances. Ce document fournit un éclairage général et ne remplace pas un conseil juridique adapté à votre situation.
• La formation à l’IA (article 4) devient une obligation de moyens : favoriser la maîtrise de l’IA, sans niveau imposé.
« IA frugale » : un référentiel, pas une loi
• AFNOR SPEC 2314 : référentiel « IA frugale » publié par l’AFNOR, qui propose des critères pour mesurer et réduire l’empreinte d’un projet d’IA ; c’est un document d’application volontaire.
• Pour une PME, frugalité rime avec rentabilité : un modèle simple, entraîné sur ses propres données, coûte moins cher qu’une plateforme surdimensionnée.
Invendus et petits colis : deux règles distinctes
| Texte | Application | Qui est concerné ? | Impact logistique |
|---|---|---|---|
| Règlement écoconception (UE) 2024/1781, article 25 | 19 juillet 2026 | Grandes entreprises ; moyennes au 19 juillet 2030 ; micro et petites exemptées | Interdiction de détruire les invendus textiles, accessoires et chaussures, retours clients compris |
| Fin de la franchise douanière sur les colis de 150 € ou moins | 1er juillet 2026 | Colis importés hors UE ; droit acquitté par les plateformes de vente | 3 € par catégorie d’article ; frais de gestion européens au 1er novembre 2026 ; concerne les flux entrants |
Point clé pour les PME françaises : la loi AGEC interdit déjà la destruction des invendus non alimentaires neufs, depuis le 1er janvier 2022 pour les produits couverts par une filière REP et au plus tard le 31 décembre 2023 pour les autres, quelle que soit la taille de l’entreprise. Le règlement européen renforce la règle pour les grandes entreprises du textile.
À anticiper : le passeport numérique des produits, déployé progressivement à partir de 2027 selon les catégories (les batteries en premier). Il facilitera le tri automatisé des retours grâce à un QR code ou une puce RFID.
8. Quel plan d’action pour déployer l’IA dans sa supply chain ?
Le déploiement suit cinq étapes : diagnostiquer les données, choisir un cas d’usage rentable, tester sur un périmètre limité, étendre vers des agents supervisés, puis intégrer la logistique des retours. Les premiers résultats mesurables sont généralement visés en 60 à 90 jours sur le routage ou la visibilité.
• Diagnostiquer les flux et les données : cartographier stocks, transport et retours ; vérifier la qualité des données avant tout modèle.
• Choisir un cas d’usage à retour rapide : tournées ou prévision de la demande, avec un indicateur de départ mesuré.
• Tester sur un périmètre limité : un entrepôt, une flotte ou une gamme de produits, avant de généraliser.
• Étendre vers des agents IA supervisés : autonomie progressive, validation humaine sur les décisions à fort impact, information des utilisateurs (AI Act, article 50).
• Intégrer la logistique des retours : automatiser le tri et la destination des retours, en respectant la loi AGEC et le règlement écoconception.
Cette démarche suit le cycle PDCA présenté dans notre guide sur l’amélioration continue en PME : planifier un test limité, le mesurer, l’ajuster, puis le généraliser.
9. Questions fréquentes sur l’IA en supply chain
Qu’est-ce que l’IA agentique en logistique ?
Un agent IA analyse en continu les données de stock, de transport et de demande, puis propose ou déclenche une action : réaffectation, alerte, rééquilibrage. Les décisions courantes peuvent être automatisées ; les décisions à fort impact restent validées par un humain.
Combien de temps avant un retour sur investissement ?
Le routage et la visibilité peuvent produire des résultats mesurables en 60 à 90 jours. La prévision de la demande demande généralement 12 à 24 mois d’historique exploitable. Les gains se mesurent par rapport au coût de non-qualité chiffré avant le projet (partie 6).
L’IA peut-elle remplacer un responsable logistique ?
Non. L’IA automatise l’exécution répétitive (tournées, tri, réapprovisionnement) ; la décision stratégique, l’arbitrage réglementaire et la relation avec les transporteurs restent pilotés par des humains.
Une PME est-elle concernée par l’interdiction de détruire ses invendus ?
En France, oui : la loi AGEC s’applique à toutes les entreprises. L’interdiction européenne sur le textile vise d’abord les grandes entreprises, puis les moyennes en 2030 ; les petites en sont exemptées.
Laurent Biancotto — Digital Copywrit
Sources
Sources vérifiées le 21 octobre 2026. Les chiffres d’éditeurs sont signalés comme tels.
Insee — Les TIC dans les entreprises en 2025 (Insee Première n° 2120, 21 juillet 2026) — www.insee.fr/fr/statistiques/9025878
Usage de l’IA par taille d’entreprise et dans le transport et l’entreposage.
Insee — Les TIC dans les entreprises en 2024 (Insee Première n° 2061, 1er juillet 2025) — insee.fr/fr/statistiques/8604126
Données 2024 utilisées dans le graphique.
Ministère de l’Économie — Baromètre France Num 2026 (28 septembre 2026) — www.economie.gouv.fr/node/3242215
40 % des TPE et PME utilisent une solution d’IA.
NRF et Happy Returns — 2024 Retail Returns to Total $890 Billion (5 décembre 2024) — nrf.com/media-center/press-releases/nrf-and-happy-returns-report-2024-retail-returns-total-890-billion
Projection des retours et estimation de 16,9 % des ventes.
NRF — Reverse logistics: the cornerstone of the circular economy (17 octobre 2025) — nrf.com/blog/reverse-logistics-the-cornerstone-of-the-circular-economy
Jusqu’à 65 % de valeur récupérée, selon Deloitte.
Gartner — 40 % des applications d’entreprise avec des agents IA d’ici 2026 (26 août 2025) — www.gartner.com/en/newsroom/press-releases/2025-08-26-gartner-predicts-40-percent-of-enterprise-apps-will-feature-task-specific-ai-agents-by-2026-up-from-less-than-5-percent-in-2025
Prévision sur les agents IA spécialisés.
Blue Yonder — cas client Lenovo — blueyonder.com/customers/lenovo
Résultats déclarés par l’éditeur.
FoodNavigator — Hershey et Aera Technology (18 février 2026) — www.foodnavigator.com/Article/2026/02/18/hershey-taps-aera-technologys-ai-to-boost-supply-chain-resilience/
Usages de l’IA de décision chez Hershey.
DHL — lancement de Greenplan (25 juin 2020) — group.dhl.com/en/media-relations/press-releases/2020/greenplan-the-best-way-logistics-experts-launch-powerful-algorithm-for-individual-route-optimization.html
Jusqu’à 20 % de coûts en moins par rapport aux solutions standard.
DHL — Reverse logistics goes from cost center to competitive edge (14 janvier 2026) — group.dhl.com/en/media-relations/press-releases/2026/reverse-logistics-goes-from-cost-center-to-competitive-edge-dhl-data-shows.html
Réseau de retours et valeur de revente récupérable.
Retail Dive — Happy Returns (UPS) et la détection des retours frauduleux (12 janvier 2026) — www.retaildive.com/news/ups-happy-returns-vision-software-pilot-everlane/809083/
Score de risque, Return Vision, validation humaine.
ActuIA — Calendrier AI Act : ce qui s’applique, ce que l’Omnibus reporte (6 octobre 2026) — www.actuia.com/actualite/calendrier-ai-act-ce-qui-sapplique-ce-que-lomnibus-reporte/
Calendrier après le règlement (UE) 2026/1744.
info.gouv.fr — Taxe sur les petits colis : ce qui change — www.info.gouv.fr/actualite/taxe-sur-les-petits-colis-ce-qui-change
Droit de 3 € par catégorie d’article et frais de gestion.
Osborne Clarke — Interdiction de destruction des invendus non alimentaires — www.osborneclarke.com/fr/insights/interdiction-de-destruction-des-invendus-non-alimentaires
Calendrier de la loi AGEC.
Gartner — Data Quality: Best Practices for Accurate Insights — www.gartner.com/en/data-analytics/topics/data-quality
Coût moyen de la mauvaise qualité des données (12,9 M$ par an, étude 2020) et neuf dimensions de la qualité.
Commission européenne — Ban on destruction of unsold clothes and shoes enters into application (12 août 2026) — circulareconomy.europa.eu/node/10191
Application au 19 juillet 2026 pour les grandes entreprises, en 2030 pour les moyennes.
AFNOR — AFNOR SPEC 2314 (IA frugale) — www.boutique.afnor.org/en-gb/standard/afnor-spec-2314/fa208976/421140
Référentiel d’application volontaire.
Slimstock — partenariat avec Sage — www.slimstock.com/about-us/news/slimstock-official-partnership-with-sage-to-deliver-ai-powered-supply-chain-orchestration/
Intégration de Slim4 avec Sage X3.
