La plateforme Genesis optimise la répartition des stocks entre différents entrepôts d’un même réseau logistique.
Un simulateur basé sur l’intelligence artificielle pour optimiser la répartition des stocks entre différents entrepôts au sein d’un même réseau logistique. C’est l’innovation lancée en mars 2026 par le Massachusetts Institute of Technology (MIT) Center for Transportation & Logistics, acteur dans le domaine de la recherche et de la formation en gestion de la chaîne d’approvisionnement, et Mecalux, entreprise spécialisée dans les technologies de stockage et les logiciels de logistique. La plateforme, baptisée Genetic Evaluation & Simulation for Inventory Strategy (Genesis), s’appuie sur un algorithme génétique pour recommander des niveaux de stocks optimaux et des stratégies de transport. Elle utilise des modèles avancés de machine learning pour analyser des milliers de scénarios et déterminer le niveau de stock optimal pour chaque entrepôt, ainsi que le bon moment pour le renouveler. De quoi minimiser les coûts, tout en évitant la rupture de stock.
Algorithme génétique
Le simulateur d’IA prend en compte des variables telles que la demande prévisionnelle par région, les coûts de transport ou la capacité opérationnelle par entrepôt pour tester différentes politiques de renouvellement de stocks sans perturber les activités réelles. « L’algorithme génétique permet de réaliser plusieurs simulations à partir de différents paramètres afin d’identifier la stratégie logistique la plus efficace, explique le Dr Matthias Winkenbach, directeur de recherche au MIT CL et à l’Intelligent Logistics Systems Lab (ILS). Les entreprises peuvent comparer les scénarios et choisir celui qui convient le mieux à leur fonctionnement ». Une fois les données et les variables renseignées dans le système, Genesis génère la solution optimale et fournit des tableaux de bord avec des statistiques avancées. L’utilisateur peut, ainsi, examiner des indicateurs tels que les modèles de consommation, les régions où la demande fluctue fortement, les références présentant un risque élevé de rupture de stock ou encore les entrepôts présentant des problèmes d’approvisionnement.
Planification stratégique
L’une des principales fonctionnalités du système réside dans la possibilité de rééquilibrer les stocks entre les entrepôts. Ainsi, avant de passer automatiquement commande auprès d’un fournisseur, l’outil détermine s’il est plus judicieux de transférer des marchandises depuis un autre site du réseau disposant d’un excédent de stock. Le système donne également des conseils sur l’organisation du transport. Il indique, par exemple, s’il est préférable de regrouper les expéditions pour optimiser le remplissage des camions, ou si certaines commandes doivent être livrées à partir d’un site spécifique pour réduire les délais et les coûts. « Nous avons développé Genesis en partant de zéro pour pouvoir évaluer des milliers de scénarios simultanément plutôt que séquentiellement. Ce qui nécessitait auparavant plusieurs jours peut désormais être résolu en quelques minutes. Les entreprises peuvent s’appuyer sur cette technologie pour mettre en place une véritable planification stratégique au-delà des analyses théoriques », analyse Rodrigo Hermosilla, chercheur à l’ILS du MIT.
Ce simulateur constitue l’un des premiers résultats concrets de la collaboration entre Mecalux et le MIT CL. Une nouvelle phase s’ouvre désormais, consacrée à l’application de l’IA à d’autres processus logistiques, tels que le réapprovisionnement interne, l’utilisation de jumeaux numériques dans les systèmes de stockage automatisés à haute densité et l’optimisation du positionnement des produits.
ROI en deux ou trois ans
En novembre dernier, Mecalux et l’ILS du MIT ont mené une enquête auprès de plus de 2 000 dirigeants de la logistique qui révèle que l’IA est intégrée dans 60 % des entrepôts. Au total, plus de 9 entrepôts sur 10 utilisent une forme d’IA ou d’automatisation avancée, soulignant une maturité avancée du secteur, en particulier du côté des grandes entreprises dotées de réseaux logistiques complexes et de multiples installations. « Les données montrent que les entrepôts intelligents surpassent leurs concurrents en volume, en précision et en adaptabilité », affirme Javier Carrillo, CEO de Mecalux. L’étude met également en évidence le fait que les investissements dans l’IA s’amortissent plus rapidement que prévu. La majorité des entreprises consacrent entre 11 et 30 % de leur budget de technologie d’entrepôt à des initiatives d’IA et de machine learning, et le délai moyen d’amortissement est de deux à trois ans. Un ROI qui s’explique par des améliorations mesurables dans la précision des stocks, la performance, l’efficacité du travail et la réduction des erreurs. Toutefois, « la partie la plus complexe est la phase finale de mise en œuvre avec l’intégration des personnes, des données et l’analyse sans friction dans les systèmes existants », souligne le Dr Matthias Winkenbach. Toutes les entreprises interrogées prévoient, néanmoins, d’élargir leur utilisation de l’IA au cours des deux à trois prochaines années. Le rapport révèle que le prochain défi se concentrera sur les technologies de prise de décision, en particulier l’IA générative.
