Découvrez ce contenu d’expert réalisé à la suite du Think Tank CARA – IA dans les transports : mythes vs réalité.

Le transport de marchandises traverse une période de transformation. Face à la montée en puissance de l’intelligence artificielle, certains professionnels du secteur se posent la question de son intégration dans leurs activités. Leur objectif est souvent d’améliorer l’efficacité de leurs opérations et garantir un meilleur service pour leurs clients.

Également, à la vue des enjeux environnementaux et des règlementations associés pour décarboner la livraison (Ex : ZFE), les professionnels du secteur réfléchissent à des façons de décarboner leurs flottes et/ou optimiser les livraisons.

C’est pourquoi, un Think Tank dédié à l’IA pour le transport de marchandises a été organisé pour offrir un espace de réflexion et d’éclairage sur la mise en place de telles solutions dans les activités des transporteurs.

Cet événement a abordé trois grands volet :

1. La démystification de l’IA : ce qu’elle est et ce qu’elle n’est pas

2. Le point de vue d’un transporteur quant à la mise en place d’une solution IA dans ses process

3. Un panorama des utilisations possibles de l’IA dans le secteur du transport de marchandises pour améliorer les opérations

A travers les échanges, un décalage est ressorti entre la technologie, sa connaissance et les opportunités qu’elle induit, et les réalités vécues/perçues par les professionnels du secteur.

Cette note entend, à partir des éléments issus du Think Tank, donner un panorama de ce que l’IA permet dans le domaine du transport de marchandises, des tensions liées à son adoption pour les professionnels du secteur, et enfin les critères à prendre en compte pour identifier l’opportunité d’utiliser des outils IA dans les activités des professionnels.

L’IA est un outil dont le monde économique, social et politique tente de s’emparer et de comprendre son usage et ses impacts.

Toutefois, il s’agit de s’attacher à la sémantique du terme d’ « intelligence artificielle », composé de deux mots distincts ayant un sens propre à chacun. Ils peuvent être pourtant amalgamés si bien que les professionnels du transport ont souvent du mal à distinguer. En effet, ce qui est artificiel renvoie à une production, une création la plupart du temps humaine. L’intelligence correspond à une fonction mentale d’organisation de la pensée qui permet de connaître et de comprendre un objet, une situation, etc. Ainsi, ces éléments permettent de comprendre que derrière l’intelligence artificielle, un concepteur développe un outil pour qu’il ait certaines facultés. 

Aussi, il existe plusieurs familles d’IA pour des usages distincts :  

Appliquée au transport de marchandises par exemple, une IA générative n’optimisera pas une tournée et une IA de raisonnement ne rédigera pas un mail. Confondre ces familles et utiliser un outil IA peut amener à un mauvais usage, à des déceptions et, in fine, une défiance envers l’outil. 

Si l’IA est un outil dont le résultat est conditionné au type d’IA choisi et à la qualité de la donnée d’entrée (demande), des tensions liées aux activités des professionnels du transport donnent des pistes pour comprendre les freins à l’adoption dans le secteur. Elles révèlent des incompatibilités entre la logique des outils d’IA disponibles et les besoins des professionnels du transport.

Les professionnels du transport ont besoin de comprendre pourquoi, là où l’IA répond le plus souvent au quoi et au comment.

Les outils d’IA actuels, notamment les IA d’apprentissage et génératives, fonctionnent par corrélation et inférence probabiliste. Ils identifient des patterns (ou modèles), prédisent des résultats et suggèrent des scénarios. Toutefois, ils n’expliquent pas les causes. Or, dans un secteur où les aléas sont permanents (conditions de circulation, incidents sur la chaîne logistique, comportements des donneurs d’ordres), les opérateurs ont besoin d’outils capables d’expliquer les décisions, pas seulement de les recommander.

Cette exigence de causalité constitue une limite réelle des architectures d’IA existantes.

La seconde tension concerne la nature même du savoir-faire des entreprises de transport. Ce savoir-faire est souvent le résultat de l’expérience accumulée, la connaissance des territoires et des interlocuteurs. Il est souvent difficilement verbalisable, et donc difficilement formalisable. 

Or, l’IA n’exploite que ce qui est structuré, documenté et quantifié. Elle ne capte pas (pour l’instant) l’implicite. Cette incompatibilité soulève une question : comment extraire, formaliser et rendre exploitables des savoirs qui ont de la valeur parce qu’ils reposent sur l’expérience et le savoir-faire ?  

La construction d’un référentiel métier, évoquée lors des échanges, est une piste sérieuse. Elle suppose un travail préalable avec des experts terrain, avant même d’envisager tout déploiement technologique. À défaut, le risque est de développer des outils d’IA sophistiqués qui passent à côté de ce qui fait la compétence réelle des entreprises. 

La troisième tension est peut-être la plus immédiate pour les dirigeants de PME. Le discours dominant sur l’IA est celui de la transformation : transformation des processus, des métiers, des modèles économiques. Sur le terrain, en revanche, le principal obstacle à l’adoption est d’ordre organisationnel.

Les données existent. Toutefois, elles sont peu ou pas standardisées. Les outils disponibles sont nombreux, mais ils parlent chacun leur propre langage, sans interopérabilité garantie. La sécurité des données, notamment la protection des tarifs d’appels d’offres et des données clients, reste une préoccupation majeure. Aussi, la question du retour sur investissement demeure difficile à objectiver, dans un secteur habitué à mesurer la performance en termes de maîtrise des coûts et de fiabilité opérationnelle. 

À cela s’ajoute une perception de l’IA encore très marquée par les promesses marketing, qui génère autant de méfiance que d’intérêt. Le risque est que cette défiance conduise les entreprises à rejeter l’outil dans son ensemble, là où une approche plus ciblée et progressive permettrait d’en tirer une valeur réelle. 

Le Think Tank a permis de dégager un ensemble de préalables sans lesquels toute démarche d’adoption de l’IA risque de rester superficielle. 

Préalable 1 : Le premier est la formation des dirigeants et des équipes sur ce que l’IA peut et ne peut pas faire.  

Préalable 2 : Le deuxième préalable est la qualité des données. L’IA ne génère pas de données : elle exploite celles qui existent. Or, la valeur des résultats produits dépend de la qualité des données d’entrée. Avant de déployer tout outil, les entreprises doivent s’interroger sur l’état de la qualité de leurs données : sont-elles structurées, fiables, accessibles, standardisées ? Dans de nombreux cas, ce travail de mise en ordre constitue le véritable chantier prioritaire.

Préalable 3 : Le troisième préalable est le choix du bon périmètre d’intervention. Plusieurs intervenants ont plaidé pour des approches frugales et ciblées : identifier un cas d’usage précis, mesurable, à fort enjeu opérationnel, plutôt que de chercher à transformer l’ensemble de l’organisation d’un coup. Cette approche progressive permet de construire des preuves de valeur concrètes, d’embarquer les équipes dans la durée et d’éviter les projets trop ambitieux qui épuisent les ressources sans produire de résultats tangibles. 

Enfin, l’adoption de l’IA dans le transport de marchandises ne pourra pas être une démarche individuelle. La construction d’écosystèmes, la mutualisation des efforts de standardisation, la collaboration entre acteurs de la chaîne logistique (chargeurs, transporteurs, donneurs d’ordres) sont des conditions nécessaires pour que les outils déployés produisent une valeur réelle à l’échelle du secteur. 

Le transport de marchandises est au début de cette transformation. Les opportunités sont réelles. Toutefois, les conditions de leur concrétisation restent à construire, via des démarches de collaboration, d’expérimentation, etc…

Les échanges du Think Tank ont mis en évidence que les principaux défis ne sont pas uniquement technologiques. Ils concernent tout autant la formalisation des savoir-faire métier, la sécurisation des données, l’interopérabilité des outils et l’accompagnement humain du changement. Dans ce contexte, la réussite des projets d’IA reposera moins sur la sophistication des solutions choisies que sur leur capacité à créer une valeur concrète pour les entreprises et leurs collaborateurs.

Le transport de marchandises se trouve aujourd’hui à une étape comparable aux débuts de la digitalisation : les usages émergent, les standards se construisent et les acteurs expérimentent. Les opportunités sont réelles, mais leur concrétisation nécessitera une démarche progressive, fondée sur l’expérimentation, la coopération entre acteurs et l’ancrage dans les réalités opérationnelles du secteur.

À mesure que les technologies d’IA gagnent en maturité, la question ne sera probablement plus de savoir si elles trouveront leur place dans le transport de marchandises, mais comment elles pourront contribuer à construire une logistique plus performante, plus résiliente et plus durable.