Prévision de la demande et IA générative : quelles applications ?

Par Baptiste Bassagaisteguy, publié le 5 mai 2026

Le symptôme est toujours le même, et il paraît paradoxal : trop de stock et des ruptures en même temps. Trop de stock sur les articles qui dorment, des ruptures sur ceux qui partent. Derrière ce paradoxe, une cause presque universelle : la prévision se fait sur tableur, avec une moyenne des derniers mois, article par article quand quelqu'un a le temps. Ce n'est pas un défaut d'attention, c'est une limite d'outil.

Pourquoi le tableur plafonne

Une demande réelle superpose plusieurs signaux : une tendance de fond, une ou plusieurs saisonnalités, l'effet des promotions et des appels d'offres, et du bruit. Une moyenne mobile écrase tout cela. Elle réagit en retard aux tendances, rate les saisonnalités décalées et se fait piéger par chaque pic promotionnel, qu'elle reproduit l'année suivante comme s'il allait revenir seul.

S'ajoute le problème du nombre : prévoir correctement 50 articles à la main est envisageable, 5 000 ne l'est pas. Les planificateurs le savent et concentrent leur attention sur les gros volumes. Le reste du catalogue vit sur des règles de gestion figées, posées il y a des années.

Ce qu'un modèle de prévision apporte

Un modèle de demand planning entraîné sur vos historiques traite chaque article, chaque référence, chaque point de livraison, sans fatigue et sans favoritisme. Il capture les saisonnalités, intègre le calendrier commercial et les promotions, et surtout il fournit autre chose qu'un chiffre unique : une fourchette de confiance.

Cette fourchette change tout, car elle dit où la prévision est fiable et où elle ne l'est pas. Soyons honnêtes : sur un article erratique, aucun modèle ne fait de miracle. Mais savoir qu'un article est imprévisible est déjà une information de gestion, qui se traduit en stock de sécurité dimensionné en conséquence plutôt qu'au doigt mouillé.

De la prévision au réapprovisionnement

Une prévision qui reste dans un rapport ne sert à rien. La suite logique est un moteur de réapprovisionnement connecté à l'ERP : chaque matin, des propositions de commande calculées à partir de la prévision, des stocks, des en-cours et des délais fournisseurs. Le planificateur les passe en revue, comprend pourquoi l'outil propose ces quantités, ajuste et valide.

Ce mot, « comprend », est la condition de survie du projet. Un outil qui explique ses propositions est corrigé et adopté. Un outil qui impose des chiffres sans justification est contourné au bout d'un mois, et le tableur revient.

L'IA générative contre l'effet boîte noire

C'est là que l'IA générative apporte quelque chose de neuf. Les moteurs de prévision et les APS produisent des chiffres souvent justes, mais muets : le planificateur voit la proposition, pas le raisonnement. L'IA générative ajoute la couche d'explication qui manquait : on lui demande, en langage naturel, pourquoi l'outil propose ces quantités, et elle déroule la logique : la tendance captée, la saisonnalité en jeu, la promotion intégrée, le délai fournisseur, le stock de sécurité retenu. L'effet boîte noire disparaît : l'outil de forecast devient un interlocuteur que l'on peut interroger et contredire, plus un oracle que l'on subit. Pour les équipes planning, c'est souvent ce qui fait la différence entre un système adopté et un système contourné.

Pour les grands groupes comme pour les ETI

Dans les grands groupes, le problème n'est pas d'avoir un outil de prévision : l'APS est en place depuis des années. Le vrai sujet, c'est son adoption. Les planificateurs appliquent des chiffres qu'ils ne peuvent pas expliquer, des milliers de références de second plan restent gérées par des règles figées faute de temps, et les données circulent mal entre l'APS, l'ERP et les outils maison. L'IA ne vient pas remplacer l'existant : elle vient lever ces trois obstacles à l'adoption : expliquer les sorties, couvrir toute la profondeur du catalogue, connecter proprement les systèmes. Pour les ETI, l'IA a réduit le coût de développement d'un outil de prévision sur mesure au point de le rendre accessible en quelques semaines de projet. Côté données, rien d'exotique dans les deux cas : deux à trois ans d'historique de ventes, les stocks, les délais fournisseurs. Tout est déjà dans l'ERP, et un système comme Odoo rend la connexion directe, comme nous le détaillons dans connecter l'IA à Odoo.

Mesurer le gain

Trois indicateurs, mesurés avant et après : le taux de service, les jours de stock, et l'écart entre prévision et réel. Le retour se lit dans la trésorerie libérée par la baisse des stocks dormants et dans le chiffre d'affaires que les ruptures ne détruisent plus. Pour situer la prévision parmi les autres applications, notre panorama des cas d'usage de l'IA en Supply Chain la replace dans l'ensemble.