IA et supply chain : brancher l'IA sur votre OMS et votre WMS

Un OMS orchestre les commandes, un WMS gère l'entrepôt, et à eux deux ils produisent chaque jour un volume de données que peu d'entreprises exploitent vraiment. Brancher une IA dessus ne veut pas dire tout automatiser : cela veut dire lire ces flux, projeter, qualifier et libérer du temps sur les tâches répétitives, avec un humain qui garde la décision. Cet article fait partie de notre panorama de l'IA par métier.

Qu'est-ce qu'un OMS et un WMS produisent réellement comme données ?

Un OMS (Order Management System) centralise les commandes venues de tous les canaux de vente : site marchand, marketplaces, points de vente, B2B. Il sait à tout moment où en est chaque commande, quel stock est engagé, et quel transporteur doit livrer.

Un WMS (Warehouse Management System) pilote l'entrepôt : réception, rangement, préparation, expédition. Il enregistre chaque mouvement de stock, chaque écart entre ce qui était attendu et ce qui est arrivé, chaque anomalie de préparation.

Mis bout à bout, ces deux systèmes génèrent un historique fin de commandes, de stocks, de délais et d'incidents. C'est une matière première rarement exploitée au-delà d'un reporting mensuel figé, alors qu'elle porte des signaux exploitables au quotidien.

Comment une IA aide-t-elle à projeter les stocks ?

Le premier terrain utile est la projection de stock. À partir de l'historique de ventes, de la saisonnalité et des délais fournisseurs enregistrés dans l'OMS et le WMS, une IA peut estimer les besoins à venir référence par référence, et signaler les risques de rupture ou de surstock avant qu'ils ne se matérialisent.

Le principe reste simple : l'IA propose une quantité et une date de commande, l'acheteur ajuste et valide. Ce n'est pas un pilote automatique de l'achat, c'est une alerte précoce et argumentée sur ce qui, sans elle, se découvre trop tard, au moment de la rupture ou de l'entrepôt saturé.

Le gain se mesure sur deux fronts distincts : moins de ventes perdues faute de stock disponible, et moins de trésorerie immobilisée dans des références qui tournent mal. Les deux dérives coûtent cher, et les deux sont visibles dans les mêmes données de vente et de mouvement de stock.

Comment une IA aide-t-elle à traiter les litiges logistiques ?

Un litige transporteur, un écart de réception ou un colis perdu suivent presque toujours le même schéma : rassembler les preuves (bon de livraison, photo, historique de suivi), qualifier le problème, monter un dossier de réclamation, puis relancer si la réponse tarde. C'est un travail précis mais répétitif, qui mobilise du temps sans exiger de jugement complexe à chaque étape.

Une IA branchée sur les données de l'OMS et du WMS peut assembler automatiquement ce dossier : elle retrouve la commande concernée, croise les statuts de livraison, identifie l'écart, et prépare le texte de la réclamation prêt à être envoyé. Le suivi des relances, souvent oublié faute de temps, devient systématique.

Sur la qualité des référentiels, le principe est le même. Codes EAN dupliqués, fiches produits incomplètes, unités de mesure incohérentes entre systèmes : une IA peut détecter ces anomalies en comparant les référentiels entre eux, avant qu'elles ne provoquent une erreur de préparation ou un blocage en caisse.

Comment interroger ses flux logistiques en langage naturel ?

Au-delà des tableaux de bord figés, une IA branchée sur l'OMS et le WMS permet une forme de tour de contrôle interrogeable : poser une question en langage courant, comme « quelles commandes sont en retard et pourquoi », et obtenir une réponse construite à partir des données réelles, pas d'un rapport préformaté.

Ce type d'usage change la façon de suivre l'activité au quotidien. Un responsable logistique n'a plus besoin d'extraire un fichier et de le croiser à la main pour comprendre un retard récurrent sur un dépôt ou un transporteur : la question se pose directement, et la réponse cite les commandes concernées.

Comment se brancher techniquement sur un OMS et un WMS ?

La plupart des OMS et WMS modernes exposent une API : c'est le point d'entrée naturel pour lire les commandes, les stocks et les mouvements sans toucher au système lui-même. C'est aussi la voie la plus stable, indépendante des évolutions internes de l'interface du logiciel.

Deux approches complémentaires s'ajoutent à cette API. Le Model Context Protocol est un standard ouvert qui permet de relier une IA à un logiciel métier de façon normalisée, plutôt que de coder un connecteur sur mesure pour chaque outil. Il simplifie l'intégration quand plusieurs systèmes doivent être branchés ensemble.

L'autre approche, plus accessible pour démarrer, passe par une plateforme d'orchestration comme n8n, qui relie plusieurs logiciels entre eux sans développement lourd. Nous détaillons cette mise en pratique dans orchestrer ces flux avec n8n en pratique. France Num documente ce type de démarche d'outillage progressif pour les PME qui n'ont pas d'équipe technique dédiée.

Dans tous les cas, la séquence recommandée est la même : commencer par la lecture seule des données (aucune action, juste de l'analyse), puis introduire des actions à faible risque et réversibles (préparer un dossier, une alerte, un brouillon de commande), et ne confier une action à enjeu qu'après plusieurs semaines de fiabilité observée.

Où sont les garde-fous à poser avant de se lancer ?

Le premier garde-fou concerne l'achat. Une IA ne doit jamais passer une commande fournisseur sans validation humaine : le coût d'une erreur de volume ou de référence dépasse largement le temps gagné sur l'automatisation complète. L'IA propose, l'acheteur décide, toujours.

Le second garde-fou concerne la traçabilité. Chaque action initiée par une IA sur les systèmes de commande ou de stock doit être enregistrée et attribuable, exactement comme une action humaine. C'est ce qui permet de revenir sur une décision, d'auditer une erreur, et de garder la confiance des équipes qui utilisent l'outil au quotidien.

Le troisième garde-fou concerne le périmètre. Mieux vaut un usage étroit et fiable (les litiges transporteurs, par exemple) qu'un projet qui touche à la fois les stocks, les achats et le transport dès le premier mois. Bpifrance Big Media documente régulièrement cette logique de déploiement progressif, secteur par secteur, plutôt que le grand projet unique.

Comment prolonger ces flux au-delà de la logistique ?

Les flux de commandes ne s'arrêtent pas à l'entrepôt. Côté vente, le versant boutique en ligne de ces flux montre comment brancher une IA sur les données d'un site e-commerce, en amont de l'OMS. Côté finance, une fois les flux de commandes et de livraisons fiabilisés, il devient naturel de prolonger vers la facturation et la comptabilité, pour fermer la boucle jusqu'au règlement.

Par où commencer concrètement ?

Le point de départ le plus sûr reste un usage étroit : la gestion des litiges transporteurs ou des écarts de réception, sur un périmètre limité et mesurable. C'est là que le gain se voit le plus vite, et que la confiance dans l'outil se construit avant d'élargir aux stocks puis aux achats.

Pour une PME, le Diag Data IA de Bpifrance finance ce diagnostic à hauteur de 40 %, pour un reste à charge d'environ 6 000 euros HT (dispositif ouvert aux PME et aux ETI de 10 à 2 000 salariés). Il permet de cartographier les flux OMS et WMS existants, de chiffrer le premier cas d'usage, et d'éviter d'investir dans une intégration qui ne sert pas les bonnes données.

Passé ce diagnostic, l'étape suivante est l'intégration elle-même : brancher l'IA sur vos systèmes en place, avec les droits d'accès et la supervision qui conviennent à votre organisation. C'est précisément l'objet de notre accompagnement à l'intégration de l'IA dans votre SI.