L'IA agentique dans la supply chain : ce que les agents savent déjà faire

L'IA agentique dans la supply chain, aujourd'hui, c'est un logiciel capable de préparer une commande d'achat, de rédiger un e-mail fournisseur, de vérifier un contrat par rapport à une politique interne ou de signaler un écart de facturation, sans qu'une personne n'exécute chaque étape à la main. La prise de décision totalement autonome, où un agent choisit et exécute un plan sans qu'une personne ne le valide, n'est pas encore une réalité. L'adoption est réelle et s'accélère, mais la capacité sur le terrain reste plus étroite que ce que suggère le marketing.

Cet écart compte pour quiconque valide un budget d'IA agentique cette année. Les tâches que les agents maîtrisent déjà bien, rédiger un contrôle de conformité ou faire suivre une approbation, sont réellement utiles et méritent d'être déployées dès maintenant. Les arbitrages qui protègent la marge (acheter maintenant ou attendre, faire confiance ou non à un fournisseur sous tension) restent entre les mains des équipes, car l'agent qui exécute la tâche n'a généralement pas accès au contexte de marché qui permettrait de trancher à sa place.

La tension que vivent déjà les responsables achats et supply chain est la suivante : les budgets avancent vite, mais les analystes qui suivent ce marché avertissent que l'essentiel de ce qui se vend comme « agentique » ne l'est pas.

Que sait vraiment faire l'IA agentique dans la supply chain aujourd'hui ?

L'IA agentique en supply chain automatise aujourd'hui de façon fiable des tâches définies et encadrées par des règles, à l'intérieur d'un flux de travail qui existe déjà : lire une demande, la vérifier par rapport à une politique, rédiger le document suivant et le router vers une décision qu'une personne prend encore. Elle supprime des étapes manuelles ; le jugement derrière le processus reste humain.

La recherche 2026 de BCG retrouve le même schéma dans l'ensemble du secteur : la plupart des organisations supply chain en sont encore à des cas d'usage étroits et des outils de type copilote, qui apportent des gains de productivité marginaux, et non la refonte pilotée par des agents que décrivent les éditeurs. Le raisonnement et l'usage d'outils par ces agents se sont nettement améliorés au cours des 18 derniers mois, ce qui explique justement pourquoi cet écart passe facilement inaperçu lors d'une démonstration.

Gartner s'attend à ce que la part d'applications intégrant des agents continue de grimper indépendamment de cela, passant de moins de 5 % des applications d'entreprise en 2025 à environ 40 % d'ici fin 2026. Cette trajectoire mesure l'intégration dans des applications existantes, une chose plus restreinte que l'autonomie décisionnelle : une application peut faire appel à un agent pour une sous-tâche définie sans lui confier la moindre autorité sur quoi que ce soit d'important.

McKinsey regroupe les systèmes déjà suffisamment éprouvés pour être déployés sans attendre que la catégorie mûrisse davantage, les qualifiant de solutions « sans regret » car le coût de prendre du retard sur ces sujets dépasse désormais le risque de les adopter :

Chaque élément de cette liste partage un trait commun : la bonne réponse se trouve déjà dans les propres systèmes de l'entreprise, et un agent la trouve plus vite qu'une personne. Décider quoi faire lorsque la bonne réponse dépend de la direction que prendra un prix de matière première est un tout autre exercice.

Quels agents achats produisent déjà des résultats mesurables ?

La preuve la plus nette que l'IA agentique paie en matière d'achats provient des déploiements clients propres à McKinsey, décrits sans nommer les entreprises concernées. Chez un opérateur télécoms, des agents d'aide à la négociation qui préparent les positions vis-à-vis des fournisseurs et rédigent les échanges ont réduit le temps d'analyse et d'e-mails jusqu'à 90 %, avec des économies de 10 à 15 % sur l'ensemble des fournisseurs. Chez un avionneur, des agents de gestion des stocks qui ajustent en continu le stock aux signaux de demande ont réduit le stock actif de 30 %, ajoutant environ 700 millions de dollars à l'EBIT. Chez un laboratoire pharmaceutique, des agents rapprochant factures et conditions contractuelles ont réduit de 4 % la valeur perdue par fuite.

Ces chiffres tiennent la route parce que les agents ont été affectés à un problème étroit et bien défini, avec une réponse claire, et qu'aucun n'a eu à piloter une stratégie de catégorie de bout en bout. C'est un schéma qui mérite d'être rapproché d'autres décisions achats documentées avant/après : les déploiements qui affichent un chiffre sont généralement ceux dont le périmètre était suffisamment resserré pour être mesuré.

Au-delà de la paperasse des achats, des agents assurent aussi la surveillance du risque fournisseur : ils scrutent en continu les indicateurs de santé financière, l'actualité géopolitique et les informations sectorielles à la recherche de signes précoces d'instabilité, puis recommandent, voire déclenchent, un basculement vers un fournisseur alternatif avant qu'une rupture n'atteigne la production. C'est un vrai gain par rapport à une revue fournisseur trimestrielle, et cela dépend toujours de la qualité des signaux externes fournis à l'agent. McKinsey estime que les fonctions achats utilisent moins de 20 % des données à leur disposition pour la prise de décision, un écart qui pèse d'autant plus que les agents prennent en charge une part croissante du travail.

Pourquoi les annonces sur l'IA agentique dépassent ce que les agents savent faire

L'évaluation de Gartner elle-même, présentée lors de son Supply Chain Symposium à Barcelone en mai 2026, est étonnamment directe pour un cabinet d'analystes. L'analyste Jan Snoeckx a indiqué que la plupart des capacités agentiques en planification supply chain aujourd'hui améliorent la façon dont un utilisateur interprète une requête, reçoit une recommandation ou dialogue avec le système. La qualité de la décision elle-même n'a pas progressé aussi vite, et une planification réellement autonome de bout en bout, où un agent génère, sélectionne et exécute un plan sans intervention humaine, n'a pas encore été atteinte.

Agent washing : le terme employé par Gartner pour désigner les fournisseurs qui rebaptisent des chatbots, de l'automatisation robotisée ou de simples assistants existants en « IA agentique », sans disposer de la capacité sous-jacente à planifier, décider et agir avec une réelle indépendance. Gartner estime que seuls environ 130 des milliers de fournisseurs qui commercialisent de l'IA agentique atteignent ce seuil, et prévoit que plus de 40 % des projets d'IA agentique seront abandonnés d'ici fin 2027, en raison de coûts croissants, d'une valeur commerciale floue et de contrôles de risque insuffisants.

Un constat distinct, largement repris, de l'initiative NANDA du MIT vient renforcer ce tableau. Sur 300 déploiements publics d'IA et des entretiens avec 150 dirigeants, 95 % des pilotes d'IA générative en entreprise n'ont montré aucun retour mesurable sur le résultat net. Cette recherche est préliminaire et n'a pas été relue par des pairs, mais elle rejoint les propres chiffres de McKinsey : les outils achetés ou déployés avec un partenaire ont réussi environ 67 % du temps, soit près du double du taux des développements internes.

Rien de tout cela n'empêche les responsables supply chain d'anticiper déjà les effets de l'IA agentique sur les effectifs. Dans une enquête Gartner menée auprès de 509 responsables supply chain à travers le monde, 55 % s'attendent à ce que l'IA agentique réduise les besoins de recrutement en entrée de carrière, et 51 % anticipent des réductions d'effectifs plus larges, tandis que 86 % s'accordent sur la nécessité de nouveaux dispositifs de gestion des talents. Les attentes en matière d'effectifs progressent plus vite que l'autonomie réellement déployée qui les justifierait.

Pourquoi les agents ont besoin d'un ancrage sur le monde extérieur pour bien décider

Le Model Context Protocol, ou MCP, est le standard ouvert qui permet à un agent d'IA d'appeler un outil ou une source de données externe de façon structurée. Anthropic l'a introduit en novembre 2024, et OpenAI, Google et Microsoft l'ont depuis adopté nativement, avec plus de 10 000 serveurs MCP déclarés en production mi-2026. Le MCP est un standard de connectivité : il définit comment un agent appelle un outil. Ce que cet agent doit savoir avant de raisonner est une question distincte, à laquelle le MCP ne répond pas.

Cet écart est structurel. Les connaissances d'un modèle de fondation sont figées à sa date de coupure d'entraînement, et aucun prompt, même bien conçu, ne change ce fait. Il n'a aucun moyen natif de savoir qu'un contrat de propylène a bougé ce matin ou qu'une tempête vient de fermer un port, à moins qu'un système distinct ne lui transmette cette information, la même limite de coupure des connaissances qui borne ce que peuvent voir par eux-mêmes les modèles de prédiction des prix des matières premières.

L'équipe d'ingénierie de Starburst présente cela comme une discipline distincte, qu'elle appelle l'ancrage de l'agent (agent grounding), séparée de la connectivité qu'apporte le MCP. Un test d'ingénierie de Snowflake cité dans cette analyse a montré qu'un même modèle de fondation obtenait environ 50 % de précision sur des questions liées aux données d'entreprise sans contexte métier structuré, contre plus de 90 % une fois ce contexte fourni : même modèle, même question, une réponse différente une fois le monde extérieur aux données d'entraînement décrit au modèle.

Pour un agent qui formule une recommandation d'achat, d'attente ou de couverture, ce contexte manquant, ce sont les prix des matières premières, les coûts de l'énergie, les conditions logistiques et les signaux macroéconomiques, les forces externes qui font bouger une supply chain physique avant que les données internes ne s'en aperçoivent. Sybilion existe précisément pour combler cet écart. C'est le modèle économique du monde qui transforme ces signaux en contexte décisionnel explicable, accessible à un agent via un connecteur MCP au même titre que son API. KD Feddersen a utilisé cette couche de signaux pour protéger environ 4 millions de dollars de marge sur le timing d'achat de matières premières, sans remplacer l'ERP ou le système de planification déjà en place.

Où l'IA agentique va gagner en crédibilité

Les tâches qui méritent d'être automatisées en supply chain et en achats le sont déjà, et l'essentiel de la liste des solutions « sans regret » peut être déployé cette année sans risque. Les décisions qui méritent un ancrage ont encore besoin d'un contexte externe capable de transformer la recommandation d'un agent en quelque chose qu'un acheteur peut défendre devant la finance, un contexte qui doit venir d'ailleurs que des données d'entraînement du modèle.

Les perspectives technologiques 2026 de Gartner pour la supply chain identifient trois thèmes qui façonneront la suite : autonomie et agentivité, spécialisation et intelligence, confiance et gouvernance. Ce dernier point devient le problème le plus difficile à mesure que les systèmes agentiques prennent en charge des décisions de plus en plus lourdes de conséquences, ce qui explique aussi pourquoi disposer d'une méthode structurée pour évaluer un système de qualité décisionnelle compte plus qu'une démonstration de ce qu'un agent sait dire.

Pour un responsable achats ou supply chain qui évalue ce sujet aujourd'hui, la démarche pratique consiste à séparer deux questions avant de signer quoi que ce soit : quelles tâches un agent sait-il déjà exécuter de façon fiable sans supervision, et quelles décisions ont encore besoin de signaux que les systèmes internes ne portent pas. Les fournisseurs incapables de répondre clairement à la seconde question vendent généralement la première sous un autre nom.

Predict. Decide. Commit.

Questions fréquentes

Une IA agentique peut-elle négocier seule un contrat fournisseur aujourd'hui ?

Non, pas sans qu'une personne valide le résultat. Des agents d'aide à la négociation préparent déjà les positions vis-à-vis des fournisseurs, rédigent les échanges et analysent les contre-propositions, réduisant le temps d'analyse et d'e-mails jusqu'à 90 % dans au moins un déploiement documenté. L'agent raccourcit le travail ; l'engagement sur les conditions passe toujours par un category manager.

L'IA agentique va-t-elle réduire les emplois d'entrée de carrière en achats et supply chain ?

De nombreux responsables supply chain s'y attendent. Une enquête menée auprès de 509 responsables dans le monde a montré que 55 % anticipent une baisse des besoins de recrutement en entrée de carrière liée à l'IA agentique, et 51 % des réductions d'effectifs plus larges, tandis que 86 % estiment que de nouveaux dispositifs de gestion des talents seront nécessaires en parallèle.

Combien de fournisseurs d'IA agentique en supply chain le sont réellement ?

Très peu, selon les estimations actuelles des analystes. Sur les milliers de fournisseurs qui commercialisent une capacité d'IA agentique, seuls 130 environ sont considérés comme réellement agentiques, une pratique que les analystes appellent l'agent washing. Les prévisions anticipent aussi l'abandon de plus de 40 % des projets d'IA agentique d'ici fin 2027.

Connecter un agent via le MCP le rend-il fiable sur les prix des matières premières ?

Non, connectivité et fiabilité sont deux problèmes distincts. Le MCP standardise la façon dont un agent appelle un outil ou une source de données, mais il ne fournit pas le contexte de marché que cet outil devrait contenir. Des tests sur des questions liées aux données d'entreprise ont montré que la précision d'un même modèle pouvait quasiment doubler, passant d'environ 50 % à plus de 90 %, une fois un contexte métier structuré ajouté.

Quel délai réaliste pour que l'IA agentique paie en matière d'achats ?

Cela dépend beaucoup du périmètre choisi. Les déploiements qui apportent déjà un retour mesurable, comme le repricing de la longue traîne ou les contrôles de conformité facture-contrat, avaient un périmètre resserré autour d'un seul flux de travail, testé sur un processus réel avant tout déploiement plus large. Les déploiements plus larges et mal cadrés présentent un risque d'abandon nettement plus élevé sur les deux prochaines années.