Les systèmes de gestion des stocks intelligents

L’apport des technologies IoT et de l’intelligence artificielle

Rapport académique – Recherche bibliographique

Auteurs
Année universitaire
Sami Bennane
Fares Osman 2025 / 2026
Zana Coulibaly
 BENNANE – OSMAN – COULIBALY

1 Introduction
Dans un contexte économique toujours plus concurrentiel, la maîtrise de la gestion des
stocks est un facteur déterminant de performance pour les entreprises industrielles et com-
merciales. Une gestion efficace des inventaires permet de réduire les coûts (liés au surstockage
ou aux ruptures) et d’améliorer le taux de service client. Historiquement, la gestion des stocks
s’est appuyée sur des systèmes de gestion d’entrepôt informatisés (WMS) et des méthodes
prévisionnelles classiques. Cependant, face à l’augmentation de la complexité des chaînes lo-
gistiques et à l’accélération des flux, les méthodes traditionnelles montrent leurs limites en
termes de réactivité et de précision2 .
Depuis quelques années, deux grandes familles de technologies révolutionnent ce domaine :
l’Internet des objets (IoT) et l’intelligence artificielle (IA). L’IoT, souvent considéré
comme l’un des piliers de l’industrie 4.0, désigne l’ensemble des capteurs, dispositifs et in-
frastructures permettant de connecter des objets physiques à Internet afin de recueillir et
d’échanger des données en temps réel. Appliqué à un entrepôt ou à un magasin, l’IoT permet
par exemple de suivre en continu l’emplacement et la quantité des produits stockés, ou de
surveiller les conditions environnementales (température, humidité) pour garantir la qualité
des marchandises3 . De son côté, l’IA regroupe des algorithmes et techniques (apprentissage
automatique, systèmes experts, etc.) capables d’analyser de grandes quantités de données et
d’en extraire des prédictions ou des décisions optimisées. En gestion des stocks, l’IA peut ser-
vir à prévoir la demande, à ajuster automatiquement les seuils de réapprovisionnement ou à
optimiser l’agencement des entrepôts et les itinéraires de préparation de commandes.
On parle de plus en plus de systèmes de gestion des stocks « intelligents » pour dési-
gner la convergence de ces deux approches technologiques. Ces systèmes intelligents reposent
sur une infrastructure IoT qui alimente en données un moteur d’IA, formant ainsi un cercle
vertueux où les capteurs fournissent une visibilité fine et instantanée, et où l’IA traite ces
informations pour améliorer continuellement les processus. Par exemple, la connexion d’objets
en entrepôt fournit des données de stock en temps réel, tandis que des algorithmes prédictifs
analysent ces données conjointement à l’historique des ventes pour anticiper les besoins de
réapprovisionnement4 .
L’objectif de ce rapport est d’analyser en profondeur l’apport de l’IoT et de l’IA dans
les systèmes de gestion des stocks contemporains. Nous examinerons dans un premier temps
les contributions spécifiques de l’IoT : comment les capteurs et objets connectés permettent
d’automatiser et de fiabiliser le suivi des inventaires. Dans un second temps, nous aborderons
les applications de l’IA en gestion des stocks : prévision de la demande, optimisation des ap-
provisionnements, robotisation intelligente, etc. Nous mettrons ensuite en évidence la synergie
IoT-IA au sein de solutions intégrées, en nous appuyant sur des exemples concrets issus de
la littérature et de l’industrie (cas d’entrepôts automatisés, études de cas d’entreprises pion-
nières). Enfin, nous discuterons des défis liés à l’adoption de ces technologies (investissements,
sécurité des données, compétences requises) et des perspectives qu’elles ouvrent en termes
de chaîne d’approvisionnement du futur.
 BENNANE – OSMAN – COULIBALY

2 L’apport de l’Internet des Objets (IoT) dans la gestion

des stocks
2.1 Suivi en temps réel et traçabilité des stocks
L’Internet des Objets permet d’équiper l’entrepôt ou le point de vente d’un réseau de
capteurs et d’identifiants qui communiquent en temps réel les informations de stock. Une
des technologies IoT les plus répandues en gestion des stocks est la RFID (Radio Frequency
Identification). En apposant des étiquettes RFID sur chaque article ou palette, et en déployant
des lecteurs dans les zones de stockage, il devient possible d’identifier automatiquement les
mouvements de produits sans intervention humaine. Contrairement au code-barres qui néces-
site un scannage manuel, la RFID permet une lecture à distance, simultanée et sans ligne de
vue de multiples étiquettes, ce qui accélère grandement les opérations d’inventaire et de suivi.
Par exemple, Tejesh et Neeraja (2018) ont développé un système d’inventaire s’appuyant sur
l’architecture IoT où un micro-ordinateur central (Raspberry Pi) agrège les données trans-
mises par des lecteurs RFID disséminés dans l’entrepôt7 . Ce système peut localiser un produit
instantanément et tenir à jour une base de données des stocks en temps réel, offrant une
visibilité complète sur l’emplacement des articles et leurs quantités disponibles. Les résultats
montrent qu’une telle solution connectée fonctionne de manière dynamique et à moindre coût
comparativement aux systèmes traditionnels.
Outre la RFID, de nombreux autres capteurs IoT contribuent à la traçabilité des stocks
et des actifs logistiques. Des capteurs de position (par exemple utilisant la géolocalisation
indoor ou l’ultra-wideband) fixés sur les chariots ou conteneurs peuvent suivre les déplace-
ments des marchandises dans l’entrepôt ou durant le transport. Des solutions de vision par
caméra intelligente (souvent couplées à de l’IA de reconnaissance d’images) sont également
employées pour compter automatiquement les articles sur les étagères ou détecter les ruptures
de linéaire en magasin. L’ensemble de ces dispositifs génère un flux continu de données qui
alimentent le système d’information logistique. Ainsi, l’IoT apporte une visibilité en temps
réel sans précédent sur l’état du stock et les activités d’entreposage4 . Grâce à cette visibilité,
les gestionnaires peuvent prendre des décisions plus rapides et précises, par exemple prioriser
le réapprovisionnement d’un produit qui atteint un seuil critique ou identifier immédiatement
une erreur de stockage.

2.2 Supervision des conditions de stockage et maintenance préven-

tive
Au-delà du comptage des articles, l’IoT joue un rôle crucial dans le contrôle des condi-
tions environnementales et la sécurité des entrepôts. Des capteurs IoT de température,
d’humidité, de luminosité ou de vibrations peuvent être déployés pour surveiller en continu
les conditions de stockage, en particulier pour les produits sensibles (produits alimentaires,
pharmaceutiques, œuvres d’art, etc.). Une fluctuation de température ou un taux d’humidité
trop élevé peut altérer la qualité des produits : l’IoT permet de détecter ces anomalies en
temps réel et d’alerter les gestionnaires avant que les marchandises ne soient endommagées.
Par exemple, dans une réserve alimentaire, des capteurs de température connectés peuvent
déclencher automatiquement une alarme ou ajuster le thermostat si la chaîne du froid risque
d’être rompue.
De même, l’IoT contribue à la sécurité et à la prévention des pertes en entrepôt.
Des détecteurs de mouvement, des caméras intelligentes ou des capteurs d’ouverture de porte
 BENNANE – OSMAN – COULIBALY

connectés peuvent signaler toute intrusion ou activité anormale en dehors des horaires prévus.
Une étude de Chihana (2018)5 a proposé un modèle IoT pour sécuriser les silos de stockage de
grains en Afrique, combinant des capteurs infrarouges passifs (PIR) pour détecter les intrusions
et des modules de communication GSM/GPRS pour alerter à distance les responsables. Couplé
à des étiquettes RFID pour le suivi des sacs de grain, ce système visait à réduire drastiquement
les vols et pertes en entrepôt en garantissant une surveillance continue sans nécessiter de
présence humaine permanente.
Par ailleurs, l’IoT ouvre la voie à la maintenance préventive des infrastructures de
stockage. En équipant les équipements (convoyeurs, chariots élévateurs, robots de stockage)
de capteurs surveillant l’état des machines (température moteur, niveau d’usure, etc.), on
peut anticiper les pannes et planifier la maintenance avant qu’une défaillance n’interrompe
les opérations. Cette approche, souvent appelée maintenance prédictive, permet d’accroître
la disponibilité des moyens logistiques et d’éviter des ruptures de stock causées par un arrêt
imprévu de la production ou de la distribution.6

2.3 Architecture d’un entrepôt intelligent connecté

Un système IoT efficace pour la gestion des stocks repose sur une architecture bien conçue
intégrant différents niveaux. Typiquement, on distingue les objets connectés de terrain, la
passerelle IoT et les systèmes de gestion au niveau supérieur.
Les objets de terrain incluent tous les capteurs et actionneurs disposés dans l’entrepôt :
lecteurs RFID, capteurs environnementaux, caméras, robots mobiles AGV (Automatic Guided
Vehicles) équipés de télémétrie, etc. Ces dispositifs collectent les données brutes (identifiants
d’articles, valeurs mesurées, images) et les transmettent via un réseau local (Wi-Fi, Zigbee,
LTE/5G privé, etc.) à une passerelle. La passerelle IoT joue le rôle d’agrégateur et de filtre :
souvent un ordinateur industriel ou un serveur local, elle reçoit les flux de données des capteurs,
peut effectuer un pré-traitement (filtrage, agrégation temporelle) et les envoie vers le système
central. Cette passerelle assure aussi la communication descendante, par exemple pour envoyer
des commandes aux actionneurs (verrouiller une porte, allumer un signal, piloter un robot) en
fonction des décisions prises plus haut.
Le niveau supérieur est constitué par le système d’information logistique de l’entreprise
(WMS/ERP) éventuellement hébergé dans le cloud. C’est à ce niveau que les données IoT sont
stockées, intégrées avec d’autres données (commandes clients, prévisions, etc.) et présentées
aux utilisateurs sous forme d’indicateurs ou de tableaux de bord. Dans un entrepôt intelligent,
ce niveau comprend aussi souvent un module décisionnel ou des services d’IA qui exploitent
les données en temps réel pour automatiser certaines tâches. Par exemple, Jabbar et al. (2018)
décrivent une architecture de « web des objets » pour un entrepôt intelligent où un module
administratif central (smart warehouse brain) orchestre les données collectées et génère des
événements ou actions en réponse. Ce système pilote en temps réel les différents équipements
(capteurs, robots, systèmes CVC 1 ) et assure une interaction fluide entre les objets physiques
et les applications logicielles de l’entrepôt. Les expérimentations de cette architecture ont
montré une amélioration des performances de l’entrepôt en termes de rapidité de réaction et
de précision du suivi.1
En résumé, l’IoT apporte à la gestion des stocks une infrastructure connectée permettant
l’automatisation et l’optimisation de nombreuses tâches autrefois manuelles et chronophages.
L’entrepôt devient un « système cyber-physique » où chaque objet ou zone de stockage est
1. Chauffage, ventilation et climatisation (HVAC en anglais).
 BENNANE – OSMAN – COULIBALY

muni d’une sorte de « conscience numérique » transmettant son état en continu. Cette numé-
risation fine du terrain pose les bases indispensables pour tirer parti, dans un deuxième temps,
de l’intelligence artificielle, qui va donner un sens à ces données et guider les décisions.

3 L’apport de l’intelligence artificielle (IA) dans la ges-

tion des stocks
3.1 Prévision de la demande et optimisation des approvisionnements
L’un des domaines où l’IA a un impact majeur en gestion des stocks est la prévision
de la demande. Une bonne anticipation des ventes futures permet de définir des niveaux de
stock optimaux et d’éviter aussi bien les ruptures que les surstocks. Les méthodes classiques de
prévision (moyennes mobiles, lissage exponentiel, modèles ARIMA) atteignent leurs limites face
à la volatilité de la demande et à la multiplicité des facteurs influents (saisonnalité complexe,
promotions, comportements clients imprévisibles). Les techniques d’apprentissage automatique
offrent ici une meilleure capacité de modélisation. Des algorithmes d’apprentissage supervisé
comme les forêts aléatoires, les réseaux de neurones (y compris les réseaux deep learning tels
que les LSTM pour séries temporelles) ou les méthodes de boosting (XGBoost, LightGBM)
peuvent ingérer de larges historiques de ventes enrichis de données externes (tendances du
marché, météo, événements) pour produire des prévisions plus fiables.3
Des travaux récents montrent que les approches fondées sur l’intelligence artificielle per-
mettent d’améliorer significativement la précision de la prévision de la demande. Dans l’étude
de Arora et al. (2020), les auteurs appliquent une approche par ensemble de modèles combi-
nant des méthodes statistiques classiques et des modèles avancés d’apprentissage automatique
pour la prévision des ventes dans le secteur de la distribution de boissons alcoolisées. Les ré-
sultats montrent que les modèles finaux permettent de réduire l’erreur de prévision d’environ
50% pour le produit le plus vendu et de 33,5% pour le produit générant le plus de revenu, par
rapport à un modèle statistique naïf. Les auteurs soulignent également qu’il n’existe pas de
modèle universel unique pour tous les produits, chaque référence nécessitant un ajustement
spécifique afin d’obtenir une réduction significative de l’erreur. Ces améliorations de précision
permettent d’optimiser la gestion des stocks en réduisant les risques de rupture ainsi que les
excédents de stock, contribuant ainsi à une meilleure performance opérationnelle.8
Au-delà de la simple prévision, l’IA excelle lorsqu’il s’agit de coupler la prédiction à la dé-
cision, c’est-à-dire à l’optimisation des approvisionnements. En effet, prévoir la demande
n’est qu’une étape : il faut ensuite traduire cette information en un plan d’inventaire optimal,
en décidant quand et combien commander ou produire. Des techniques d’optimisation mathé-
matique combinées avec les prévisions IA permettent de calculer des politiques de réapprovi-
sionnement minimisant les coûts tout en respectant des contraintes (capacités de stockage,
délais fournisseurs, objectifs de service). Par exemple, un cadre courant est celui de l’optimi-
sation multi-objectifs cherchant à minimiser simultanément le coût de possession des stocks
et le coût des ruptures. L’IA peut intervenir de plusieurs façons : en générant des scénarios
de demande futurs (via des modèles prédictifs) qui alimentent un solveur d’optimisation (par
programmation linéaire ou stochastique), ou même en apprenant directement une politique
de gestion via le renforcement (les algorithmes d’apprentissage par renforcement peuvent
apprendre des stratégies de commande en interagissant avec un environnement simulant l’évo-
lution des stocks).
Une approche intéressante combine un modèle de prévision IA, un module d’optimisation
 BENNANE – OSMAN – COULIBALY

linéaire pour la quantité à commander, et un retour d’information en temps réel via l’IoT. Ku-
mar et Goyal (2025) ont proposé un tel modèle hybride pour une chaîne logistique industrielle3 .
Dans leur étude, les prévisions générées par un réseau de neurones sont utilisées pour déter-
miner les commandes optimales en tenant compte des capacités de stockage et des coûts ;
parallèlement, les capteurs IoT assurent un suivi en temps réel des stocks et une boucle de
rétroaction. Les résultats montrent que cette combinaison « IA + optimisation + IoT » dé-
passe les approches isolées. Surtout, le système est capable de s’adapter aux imprévus : en cas
d’écart entre la demande réelle et la prévision, l’algorithme ajuste les commandes suivantes
pour éviter la rupture.

3.2 Automatisation intelligente des entrepôts et robotique

L’IA intervient également dans l’automatisation physique de la gestion des stocks, en
conjonction avec la robotique et l’automatisation industrielle. Les entrepôts automatisés
de dernière génération utilisent des robots mobiles autonomes (AGV ou AMR) pour déplacer
les marchandises, des bras robotisés pour la préparation des commandes, et des systèmes
automatisés de stockage/déstockage (AS/RS). L’efficacité de ces dispositifs repose de plus
en plus sur des algorithmes d’IA pour la perception de l’environnement, la planification des
mouvements et l’optimisation des opérations20,21 .
Par exemple, la gestion d’une flotte de robots mobiles dans un entrepôt requiert un pilotage
intelligent pour éviter les congestions et minimiser les temps de trajet. Amazon illustre bien
cette dynamique avec son système Sequoia20 , qui coordonne de nombreux robots équipés
de caméras et appuyés par des algorithmes avancés de vision et de planification. L’intégration
d’une IA plus globale de coordination, comme DeepFleet21 , montre l’évolution vers des flottes
robotisées de plus en plus orchestrées par le cloud et les modèles d’optimisation à grande
échelle.
L’intelligence artificielle est aussi mise à profit pour améliorer la précision des opérations
de picking. Des systèmes de vision par ordinateur, couplés à des bras robotisés, permettent
désormais de reconnaître les objets dans un bac et de les saisir efficacement. Le robot Vulcan,
doté du sens du toucher, illustre cette tendance en combinant perception, ajustement de la
force de préhension et apprentissage automatique22 .
Notons que l’intelligence des entrepôts ne se limite pas aux robots : des systèmes ex-
perts et des algorithmes d’IA peuvent optimiser la gestion des emplacements (slotting) ou
recommander des plans de chargement plus efficaces pour la distribution26 .

3.3 Analyse des données et aide à la décision

Enfin, l’IA joue un rôle transversal d’analyse avancée des données de stock pour aider
les gestionnaires à prendre des décisions éclairées. Les outils analytiques modernes permettent
de détecter automatiquement des anomalies ou des motifs cachés dans la gestion des stocks.
Par exemple, des approches de detection d’anomalies peuvent signaler qu’un produit connaît
un taux de sortie anormalement élevé ou qu’un stock ne bouge pas du tout, ce qui peut
indiquer un risque de vol, d’erreur ou d’obsolescence24,27 .
L’IA permet également d’évaluer divers scénarios et leur impact sur les stocks. Des si-
mulations pilotées par IA peuvent répondre à des questions du type : « Que se passerait-il
si la demande augmentait de 20% le mois prochain ? » ou « Quel est le risque de rupture si
le fournisseur X a un retard de 1 semaine ? »20 . Ces outils d’analyse prédictif améliorent la
résilience de la supply chain en préparant les entreprises aux aléas19,26 .
 BENNANE – OSMAN – COULIBALY

Mentionnons également l’apport de l’IA dans l’établissement de stratégies globales

de stock, par exemple via des modèles d’optimisation multi-échelons. Pour un grand réseau
logistique, l’IA peut aider à décider comment répartir les stocks entre les différents niveaux
afin de minimiser le coût total tout en maintenant un excellent taux de disponibilité19,26 .
En somme, l’IA en gestion des stocks se manifeste du niveau opérationnel (tâches d’en-
trepôt automatisées) jusqu’au niveau stratégique (décisions globales de politique de stock),
en passant par le tactique (choix d’approvisionnement optimaux). Sa puissance réside dans sa
capacité à digérer la masse de données générée par les systèmes IoT et transactionnels, pour
en extraire des informations actionnables et parfois même prendre directement les décisions
appropriées de façon autonome18,19,26 .

4 Convergence de l’IoT et de l’IA : vers une gestion des

stocks intelligente et autonome
Les deux sections précédentes ont mis en lumière les bénéfices propres à l’IoT et à l’IA.
Toutefois, c’est bien la convergence10 de ces technologies qui donne naissance aux systèmes
de gestion des stocks les plus performants à ce jour. L’association étroite de capteurs ubiqui-
taires et d’algorithmes intelligents permet de réaliser la vision d’une supply chain cognitive,
où les flux physiques et d’information sont intégrés de manière transparente et adaptative.
Dans ce cadre, les systèmes IoT-IA suivent une logique opérationnelle simple : les dispositifs
connectés assurent la remontée continue d’informations sur l’état des stocks et les conditions
d’exploitation, ces données sont ensuite traitées par des algorithmes capables de détecter
des variations significatives ou d’anticiper des besoins futurs, et les actions correspondantes
sont déclenchées automatiquement par les systèmes logistiques. Ce fonctionnement en boucle
fermée, allant de la captation à l’exécution, constitue la base d’une gestion de stock plus
réactive et largement autonome
Plusieurs études de cas illustrent l’impact de cette synergie IoT-IA. Rajendran et al. (2025)
ont étudié deux contextes industriels2 – l’un dans une entreprise de logistique en Finlande,
l’autre dans un centre de distribution Amazon – pour évaluer les gains liés à l’adoption conjointe
de l’IoT, de l’IA et de l’automatisation dans les processus d’inventaire. Leurs observations
montrent une amélioration de l’intégrité et de l’efficacité des données d’inventaire,
grâce à la réduction des interventions manuelles source d’erreurs. Les écarts d’inventaire (dif-
férences entre le stock théorique et le stock réel) tendent vers zéro, car chaque mouvement
est instantanément enregistré par les capteurs et contrôlé par le système. De plus, la capacité
de surveillance en temps réel élimine les retards d’information : les gestionnaires savent à
tout moment précisément ce qu’il y a en stock, ce qui permet des décisions rapides et fondées.
Cette réactivité accrue se traduit par une meilleure disponibilité produit et une diminution des
ventes manquées dues à des ruptures.
Un autre bénéfice majeur souligné dans les travaux récents est la diminution de la charge
de travail humaine liée aux tâches répétitives, grâce à l’automatisation des opérations d’in-
ventaire et de suivi des mouvements de stock12 . Les opérations manuelles de comptage ou
de vérification visuelle sont progressivement remplacées par des systèmes connectés capables
de collecter et de analyser les données en continu, ce qui réduit significativement le risque
d’erreurs. Cette automatisation libère du temps pour des activités à plus forte valeur ajou-
tée, telles que l’analyse, l’amélioration des processus ou le pilotage opérationnel. Les retours
d’expérience montrent également une amélioration de la coordination logistique11 : la
combinaison de l’IoT et de l’IA permet d’orchestrer les flux de manière plus efficace, de li-
 BENNANE – OSMAN – COULIBALY

miter les goulots d’étranglement et d’optimiser l’utilisation de l’espace, rendant l’organisation

globale plus fluide et plus réactive.
Une caractéristique importante de la combinaison IoT–IA est la capacité du système à
s’ajuster de manière dynamique. Alors que les systèmes d’inventaire traditionnels reposent
sur des règles statiques (par exemple recompléter au point de commande s pour revenir au
niveau S) et exigent des reconfigurations manuelles périodiques, l’intégration de technologies
Industrie 4.0 permet un ajustement plus souple des paramètres opérationnels. Ainsi, si des
capteurs IoT détectent une évolution du profil de demande ou un changement dans l’environ-
nement (par exemple un comportement d’achat modifié par une promotion), l’IA peut adapter
en continu les seuils de réapprovisionnement ou la priorisation des tâches.
Cette capacité d’adaptation, toutefois, doit être maîtrisée : elle constitue un atout dans
un contexte de volatilité et d’incertitude, mais son impact réel sur la résilience dépend de son
calibrage, certaines reconfigurations étant susceptibles de produire des effets contre-productifs
si elles sont trop fréquentes ou mal ajustées.
On voit émerger le concept d’« AIoT17 » (Artificial Intelligence of Things), qui dé-
signe précisément l’intégration de l’IA dans l’écosystème IoT. En gestion des stocks, l’AIoT
pourrait se matérialiser par des objets connectés intelligents capables de prendre locale-
ment certaines décisions. Par exemple, un capteur de niveau de stock sur une étagère pourrait
embarquer un petit module d’IA qui anticipe une rupture prochaine et initie lui-même une
commande de réapprovisionnement automatique via le système, sans attendre une instruction
centrale. De même, on peut imaginer des chariots autonomes collaboratifs échangeant entre
eux (de machine à machine) des informations sur leurs missions et adaptant leurs itinéraires
de manière décentralisée grâce à un apprentissage mutuel. Ces idées relèvent encore de la
R&D, mais certaines sont en cours de test, notamment avec l’essor de l’edge computing qui
permet de déporter de l’intelligence au plus près des capteurs.
En termes de résultats mesurables, la convergence IoT–IA conduit à une optimisation glo-
bale13 difficilement atteignable avec des systèmes traditionnels. Les travaux récents montrent
que l’intégration conjointe de capteurs, de données en temps réel et d’algorithmes d’IA amé-
liore significativement la performance opérationnelle, notamment en renforçant la visibilité, la
coordination et la capacité à ajuster les décisions au plus près des conditions réelles.
Surtout, cette convergence confère une agilité accrue14 . Les entreprises dotées de so-
lutions numériques avancées démontrent une meilleure résistance aux perturbations — qu’il
s’agisse de fluctuations brusques de la demande, de retards fournisseurs ou d’aléas plus larges.
Elles sont capables de réviser rapidement leurs plans, de réorienter les flux ou de réaffecter les
stocks en fonction des signaux captés sur le terrain.
Cette dynamique a été mise en lumière lors de crises récentes, notamment durant la pan-
démie de COVID-1916 , où les chaînes d’approvisionnement disposant d’outils de perception
et d’analyse en temps réel ont montré une capacité supérieure à maintenir la continuité des
opérations par rapport à des systèmes plus rigides.
Pour résumer, la fusion de l’IoT et de l’IA dans la gestion des stocks permet de dépas-
ser les silos traditionnels entre opérations d’entrepôt, informatique de gestion et analyse
décisionnelle. Elle aboutit à des systèmes intégrés, intelligents, capables d’auto-apprentissage,
qui approchent l’objectif d’un pilotage en temps réel et prédictif de la chaîne logistique.
La prochaine étape, déjà en ligne de mire, est celle des entrepôts autonomes où l’interven-
tion humaine se limite à la supervision, l’amélioration continue et la gestion des exceptions,
tout le reste (du suivi des entrées/sorties à la préparation des commandes en passant par
l’approvisionnement) étant géré par un écosystème d’objets intelligents coordonnés.
 BENNANE – OSMAN – COULIBALY

5 Défis et perspectives d’avenir

Malgré les promesses et succès documentés des systèmes de gestion des stocks intelligents,
leur adoption large comporte encore plusieurs défis qu’il convient de maîtriser pour en récolter
pleinement les bénéfices.
Le premier défi est d’ordre financier et organisationnel13 . L’implémentation de capteurs
IoT à grande échelle, l’acquisition de robots ou d’automates, ainsi que le développement de
solutions d’IA sur mesure représentent des investissements substantiels. Pour de nombreuses
entreprises, en particulier les PME, ces coûts peuvent constituer un frein important. Même
lorsque le retour sur investissement est envisageable sur le long terme grâce aux gains d’ef-
ficacité réalisés, il faut pouvoir financer le projet et justifier cet investissement auprès de la
direction. Par ailleurs, passer à un système automatisé et piloté par la donnée implique des
changements organisationnels : il est nécessaire de former le personnel aux nouveaux outils
et, parfois, de redéfinir certains rôles (par exemple, les magasiniers voient leur travail évoluer
d’opérations manuelles vers de la supervision de machines). La résistance au changement
peut apparaître si les équipes ne sont pas suffisamment impliquées ou si l’on perçoit que l’au-
tomatisation pourrait modifier la nature de certains emplois. Il est donc crucial d’accompagner
le déploiement par une gestion du changement adaptée, en mettant en avant les bénéfices
pour chacun (amélioration des conditions de travail, réduction des tâches pénibles, montée en
compétences, etc.).
Un deuxième défi majeur concerne la sécurité des données et la cybersécurité12 . En
rendant l’entrepôt « intelligent » et connecté, on l’expose à des cyber-risques potentiels : in-
trusion dans le réseau IoT, détournement d’automates, accès non autorisé à des informations
sensibles telles que les niveaux de stock ou les prévisions de vente. Les données massives collec-
tées, souvent centralisées dans le cloud, posent également des enjeux de confidentialité. Il est
donc indispensable d’adopter des mesures de sécurité solides : chiffrement des communications
IoT, authentification robuste des dispositifs, cloisonnement des réseaux opérationnels, mises à
jour régulières pour corriger les vulnérabilités. Sur le plan organisationnel, cela implique aussi
de développer de nouvelles compétences en cybersécurité industrielle et de prévoir des pro-
cédures adaptées pour protéger les informations critiques de l’entreprise et de ses partenaires
logistiques.
Un autre défi est technologique et d’intégration11 . La cohabitation fluide de l’IoT et de
l’IA nécessite une architecture logicielle fiable et souvent complexe. L’intégration des flux IoT
en temps réel avec les systèmes d’information existants (WMS/ERP) peut s’avérer ardue, en
particulier lorsqu’il existe des solutions hétérogènes ou propriétaires. De plus, la performance
des algorithmes d’IA dépend fortement de la qualité des données : il est essentiel que les
données capturées par les capteurs soient précises, complètes et représentatives. Comme le
souligne le principe «garbage in, garbage out» en science des données, des données biaisées
ou incomplètes peuvent conduire à des décisions erronées. Il convient donc de prévoir des
mécanismes de validation et de nettoyage des données, ainsi qu’un contrôle humain régulier
des résultats produits par l’IA, du moins dans les phases initiales.
Malgré ces défis, les perspectives d’avenir des systèmes de gestion des stocks intelligents
restent prometteuses. Plusieurs tendances identifiées dans la littérature récente méritent d’être
soulignées :
— Déploiement à grande échelle et standardisation : la réduction progressive des
coûts des capteurs IoT et de la puissance de calcul, combinée à l’adoption croissante
des jumeaux numériques, devrait rendre ces solutions plus accessibles, y compris pour
des entrepôts de taille moyenne.
 BENNANE – OSMAN – COULIBALY

— Jumeaux numériques et simulation15 : les digital twins appliqués à la supply

chain offrent la possibilité de reproduire en temps réel l’ensemble des flux physiques et
numériques, permettant de simuler des scénarios variés (ruptures d’approvisionnement,
fluctuations de demande, modifications de configuration) avant de les appliquer dans le
monde réel. Dans certains cas, l’usage de digital twins a permis, selon McKinsey, jusqu’à
20% d’amélioration du taux de respect des promesses clients (livraison dans
les délais) et 10% de réduction des coûts de main-d’œuvre dans des contextes
d’entrepôts ou de logistique optimisée.
— Intelligence artificielle plus avancée : les progrès en IA, notamment en appren-
tissage profond, permettent d’améliorer la prévision de la demande et l’optimisation
des stocks. L’association IA + jumeau numérique autorise des approches prédictives et
prescriptives, favorisant des décisions plus rapides, plus précises et plus robustes.
— Optimisation globale de la chaîne : en reliant les différents maillons tels que l’ap-
provisionnement, stockage, transport, distribution grâce à l’IoT, l’IA et les jumeaux
numériques, il devient possible d’optimiser end-to-end, limitant les inefficiences, amé-
liorant la réactivité, et renforçant la résilience.
En conclusion de cette partie, les défis actuels ne sont pas insurmontables et sont progressi-
vement levés à mesure que la technologie mûrit et que les retours d’expérience se multiplient.
La trajectoire est clairement tracée vers des chaînes logistiques toujours plus automa-
tisées, intelligentes, connectées et résilientes. Les entreprises qui sauront maîtriser et
adopter ces outils auront un avantage concurrentiel indéniable, en offrant un service plus
fiable, plus rapide et moins coûteux.

6 Conclusion
La gestion des stocks, longtemps considérée comme un domaine opérationnel classique,
est en train de vivre une transformation profonde grâce aux technologies IoT et IA.
Ce rapport a exploré les différents aspects de cette transformation en montrant comment, de
la captation des données sur le terrain jusqu’à la prise de décision stratégique, l’IoT et l’IA
apportent des améliorations à chaque étape de la chaîne.
L’Internet des objets a introduit une visibilité fine et instantanée sur les inventaires. Les
entrepôts et magasins s’équipent de capteurs, d’étiquettes RFID, de dispositifs connectés qui
font remonter en continu l’état du stock et de son environnement. Il en résulte une réduction
drastique des erreurs de suivi et la possibilité d’agir en temps réel pour corriger les écarts ou
anomalies. L’intelligence artificielle, quant à elle, a doté les systèmes de gestion de capacités
d’anticipation (prévisions de la demande beaucoup plus fiables) et d’optimisation (prise en
compte d’une multitude de facteurs pour décider des approvisionnements ou orchestrer des
processus automatisés). L’IA permet de tirer pleinement parti de la masse de données produite
par l’IoT, en la transformant en décisions concrètes améliorant l’efficacité opérationnelle et
financière.
En combinant IoT et IA, on obtient des systèmes intelligents capables non seulement de
dépeindre fidèlement la situation présente, mais aussi de prévoir l’évolution future et d’agir
de manière autonome pour maintenir un état optimal. Les exemples cités dans ce rapport –
qu’il s’agisse d’un algorithme ajustant les commandes en fonction des ventes du jour même, ou
de robots coordonnés pour préparer les commandes plus vite qu’aucun humain ne le pourrait –
illustrent le saut qualitatif en cours dans la gestion des stocks. Les bénéfices chiffrés, tels que la
réduction des coûts de stockage, l’accélération du traitement des commandes ou l’amélioration
du taux de service, sont déjà attestés par les premières implémentations industrielles.
 BENNANE – OSMAN – COULIBALY

Néanmoins, cette révolution ne va pas sans défis. Nous avons souligné l’importance d’ac-
compagner ces changements par des investissements appropriés, une sécurisation des systèmes
et une formation des acteurs humains pour qu’ils deviennent les pilotes avisés de ces outils.
Car si l’objectif ultime est l’automatisation maximale, l’humain conserve une place centrale :
celle de définir les objectifs, de superviser le bon fonctionnement, et d’apporter la flexibilité et
l’innovation que les machines ne peuvent atteindre seules.
En guise d’ouverture, on peut affirmer que nous ne sommes encore qu’au début de l’ère
des systèmes de stocks intelligents. Le rythme d’innovation est soutenu, tant du côté des
dispositifs IoT (plus petits, moins chers, plus autonomes) que du côté des algorithmes d’IA
(de plus en plus puissants et spécialisés). Les entrepôts du futur seront probablement des
environnements hyper-connectés où la quasi-totalité des opérations seront optimisées en temps
réel par des intelligences artificielles intégrées. Cette vision s’inscrit dans celle, plus large, de
l’industrie 4.0 et de la logistique 4.0, où la donnée et son exploitation intelligente deviennent
le nerf de la guerre.
En conclusion, l’apport de l’IoT et de l’IA aux systèmes de gestion des stocks se manifeste
par une amélioration sans précédent de la visibilité, de l’efficience et de l’adaptabilité des
chaînes d’approvisionnement. Les entreprises qui embrassent ces technologies construisent les
chaînes logistiques intelligentes de demain, capables de répondre aux défis d’un marché
globalisé, incertain et exigeant, tout en ouvrant la voie à de nouveaux gains de productivité et
de service. Il appartient désormais aux ingénieurs et managers de saisir ces opportunités et de
relever les défis associés pour transformer durablement la fonction logistique.
 BENNANE – OSMAN – COULIBALY

Annexe : Références
Références
[1] S. JABBAR, M. KHAN & B.,N. SILVA (2016). A REST-based industrial
Web of Things’ framework for smart warehousing.. Social Sciences, 8(5), 84. DOI :
10.3390/socsci8050084.
[2] Rajendran, P., Balaraman, N. K. & Viswanathan, H. (2025). Enhancing
Accuracy and Efficiency in Physical Count Processes : Leveraging AI, IoT, and Automation
for Real-Time Inventory Management in Supply Chain. In Proc. of the 10th Int. Conf. on
Internet of Things, Big Data and Security (IoTBDS 2025).
[3] Kumar, V. & Goyal, S. (2025). AI-Driven Forecasting and Optimization for Inventory
Control in Manufacturing Supply Chain. Advances in Consumer Research, 2(4), 5085–
5091.
[4] Article de l’entreprise Smartmakers qui met en place ce genre de
dispositif (2025). C’est ainsi que l’IA transforme la chaîne d’approvisionnement - et les
données en temps réel en sont un élément essentiel.. International Journal for Research
in Applied Science & Engineering Technology (IJRASET), 11(11), 1466–1474. DOI :
10.22214/ijraset.2023.57200.
[5] Sipiwe Chihana, Jackson Phiri, & Douglas Kunda (2025). An IoT
based Warehouse Intrusion Detection (E-Perimeter) and Grain Tracking Model
for Food Reserve Agency. Procedia Computer Science, 253, 1236–1245. DOI :
10.1016/[Link].2025.01.185.
[6] Babar Tariq & Jasmin khan (2024"). IoT-Based Predictive Maintenance
in Industrial Environments. Journal of Supercomputing, 74(9), 4419–4433. DOI :
10.1007/s11227-018-2334-3.
[7] B. Sai Subrahmanya Tejesh & S. Neeraja (2018). Warehouse inventory manage-
ment system using IoT and open source framework. DOI : 10.1109/ICASI.2018.8394441.
[8] T. Arora (2020). Demand Forecasting In Wholesale Alcohol Distribution : An Ensemble
[Link] sur :[Link]
iss1/7/#:~:text=ensemble%20approach%20was%20applied%20using,model%
20to%20meaningfully%20reduce%20error).
[9] Auteurs multiples. (2025). State of the Art of Digital Twins in Improving Supply
Chain Resilience. MDPI. Disponible sur [Link]
[10] Auteurs multiples. (2025). Driving Supply Chain Transformation with IoT and AI
Integration. MDPI. Disponible sur [Link]
[11] Auteurs multiples. (2023). Application of IoT in Sustainable Supply Chain Mana-
gement. MDPI. Disponible sur [Link]
[12] Auteurs multiples. (2025). Digital Transformation in Supply Chains. Frontiers in
Sustainability. Disponible sur [Link]
[13] Auteurs multiples. (2025). Industry 4.0 and Supply Chain Resilience. MDPI. Dispo-
nible sur [Link]
[14] Auteurs multiples. (2025). Revolutionizing Supply Chains with AI Automation.
MDPI. Disponible sur [Link]
 BENNANE – OSMAN – COULIBALY

[15] McKinsey & Company. (2023). Using Digital Twins to Unlock End-to-End Supply
Chain Growth. Disponible sur lien.
[16] McKinsey & Company. (2025). Technology Trends Outlook 2025. Disponible sur .
[17] Digi International. (s.d.). AIoT – Artificial Intelligence of Things (définition). Dis-
ponible sur [Link]
[18] Wang et al. (2025). Deep Reinforcement Learning with CNNs for Inventory Management.
Disponible sur : [Link]
view/3975.
[19] McKinsey & Company (2022). AI-driven operations forecas-
ting in data-light environments. Disponible sur : https://
[Link]/capabilities/operations/our-insights/
ai-driven-operations-forecasting-in-data-light-environments.
[20] Amazon (2023). Amazon Robotics / Introducing Sequoia : a robotic ful-
fillment system. Disponible sur : [Link]
amazon-robotics-robots-fulfillment-center.
[21] Amazon (2025). DeepFleet : the generative AI brain for warehouse ro-
bots. Disponible sur : [Link]
amazon-million-robots-ai-foundation-model.
[22] Journal du Robot (2025). Vulcan, le bras robotisé d’Amazon doté du sens
du toucher. Disponible sur : [Link]
vulcan-le-robot-damazon-dote-du-sens-du-toucher/.
[23] [Link] (2025). Inventory Anomaly Detection / Data Analytics. Disponible sur :
[Link]
[24] ToolsGroup (2025). Machine Learning in Demand Planning : From Ac-
curacy to Agility. Disponible sur : [Link]
machine-learning-in-demand-planning/.
[25] AR Racking (2021). Système EOQ (modèle de Wilson) en entrepôt : ges-
tion des stocks. Disponible sur : [Link]
systeme-eoq-ou-modele-de-wilson-en-entrepot-gestion-des-stocks/.
[26] CyberPerformance (2024). L’IA pour la gestion des stocks : solu-
tions pour entreprises. Disponible sur : [Link]
lia-pour-la-gestion-des-stocks-solutions-pour-entreprises/.