L’IA agentique bouscule la logistique et le développement logiciel

L’IA agentique s’impose dans deux zones très différentes de l’entreprise : les chaînes d’approvisionnement et le développement logiciel. Dans un cas, elle orchestre stocks, livraisons et entrepôts ; dans l’autre, elle accélère l’écriture du code, mais révèle surtout un manque de gouvernance. Pour les directions, l’enjeu n’est plus seulement de produire plus vite. Il devient de savoir qui décide, sur quelle donnée, et avec quelles traces.

Des agents qui passent du conseil à l’action

Dans la supply chain, l’IA agentique ne se contente plus d’afficher des tableaux de bord. Elle observe les flux en temps réel, analyse les écarts, arbitre entre coûts et niveau de service, puis agit directement, par exemple en lançant un réapprovisionnement ou en réallouant des stocks. La promesse est simple à formuler, moins à déployer : réduire les délais de réaction dans des réseaux soumis à la volatilité.

Selon la source, ces agents peuvent intervenir sur la demande, le fulfillment et la gestion d’entrepôt. Ils cherchent à maximiser la disponibilité des marchandises, à choisir le nœud d’expédition le plus pertinent selon les stocks, la main-d’œuvre et les coûts, puis à ajuster l’organisation des vagues de préparation. Certains restent sous supervision humaine ; d’autres opèrent déjà de manière autonome. Les équipes, elles, doivent composer avec un changement de méthode qui dépasse la seule informatique.

Pourquoi la supply chain agentique demande plus qu’un bon modèle

Le texte source insiste sur trois prérequis : des données unifiées et exploitables par les machines, une interopérabilité entre solutions de différents fournisseurs, et une politique de pilotage claire. Sans cela, les “stocks fantômes” et les signaux de demande faussés continuent de polluer les décisions. Les agents ne corrigent pas le chaos par magie ; ils le rendent juste plus visible. Ce n’est déjà pas mal, mais ce n’est pas un super-pouvoir.

À cela s’ajoutent des exigences de responsabilité. Les systèmes doivent être explicables, via des fonctions XAI qui justifient chaque action, et observables, pour suivre leur comportement et mesurer leur impact sur les indicateurs clés. Dans ce cadre, la chaîne d’approvisionnement agentique apparaît moins comme un gadget d’automatisation que comme un changement d’architecture à l’échelle du réseau.

Le code généré par IA accélère, mais la chaîne de contrôle reste lente

Dans le développement logiciel, le même basculement s’observe. Le shadow AI coding désigne l’usage d’outils d’IA en dehors des procédures validées par la DSI pour générer, modifier, tester ou analyser du code. Selon le Baromètre CESIN-OpinionWay cité par la source, 75 % des RSSI en France considèrent le shadow AI comme un risque, tandis que seuls 16 % des entreprises utilisant l’IA ont déployé une stratégie pour l’encadrer. Le décalage est net.

GitLab, dans une enquête menée auprès de plus de 1 500 développeurs et responsables technologiques, indique que 78 % des répondants disent écrire et soumettre leur code plus vite depuis l’adoption d’outils d’IA. Pourtant, seuls 21 % constatent un gain de productivité au-delà de la génération de code. La raison tient à une évidence très terre-à-terre : coder n’est qu’une partie du travail, et elle ne représente que 16 % du temps selon les répondants. Revue, conformité, tests, déploiement et gestion des incidents mangent le reste.

Le vrai goulot d’étranglement, c’est la gouvernance

La notion clé mise en avant par la source est celle de “coût par modification acceptée” : le temps entre la génération d’un changement et le moment où il est examiné, vérifié puis livré. Plus les agents génèrent vite, plus le blocage se déplace vers la revue, la traçabilité et la décision d’acceptation. Selon l’enquête citée, 85 % des répondants estiment que la prochaine phase de l’IA dans le développement logiciel portera moins sur la génération de code que sur sa gouvernance.

Autrement dit, les entreprises n’achètent pas seulement de la vitesse. Elles importent aussi des obligations de contrôle. Les sources rappellent que 80 % des organisations disent avoir adopté des outils d’IA plus vite qu’elles n’ont bâti les politiques pour les encadrer, et que 82 % voient dans le code généré par IA une nouvelle forme de dette technique. Là encore, le problème n’est pas l’outil en lui-même. C’est l’écart entre ce qu’il permet et ce que l’organisation sait vérifier.

IA-BOM, SBOM et réglementation européenne : la carte du réseau devient politique

Pour répondre à ce déficit de visibilité, les sources évoquent l’IA-BOM, un inventaire destiné à documenter les modèles, données, composants logiciels, infrastructures et dépendances d’un système d’IA. Il complète le SBOM, qui cartographie déjà les composants d’une application, mais devient insuffisant dès que des modèles ou des agents interviennent dans la chaîne logicielle. Le cadre SPDX 3.0 sert à décrire ces relations.

Le mouvement est aussi réglementaire. L’AI Act européen impose une gouvernance fondée sur le niveau de risque, avec des exigences graduées de transparence, de traçabilité et de supervision humaine. Pour les systèmes à haut risque, la source mentionne l’article 26, ainsi que des mesures techniques et organisationnelles et, dans certains cas, la conservation des journaux. Le Cyber Resilience Act, lui, renforce la sécurité des produits numériques et de leurs composants. Dans ce contexte, un code suggéré par une IA ne devient pas moins sensible parce qu’il est rapide à produire.

France, investissements et infrastructure agentique

La source consacrée à la France ajoute un autre angle : le pays a obtenu 93 milliards d’euros d’investissements étrangers confirmés lors du Sommet Choose France, en grande partie destinés aux infrastructures d’IA. C’est la première destination européenne pour les investissements étrangers liés à l’IA pour la septième année consécutive, selon le texte. Mais la performance d’ensemble dépendra moins du volume annoncé que de la capacité à industrialiser des infrastructures agentiques maîtrisées.

Cette infrastructure repose, d’après GitLab, sur quatre couches : exécution, contexte, orchestration et gouvernance. Sans elles, les agents s’empilent sur des systèmes pensés pour des humains, ce qui multiplie les outils, les coûts et les corrections a posteriori. Dans le logiciel comme dans la supply chain, la même leçon revient : l’autonomie ne sert à rien si elle arrive sans règles lisibles ni responsabilité assignée.