Blog · IA & décision

IA agentique et IA générative : quelle différence en supply chain ?

L'IA générative produit une réponse, l'IA agentique produit une action, et cette différence change qui porte la responsabilité quand le système se trompe. Ce que chacune fait en supply chain, pourquoi l'une repose sur l'autre, et ce qu'il faut exiger d'un agent avant de lui ouvrir l'ERP.

Par Nelson Mukuze, CTO & CAIO, cofondateur de Clevizio·Publié le 14 septembre 2026·6 min de lecture

IA agentique et IA générative : quelle différence en supply chain ?

L'essentiel

Ce que fait une IA générative, et ce qu'elle ne fait pas

Une IA générative est un modèle qui, à partir d'une entrée en langage naturel, produit une sortie : un texte, un résumé, une réponse, un morceau de code, parfois une image. Elle a appris sur d'immenses volumes de documents à prédire la suite la plus plausible, ce qui la rend remarquable pour reformuler, synthétiser et expliquer. Deux propriétés la définissent autant que ses capacités. Elle est sans mains, au sens où elle ne peut rien faire d'autre qu'écrire ; et elle est sans suite, au sens où une fois la réponse rendue, elle ignore ce qui en a été fait et si c'était juste. Demandez-lui de résumer le fil de mails d'un fournisseur en retard, elle le fera très bien ; demandez-lui de passer la commande de dépannage, elle vous rendra un texte qui ressemble à une commande. En dix ans à construire des systèmes d'IA, c'est la confusion que je vois le plus souvent chez ceux qui découvrent ces outils : prendre une réponse pour un effet.

Ce que fait une IA agentique : percevoir, décider, agir, en boucle

Une IA agentique est un système construit autour d'un objectif et d'une boucle. Il perçoit un état, par exemple en lisant un accusé de réception ou un niveau de stock dans l'ERP ; il décide de la prochaine étape ; il agit à travers des outils, lancer une simulation, écrire dans un système, notifier une personne ; puis il observe le résultat et recommence jusqu'à ce que l'objectif soit atteint ou qu'une condition d'arrêt se déclenche. Ce sont les outils et la boucle qui font l'agent, bien plus que l'intelligence du modèle placé au centre. La comparaison que je préfère est celle du GPS : le générateur d'itinéraire vous décrit le chemin une fois, l'agent recalcule à chaque embranchement manqué parce qu'il voit où vous êtes réellement. Un agent dispose donc d'une mémoire de ce qu'il a déjà fait, d'un périmètre d'outils qu'il a le droit d'appeler, et d'une définition de « terminé », trois choses qu'un modèle génératif seul ne possède pas.

Pourquoi l'agentique s'appuie sur la générative

Dans la grande majorité des agents déployés aujourd'hui, le composant qui décide de l'étape suivante est un modèle génératif. On lui présente l'état courant, la liste des outils disponibles et l'objectif, et il rédige, au sens propre, l'appel d'outil suivant. L'IA agentique vient donc envelopper l'IA générative plutôt que la concurrencer : le modèle est le moteur, l'agent est la voiture, avec ses roues, ses freins et son conducteur. Cette filiation a une conséquence qu'on oublie souvent : l'agent hérite des faiblesses du modèle, en particulier sa capacité à affirmer une chose fausse avec assurance, et il les amplifie, puisqu'une erreur ne reste plus dans un texte mais se transforme en action. C'est pourquoi, en supply chain, les agents sérieux ne confient jamais un calcul au modèle : le chiffrage d'une couverture ou d'un impact sur la marge passe par un calculateur déterministe, et le modèle se contente d'orchestrer et d'expliquer. Un agent qui « estime » un stock de tête au lieu de le lire dans le système mérite d'être débranché avant sa première action.

Des exemples en supply chain, pour chacune

Côté génératif, les usages qui tiennent en production sont ceux où la sortie est lue par un humain avant d'avoir un effet : résumer trente mails et deux comptes rendus pour expliquer en dix lignes pourquoi une commande fournisseur glisse, rédiger le compte rendu d'un arbitrage et le classer, traduire une question de la direction en requête sur les données de l'ERP, expliquer en langage clair pourquoi un plan a changé entre deux versions. Côté agentique, le cas typique part d'un signal : un accusé de réception qui décale une date de livraison. L'agent lit le décalage, identifie les ordres de fabrication et les clients touchés, calcule la couverture réelle des références concernées à partir des stocks du système, simule trois réponses comme le transport express, la réallocation d'un stock d'un site à l'autre ou le décalage d'un OF, chiffre chacune, et présente la décision préparée à la personne responsable ; une fois validée, il passe l'ordre dans l'ERP et vérifie le lendemain que l'ordre a bien été pris en compte. Dans cet exemple, le modèle génératif intervient à deux endroits, choisir l'outil suivant et rédiger l'explication, et nulle part dans les chiffres. La frontière entre les deux familles passe exactement là : dès qu'une sortie modifie un système ou engage de l'argent sans relecture, on est dans l'agentique, avec tout ce que cela implique.

Ce qui change en matière de responsabilité et de contrôle

Avec une IA générative, la responsabilité ne bouge pas de place, parce qu'un humain lit la sortie avant qu'elle ait un effet ; l'erreur est possible, mais elle est interceptable. Avec un agent, l'erreur peut se produire dans l'action elle-même, entre deux relectures, et c'est ce déplacement qui change la nature du sujet. Juridiquement et managérialement, un logiciel ne signe rien : la responsabilité d'une commande passée par un agent revient à la personne ou à l'organisation qui lui a ouvert cet outil, et il faut le savoir avant, pas après. Gartner anticipe que 60 % des perturbations supply chain seront résolues sans intervention humaine d'ici 2031, ce qui me paraît plausible sur le volume et trompeur sur l'enjeu : les perturbations qui se résolvent seules sont les petites, et celles qui coûtent 45 % des profits d'une décennie selon McKinsey continueront de passer par une décision humaine. Le contrôle se règle donc action par action, en décidant ce que l'agent exécute seul, ce qu'il prépare et ce qu'il n'a pas le droit de toucher, plutôt qu'en l'autorisant ou en l'interdisant en bloc. Nous détaillons ailleurs jusqu'où déléguer la décision selon l'enjeu et la réversibilité ; ici je m'en tiens à ce qu'il faut exiger du fournisseur.

Ce qu'un directeur supply chain doit exiger d'un agent

Trois exigences, et je les poserais dans cet ordre au premier rendez-vous avec un éditeur. La traçabilité d'abord : chaque perception, chaque décision intermédiaire et chaque action doivent être journalisées avec les données d'entrée du moment, de sorte qu'on puisse rejouer un épisode et comprendre pourquoi l'agent a choisi le transport express plutôt que la réallocation ; un agent qui ne sait pas raconter ce qu'il a fait ne devrait pas avoir le droit de le faire. Le périmètre ensuite, sous la forme d'une liste explicite : les outils qu'il peut appeler, les références, les sites et les montants sur lesquels il peut agir seul, et tout le reste interdit par défaut, le périmètre s'élargissant avec la confiance acquise plutôt que se rétrécissant après un incident. Le droit de veto enfin, à deux niveaux : une validation humaine obligatoire avant toute action au-dessus d'un seuil d'enjeu, et un arrêt d'urgence qui stoppe l'agent sans laisser le système dans un état incohérent, ce qui est plus difficile à construire qu'il n'y paraît. J'ajouterais une quatrième exigence qui ramène à la générative : que l'agent explique chaque recommandation en langage clair, car un agent qui augmente la clarté de ceux qui décident vaut plus qu'un agent qui décide vite. La prévision continuera de se tromper et les perturbations continueront d'arriver ; ce qu'un bon agent change, c'est le temps entre le signal et la décision, et la qualité de ce qu'on sait au moment de la prendre.