Publié le
Mis à jour le
Prévoir la demande, c’est estimer chaque référence, sur chaque site, pour chaque période, avant de commander et de produire. L’IA peut calculer ces prévisions à partir des historiques, des prix et des promotions, et intégrer un contrat récent si elle en reçoit les données. Votre direction fixe le taux de service, le stock accepté et les règles de validation. Les sources réunies ici ne fournissent aucune mesure indépendante d’un gain dans une ETI française. Comparez les méthodes sur vos données et mesurez leurs effets sur les stocks et les ruptures.
La prévision, tâche par tâche
L’unité de travail est la référence sur un site pour une période. Le temps part dans la préparation des historiques, les retouches et la réunion mensuelle de planification des ventes et des opérations (S&OP).
Tâche | Ce que l’outil peut faire | Ce que l’équipe garde |
|---|---|---|
Préparer l’historique | Repérer ruptures, valeurs aberrantes, effets de promotion | La décision d’écarter une commande exceptionnelle |
Calculer | Prévoir chaque référence sur chaque site, avec prix et calendrier | L’horizon et le niveau de détail |
Retoucher et arrêter | Signaler les écarts et les facteurs associés ; proposer des causes à vérifier | Promotions, nouveaux produits, grands contrats ; le chiffre retenu |
Réapprovisionner | Proposer quantités et dates de commande | Le taux de service visé, l’engagement d’achat |
Vérifiez chaque explication avec les promotions, commandes, ruptures et incidents connus : le poids d’une variable ne prouve pas une cause.
Mesurez l’erreur et le biais par segment, à l’horizon de vos décisions, en isolant promotions, lancements et demande intermittente. Définissez le taux de service : commandes complètes, lignes servies ou unités livrées à temps.
Dans le négoce, vous prévoyez l’article par dépôt et par semaine ; quelques gros clients font la demande. Chiffres à suivre : taux de service par famille, stock par dépôt.
Dans l’industrie, les commandes et les prévisions de produits finis alimentent le plan de production ; le calcul des besoins le traduit en composants et en matières, selon les nomenclatures, les stocks et les délais. Réglez la fréquence de planification sur vos délais de décision et vos capacités. Chiffre à suivre : couverture de stock en jours.
Dans l’agroalimentaire, vous prévoyez les produits frais au jour ; les promotions font une grande part des écarts. Chiffres à suivre : pertes et ruptures, ensemble.
Ce qui fonctionne sans IA
Des historiques documentés. Conservez les ventes observées et marquez les ruptures, les promotions et les commandes exceptionnelles. Une vente nulle peut traduire une absence de demande ou un produit indisponible. Si vous estimez des ventes perdues, documentez la méthode.
La segmentation ABC/XYZ. Elle classe les références par poids et par régularité pour choisir la méthode et la règle de réapprovisionnement. Pour une référence irrégulière, testez des méthodes adaptées à la demande intermittente et réglez le stock selon les délais fournisseurs, le coût de rupture et le risque d’obsolescence.
La prévision statistique classique. Dans la compétition M5, plus de neuf équipes sur dix ne battent pas un lissage exponentiel : gardez une méthode simple comme point de comparaison.
Un processus S&OP mensuel. Commerce, production, achats et finance s’accordent sur un chiffre, et une personne nommée l’arrête.
La mesure de chaque retouche. Comparer la prévision avant et après correction montre les retouches utiles.
Ce que montrent les cas publiés
Les sources réunies ici ne fournissent aucune mesure indépendante d’un gain dans une ETI française. Le résultat dépend de vos données, de l’horizon et de la méthode de référence.
Les entreprises françaises nommées décrivent un projet, pas un résultat. Global Packaging Services, loueur d’emballages industriels réutilisables (300 collaborateurs), décrit avec Bpifrance Conseil un projet d’IA qui associe prévision des mouvements de contenants, recherche opérationnelle et simulation, sans algorithme d’apprentissage précisé ni gain chiffré. Chez Sodebo, RELEX annonce en janvier 2026 la mise en place de sa plateforme, sans résultat.
Le seul cas chiffré vient d’un grand groupe, au conditionnel. Danone prévoit 44 % de son chiffre d’affaires dans SAP Integrated Business Planning (SAP IBP) avec des modèles d’apprentissage. Selon la presse, la fiabilité « augmenterait de 1 à 10 % » selon les catégories. Danone déclare, sans méthode publiée, obtenir ses premiers résultats en 20 minutes à 4 heures, prétraitement inclus, contre 160 heures, avant reprise par les planificateurs.
Dans la compétition M5, les méthodes avancées gagnent peu au niveau du produit. Sur les ventes de Walmart en 2020, la meilleure équipe réduit de 22,4 % l’erreur globale d’un lissage exponentiel ; aux niveaux les plus fins, jusqu’au produit par magasin, les 50 premières la réduisent d’environ 3 % en moyenne. Dans la compétition VN1 de 2024 (vendeurs en ligne), la prévision naïve, qui reprend la dernière valeur, finit douzième, loin devant une moyenne mobile. Son organisateur, Nicolas Vandeput, consultant (SupChains), explique cet écart par la période testée : la moyenne mobile intégrait les ventes de fin d’année.
La retouche humaine aide surtout quand elle baisse la prévision. Des chercheurs ont repris environ 147 000 prévisions de dix organisations : les retouches réduisent l’erreur pour à peine plus de la moitié des références. Les hausses augmentent l’erreur absolue moyenne d’environ 9 % (ratio 1,088), les baisses la réduisent d’environ 18 % (ratio 0,819). Les systèmes étudiés étaient statistiques, sans apprentissage.
Global Packaging Services : une entreprise de 300 collaborateurs décrit un projet d’IA de prévision des mouvements de contenants, sans résultat publié
Statut du chiffre :
Non publié
Ce qui a été fait :
Initiative d’IA lancée par la direction générale, avec le soutien des actionnaires, sur tous les métiers ; priorité à la planification du stockage. Projet 1 : automatiser la prévision et la planification des mouvements de contenants à partir de données internes et externes (modèles de recherche opérationnelle, simulation de scénarios, équilibrage des flux entre régions et dépôts). Projet 2 : analyse automatique des devis de transporteurs face au cahier des charges.
Résultat :
Retour attendu : gains de productivité des équipes de planification, baisse du poste transport (40 M€ par an) et traitement plus rapide. Aucun chiffre de gain, de période ni de précision des prévisions.
Auteur de l’affirmation :
Entreprise
Coût cité :
Non publié
Limites :
Fiche de cas d’un livre blanc de Bpifrance Conseil et Siparex, lue par l’outil de lecture web (résumé et citations courtes, pas le texte intégral). La fiche ne mentionne aucun algorithme d’apprentissage : elle décrit des modèles de recherche opérationnelle et une simulation de scénarios, dans un projet présenté comme une initiative d’IA. 40 M€ est la base de coût du transport, pas un gain. Stade du projet non précisé (« Cas d’entreprise (2026) »).
Sodebo : RELEX annonce la mise en place de sa plateforme de prévision pour le traiteur frais, sans résultat publié
Statut du chiffre :
Non publié
Ce qui a été fait :
Plateforme RELEX (intelligence artificielle et automatisation) pour l’amélioration continue de la prévision des ventes, au service de la fabrication et de la distribution des produits frais sur le territoire national. Selon l’éditeur : moins d’ajustements manuels, des prévisions plus fines, des facteurs externes comme la météo locale.
Résultat :
Aucun résultat publié. Eric Defontaine, directeur supply chain de Sodebo : RELEX « peut nous permettre de franchir un cap supplémentaire en terme de qualité de prévision ». L’éditeur évoque des « résultats mesurables » sans en donner.
Auteur de l’affirmation :
Éditeur
Coût cité :
Non publié
Limites :
Communiqué de l’éditeur ; « annonce la mise en place » sans dire si la plateforme tourne en exploitation ; aucun indicateur de départ ; la taille de l’entreprise n’est pas dans la source.
Danone : des modèles d’apprentissage dans SAP IBP amélioreraient la fiabilité des prévisions de 1 à 10 % selon les catégories (déclaré)
Statut du chiffre :
Déclaré sans méthode
Ce qui a été fait :
Déploiement de SAP IBP par vagues de 2019 à 2023 (environ six mois par pays), puis modèles d’apprentissage automatique (gradient boosting, écrits en Python) pour deux horizons, deux semaines et trois ans ; environ 30 variables par modèle, dont investissements marketing, promotions et calendrier ; explicabilité : SAP IBP propose une fonction fondée sur SHAP (Analyze Impact on Forecast) ; l’équipe de data science de Danone utilise surtout sa propre méthode, mise au point avec SAPtools, qui compare des simulations avec et sans promotions ni marketing. Création d’un centre d’excellence et d’un rôle de Forecast Specialist qui vérifie les sorties des modèles avant les prévisionnistes.
Résultat :
Selon la presse : la fiabilité des prévisions « augmenterait de 1 à 10 % » selon les catégories ; passage de 160 heures à une durée comprise entre 20 minutes et 4 heures pour obtenir les premiers résultats, prétraitement inclus, que des planificateurs peuvent ensuite retravailler ; 35 % de déchets en moins sur les produits laitiers (au conditionnel) ; la moitié des résultats n’est pas retouchée ; les retouches ajouteraient en moyenne 5 % de valeur, selon deux responsables du groupe.
Auteur de l’affirmation :
Entreprise
Coût cité :
Non publié
Limites :
Propos de responsables de Danone rapportés par la presse (convention USF, Lyon, 8 octobre 2025). Chiffres au conditionnel, sans période, base de comparaison ni méthode ; « 1 à 10 % » ne dit pas s’il s’agit de points ou d’un écart relatif. La part de l’IA n’est pas isolée du changement d’outil et d’organisation. Grand groupe, pas une ETI. Lors du témoignage rapporté en octobre 2025, les équipes de vente n’avaient pas encore harmonisé leurs outils de planification des promotions.
Compétition M5 : la meilleure équipe réduit de 22,4 % l’erreur globale d’un lissage exponentiel ; les 50 premières, d’environ 3 % en moyenne aux niveaux les plus fins (chercheurs, 2022)
Statut du chiffre :
Mesure indépendante
Ce qui a été fait :
Compétition ouverte du 3 mars au 30 juin 2020 : chaque équipe prévoit les ventes des 28 jours suivants ; classement sur une erreur quadratique pondérée et normalisée (WRMSSE), face à des méthodes de référence (naïve, naïve saisonnière, lissage exponentiel agrégé de bas en haut). Variables explicatives fournies : prix, promotions, jour de la semaine, événements.
Résultat :
La meilleure équipe réduit de 22,4 % l’erreur globale (WRMSSE, douze niveaux confondus) du meilleur repère (lissage exponentiel agrégé de bas en haut). 415 équipes (7,5 %) battent ce repère, 92,5 % n’y parviennent pas. Les 50 premières équipes réduisent l’erreur de ce repère d’environ 40 % en moyenne au niveau le plus agrégé, mais d’environ 3 % aux niveaux du produit, du produit par État et du produit par magasin (niveaux 10 à 12). Les deux chiffres portent sur des ensembles différents : la meilleure équipe, tous niveaux ; la moyenne des 50 premières, par niveau. Les méthodes gagnantes reposent surtout sur LightGBM et utilisent toutes des informations externes.
Auteur de l’affirmation :
Chercheur
Limites :
Un distributeur, un pays, des produits de grande consommation à demande souvent intermittente. Publication de 2022, hors de la fenêtre 2024 à 2026 : citée comme référence de méthode. Nous n’avons pas relevé la période de l’historique et n’avons lu qu’une partie de la section des limites. Mesure l’erreur de prévision, pas le stock ni le taux de service. Les auteurs demandent de vérifier que le gain de précision justifie le coût des data scientists et de l’infrastructure.
Compétition VN1 : sur plus de 15 000 séries de vendeurs en ligne, la prévision naïve finit douzième et peu de participants la battent (2024)
Statut du chiffre :
Mesure indépendante
Ce qui a été fait :
Compétition de septembre à octobre 2024. Phase 1 : ventes et prix du 6 juillet 2020 au 2 octobre 2023. Phase 2 : données jusqu’au 1er janvier 2024, prévision du 8 janvier au 1er avril 2024. Score : erreur absolue moyenne en % plus valeur absolue du biais en %.
Résultat :
Scores calculés par l’organisateur : meilleur score 46,4 % ; prévision naïve (dernière valeur) 50,7 %, douzième ; « only a few competitors could beat » ce score ; moyenne mobile de 12 semaines, repère fourni par l’organisateur, 80,5 %. LightGBM occupe la plupart des premières places. Pratiques déclarées, non mesurées : parmi les 20 premiers participants interrogés par l’organisateur, aucun ne déclare avoir revu les prévisions à la main ni utilisé une information métier.
Auteur de l’affirmation :
Consultant
Limites :
Article de l’organisateur, consultant (SupChains) qui recommande lui-même LightGBM, dans Foresight, revue professionnelle de l’Institut international des prévisionnistes ; aucune déclaration de conflit d’intérêts. Le statut « Mesure indépendante » vaut pour les scores, pas pour les pratiques déclarées ni pour les recommandations de l’auteur. La comparaison porte sur une prévision naïve et une moyenne mobile, pas sur un lissage exponentiel. Selon l’organisateur, le calendrier du test favorisait la prévision naïve face à la moyenne mobile, qui intégrait les ventes de fin d’année : une évaluation quelques semaines plus tard aurait probablement changé cette comparaison. Données de commerce en ligne, ni industrie ni négoce. Le nombre de participants qui battent la prévision naïve n’est pas donné.
Retouches des prévisions : sur 147 000 prévisions, elles réduisent l’erreur pour à peine plus de la moitié des références, et les hausses l’augmentent (chercheurs, 2025)
Statut du chiffre :
Mesure indépendante
Ce qui a été fait :
Réanalyse dans un cadre commun de six jeux de données où des prévisionnistes ont retouché des prévisions produites par un système statistique (lissage exponentiel, moyennes mobiles, modèles saisonniers). Mesure de la valeur ajoutée des retouches (erreur et biais) selon leur sens et leur taille. Indicateur principal (FVA1) : rapport entre l’erreur absolue moyenne de la prévision retouchée et celle de la prévision du système (AvgRelMAE, moyenne géométrique) ; au-dessus de 1, la retouche augmente l’erreur.
Résultat :
59,9 % des prévisions retouchées. Part médiane des références dont l’erreur baisse : 51,5 % ; dont le biais s’améliore : 55,6 %. Retouches à la hausse : erreur absolue moyenne plus forte d’environ 9 % (ratio de 1,088) ; à la baisse : plus faible d’environ 18 % (ratio de 0,819). Peu de signes que les prévisionnistes utilisent une information absente de l’algorithme. Une correction systématique du biais des retouches améliore les prévisions.
Auteur de l’affirmation :
Chercheur
Limites :
Systèmes statistiques classiques, pas d’apprentissage automatique. Prévisions à un pas seulement. Entreprises anonymes, pays non précisés. Données de 2003 à 2017 environ, publication en 2025. Motifs des retouches non documentés. Écarts larges d’un jeu de données à l’autre (ratio global de 0,511 à 1,614 selon le jeu de données).
Ce que votre logiciel propose déjà
Distinguez les logiciels qui calculent la prévision de ceux qui aident à l’analyser.
ERP. Microsoft Dynamics 365 Supply Chain Management intègre un Copilot qui explique les écarts et anomalies d’une prévision, sans la calculer (disponibilité générale annoncée au 31 octobre 2024). Le communiqué de Divalto du 26 octobre 2026 ne décrit aucun agent de prévision. Dans les documents de Sage et de Cegid consultés le 31 octobre 2026 (témoignage client et annonce d’agent pour Sage X3, pages Cegid Retail), nous n’avons trouvé aucune fonction de prévision par IA datée.
Logiciels de planification. Kinaxis propose depuis le 17 octobre 2025 des agents qui recommandent des actions, avec un humain dans la boucle, sans préciser lesquelles il doit approuver. Blue Yonder a lancé le 5 mai 2025 un agent qui rapproche l’offre et la demande, sans date de disponibilité générale. Aucun ne décrit d’agent de prévision.
Spécialistes. RELEX, choisi par Sodebo, et Flowlity vendent une prévision par apprentissage. Le cas Danone de Flowlity démarre en janvier 2020 ; le document, non daté, décrit une mise en exploitation et des baisses de stock simulées ou projetées.
Demandez à l’éditeur un test sur plusieurs périodes, aux horizons de vos achats et de votre production, où le modèle n’utilise que les informations disponibles à chaque date. Comparez-le à votre méthode actuelle et à des méthodes simples. Fixez les critères d’acceptation avant le test.
Microsoft Dynamics 365 Supply Chain Management : un Copilot qui explique les écarts d’une prévision de la demande, disponibilité générale annoncée au 31 octobre 2024
Statut du chiffre :
Non publié
Ce qui a été fait :
Dans le module de planification de la demande de Dynamics 365 Supply Chain Management, l’utilisateur pose à Copilot des questions prédéfinies sur un point ou une plage d’une prévision ; Copilot répond en langage courant, avec des visuels, sur les variations notables, les tendances et les anomalies selon plusieurs dimensions.
Résultat :
Préversion publique annoncée au 30 avril 2024 ; disponibilité générale annoncée par Microsoft au 31 octobre 2024. Dernière mise à jour affichée de la page : 8 août 2025. L’éditeur présente une meilleure précision des prévisions comme un bénéfice, sans mesure ni client.
Auteur de l’affirmation :
Éditeur
Coût cité :
Tarif non publié
Limites :
Statut : disponible. Page de plan de version archivée, qui n’est plus mise à jour. La fonction explique la prévision, elle ne la calcule pas ; la page ne dit rien de la validation humaine.
Kinaxis : des agents Maestro qui recommandent des actions de planification, avec des garde-fous impliquant un humain, disponibles depuis le 17 octobre 2025
Statut du chiffre :
Déclaré sans méthode
Ce qui a été fait :
Agents de la plateforme Maestro qui analysent les données en temps réel, signalent les problèmes et recommandent la meilleure action suivante, en pesant capacité des fournisseurs, stocks, programmes de production et priorités des clients ; raisonnement expliqué et garde-fous avec un humain dans la boucle ; automatisation des rapports. Maestro Agent Studio en disponibilité limitée ; place de marché d’agents prévue en 2026.
Résultat :
Selon l’éditeur : productivité des planificateurs multipliée « jusqu’à 10 » chez un laboratoire pharmaceutique non nommé ; plus de 30 heures de rapports économisées par mois chez un fabricant d’électronique non nommé. Jabil, seul client nommé, cite des décisions plus rapides, sans chiffre.
Auteur de l’affirmation :
Éditeur
Coût cité :
Tarif non publié
Limites :
Statut : disponible déclaré. Communiqué de l’éditeur ; aucun agent de prévision de la demande décrit ; chiffres attribués à des clients non nommés, sans période ni base de comparaison. Le communiqué annonce des garde-fous « human-in-the-loop » sans préciser quelles actions exigent l’approbation d’un humain.
Blue Yonder : cinq agents lancés le 5 mai 2025, dont un qui rapproche l’offre et la demande, sans date de disponibilité ni client cité
Statut du chiffre :
Non publié
Ce qui a été fait :
Inventory Ops Agent : signale les écarts entre offre et demande, en diagnostique les causes (contraintes de matière ou de capacité, erreurs de paramétrage), propose des solutions (autre source, accélération, échange de demande) et des ajustements du plan. Autres agents : rayons, logistique, entrepôt, réseau (dont la résolution de ruptures). Recommandations automatisables « avec approbation humaine ».
Résultat :
Aucun résultat client publié. Blue Yonder déclare aider plus de 3 000 distributeurs, industriels et prestataires logistiques (déclaré sans méthode par Blue Yonder). Son offre d’accompagnement (Agent Activation Advisory) vise des agents en service en 6 à 12 semaines (objectif commercial estimé par Blue Yonder, pas un délai observé).
Auteur de l’affirmation :
Éditeur
Coût cité :
Tarif non publié
Limites :
Statut : annoncé (lancement au salon ICON 2025) ; disponibilité générale et tarif non précisés ; aucun agent de prévision de la demande décrit.
Ce qu’il faut changer dans le travail
Où se situe le blocage ? Séparez l’erreur de calcul, la donnée fausse (promotion non saisie), l’arbitrage en S&OP et l’exécution (un fournisseur en retard). Selon ses fonctions, l’outil aide à préparer les données, à calculer, à analyser un écart ou à proposer une action : identifiez la tâche visée et mesurez son résultat. Les arbitrages de service, de stock et d’engagement restent aux métiers.
Qui voit son travail changer ? Le prévisionniste retouche moins et justifie chaque correction. Le commerce saisit promotions, grands contrats et pertes de clients avant le calcul. Chez Danone, un rôle dédié vérifie les sorties des modèles. Nommez qui arrête la prévision et qui autorise les commandes. Conservez la version du modèle, les données, les corrections et les validations. Après une rupture, examinez séparément la prévision, la décision de stock et l’approvisionnement.
À quelles conditions le résultat progresse-t-il ? Une erreur mesurée par segment, face à la méthode actuelle. Une règle écrite sur les retouches, avec leur valeur suivie chaque mois. Un pilote sur une famille de produits avant l’extension.
Comment le gain devient-il économique ? Une erreur plus faible ne garantit ni moins de stock ni moins de ruptures. Testez l’effet avec vos délais fournisseurs, tailles de lot et règles de réapprovisionnement. Chiffrez séparément la trésorerie éventuellement libérée, les coûts évités et la marge perdue sur les ruptures, puis déduisez le coût du logiciel, de l’intégration et de l’exploitation. Fixez les dégradations de service que vous refusez.
Conditions propres à la prévision
Données. L’outil apprend sur la demande par référence et par site, avec prix, promotions, ruptures et changements de gamme. Une référence nouvelle ou intermittente se prévoit mal, avec ou sans IA. La qualité des données compte : lors du témoignage rapporté en octobre 2025, Danone signalait encore des outils promotionnels hétérogènes.
Intégration. L’outil lit l’ERP, le calendrier des promotions et les commandes des grands clients, puis propose commandes et ordres de fabrication. Écrivez ce qu’il valide seul, et sous quel seuil.
Invendus. Un producteur, un importateur ou un distributeur doit réemployer, réutiliser ou recycler ses invendus non alimentaires neufs, y compris professionnels, depuis 2022 ou fin 2023 selon les produits, sauf exceptions légales (risque sérieux pour la santé ou la sécurité, absence de marché et de recyclage possible). Une prévision trop haute coûte donc aussi le don ou le recyclage.
Consultation du comité social et économique (CSE). Dans les entreprises d’au moins 50 salariés, si un outil modifie de façon importante le travail des équipes de planification, l’employeur consulte le CSE avant de prendre sa décision. Les juges examinent les usages réels, leur durée, leur étendue et leurs effets sur le travail ; le caractère volontaire ou expérimental ne suffit pas, à lui seul, à écarter la consultation. À défaut d’accord, le CSE dispose d’un mois, de deux mois avec expertise, de trois si la consultation avec expertise concerne le CSE central et des CSE d’établissement.
Le Code de l’environnement interdit d’éliminer les invendus non alimentaires neufs, y compris ceux destinés aux professionnels, depuis 2022 ou 2023 selon les produits
Ce qui a été fait :
L’article L. 541-15-8 du Code de l’environnement, issu de la loi relative à la lutte contre le gaspillage et à l’économie circulaire (AGEC), oblige les producteurs, importateurs et distributeurs de produits non alimentaires neufs à réemployer, réutiliser ou recycler leurs invendus. Le décret n° 2020-1724 du 28 décembre 2020 en fixe les modalités : application au 1er janvier 2022 pour les produits soumis à une filière de responsabilité élargie du producteur avant le 11 février 2020, les produits d’hygiène et de puériculture, les équipements de conservation et de cuisson des aliments, les produits d’éveil et de loisirs, les livres et fournitures scolaires ; au 31 décembre 2023 pour les autres produits. L’obligation ne s’applique pas aux produits dont la valorisation matière est interdite, dont l’élimination est prescrite, ou dont le réemploi, la réutilisation et le recyclage comportent des risques sérieux pour la santé ou la sécurité. Elle ne s’applique pas non plus, tant que les conditions du réemploi, de la réutilisation ou du recyclage ne sont pas réunies, lorsque deux critères se cumulent (article R. 541-323) : aucun marché ni demande pour des produits équivalents, et aucune installation de recyclage qui les accepte dans les conditions de distance (1 500 km) et de coût fixées par le décret.
Résultat :
Le décret vise les produits « destinés aux ménages ou aux professionnels ». Selon un cabinet d’avocats, le manquement est puni d’une amende administrative de 15 000 € au plus pour une personne morale.
Auteur de l’affirmation :
Autorité publique
Limites :
Nous n’avons pas pu consulter le texte de l’article L. 541-15-8 sur Légifrance. Exceptions de l’article lues chez Osborne Clarke ; critères cumulatifs lus dans le décret (article R. 541-323), consulté sur AIDA (INERIS), qui en donne le champ, les dates et les exemptions ; montant de l’amende lu chez Osborne Clarke (décembre 2021). Vérifiez la version en vigueur de l’article sur Légifrance.
La cour d’appel de Paris confirme la suspension de ChatGPT et d’un assistant de rédaction déployés sans consulter le CSE
Ce qui a été fait :
Dans les entreprises d’au moins 50 salariés, l’employeur consulte le CSE sur l’introduction de nouvelles technologies et sur tout aménagement important qui modifie les conditions de santé, de sécurité ou de travail (article L2312-8, II, 4° du Code du travail). Lorsque le projet relève de cette consultation, l’employeur consulte le CSE avant de prendre sa décision (article L2312-14). Cinq affaires jugées en référé entre février 2025 et février 2026 portent sur la consultation du CSE avant un outil d’IA. Dans quatre d’entre elles, les juges ont suspendu des outils introduits sans consultation : TJ Nanterre, 14 février 2025 (outils encore en phase pilote) ; TJ Créteil, 15 juillet 2025 (Groupe Moniteur et GISI, filiales d’Infopro Digital : ChatGPT et l’assistant DIGI) ; TJ Paris, 2 septembre 2025 (France Télévisions : plateforme MedIAGen suspendue, mais aucune consultation imposée pour la version 2 du chatbot RH) ; TJ Nanterre, 29 janvier 2026 (logiciels de compétences intégrant l’IA). La cour d’appel de Paris a confirmé les deux ordonnances de Créteil le 21 mai 2026 (RG 25/13232 et 25/13234). Dans la cinquième, le TJ de Paris n’a pas imposé de consultation pour Microsoft 365 Copilot, testé quatre mois par des volontaires sans décision de déploiement, avec un effet jugé très limité sur les conditions de travail (10 février 2026).
Résultat :
Le juge regarde l’effet de l’outil sur l’organisation et les conditions de travail, pas la technologie seule (article L2312-8, II, 4°, en vigueur depuis le 25 août 2021). Les juges examinent les usages réels, leur durée, leur étendue et leurs effets sur le travail. Le caractère volontaire ou expérimental ne suffit pas, à lui seul, à écarter la consultation ; dans le dossier Microsoft 365 Copilot, le juge a aussi relevé un effet très limité sur l’organisation et les conditions de travail. À défaut d’accord, le Code du travail prévoit un mois pour l’avis du CSE, deux mois avec expertise, ou trois mois lorsque la consultation avec expertise concerne le CSE central et un ou plusieurs CSE d’établissement (article R2312-6).
Auteur de l’affirmation :
Autorité publique
Limites :
Décisions de référé, donc provisoires. Sources et dates : articles L2312-8 (version du 25 août 2021), L2312-14 et R2312-6 du Code du travail ; arrêt de la cour d’appel de Paris du 21 mai 2026 (RG 25/13232) ; ordonnance du TJ de Paris du 2 septembre 2025 ; commentaires de CMS Francis Lefebvre du 17 septembre 2025 (ordonnances de 2025), du 12 mars 2026 (Microsoft 365 Copilot) et du 13 avril 2026 (TJ Nanterre, 29 janvier 2026) ; synthèse d’ActuIA du 7 octobre 2026, qui couvre toutes les affaires de la carte. Décisions lues dans leur texte : l’arrêt RG 25/13232 et l’ordonnance du TJ de Paris du 2 septembre 2025 ; les autres sont connues par ces commentaires. Le second arrêt du même jour (RG 25/13234) concerne GISI et confirme la même ordonnance ; il a été lu le 31 octobre 2026 sur le site de la Cour de cassation. L’ordonnance du TJ de Créteil du 15 septembre 2026 (GISI) suspend une réorganisation au titre de l’obligation de sécurité de l’employeur, pas de la consultation du CSE : elle ne fonde pas cette règle. La date de la carte est celle de l’arrêt de la cour d’appel, source principale.
Source :
21 mai 2026
Seconde source :
25 août 2021
Avant de décider
À demander à la direction de la supply chain : qui répond d’une rupture quand la prévision retenue venait de l’outil, et qui l’avait validée ?
À demander au responsable S&OP : qui arrête chaque mois la prévision retenue, et qui peut la modifier après le S&OP ?
À demander au responsable de la prévision : qui corrige l’outil après une promotion, un grand contrat ou un événement, et qui vérifie que la correction a servi ?
À demander à la direction générale et à la direction commerciale : qui fixe le taux de service visé par segment, donc le stock de sécurité que l’outil calcule ?
À demander au responsable des approvisionnements : qui peut arrêter les commandes proposées par l’outil, et qui reprend alors le réapprovisionnement ?
Ce que cette page ne dit pas
Elle ne promet aucun gain : les sources réunies ici ne fournissent aucune mesure indépendante d’un gain dans une ETI française. Elle ne traite ni du pipeline commercial, ni de la prévision financière, ni de l’ordonnancement. Les cas viennent de sources publiques, pas de missions de Spentia. Sources vérifiées le 31 octobre 2026.
Suite
Lexique : IA prédictive et machine learning
Guide : la cartographie des processus