🎓 Cas d’usage présenté lors de la conférence Union TLF Méditerranée — Comment l’IA planifie une tournée TRM avec 25 commandes, 3 véhicules et 8 contraintes, identifie les risques, et trace l’itinéraire chauffeur sur Google Maps.

La question posée en salle

« Est-ce que l’IA peut planifier une tournée du lendemain — 25 commandes, 3 véhicules, 8 contraintes — pour validation par l’exploitation ? »

C’est la routine du soir dans tout cabinet d’exploitation TRM : recevoir les commandes du lendemain, les répartir sur les véhicules disponibles, intégrer les contraintes (fenêtres horaires client, ADR, ralentisseurs de poids, repos conducteur, mutualisation retour, panne d’un véhicule), valider la tournée, l’envoyer au chauffeur. Plusieurs heures de réflexion, beaucoup d’expertise tacite, peu de marge d’erreur.

L’IA générative ne remplace pas l’exploitation — mais elle peut proposer un premier découpage optimisé en quelques secondes, mettre en évidence les conflits et risques, et laisser à l’humain la décision finale.

La démonstration en vidéo

Comment ça marche : optimisation de tournées par IA + tracé Google Maps

Le workflow présenté en conférence :

  1. Vous donnez à l’IA la liste des 25 commandes (adresses, volumes, fenêtres horaires, contraintes), la flotte disponible (3 véhicules avec leurs caractéristiques) et les 8 contraintes d’exploitation
  2. Vous formulez le brief métier : « Propose-moi un découpage en 3 tournées, optimise les distances et le respect des fenêtres horaires, signale-moi les risques et conflits. »
  3. L’IA construit en quelques secondes un découpage proposé, identifie les points de tension (fenêtre horaire serrée, ADR à proximité d’une zone scolaire, retour à vide…) et présente le résultat dans un format exploitable
  4. L’IA génère ensuite la tournée du chauffeur sur Google Maps — une URL Google Maps directement utilisable par le conducteur, avec les points de livraison dans l’ordre optimal
  5. L’exploitation valide ou ajuste — le dernier mot reste à l’humain qui connaît les particularités du terrain

L’effet de levier : un découpage initial qui prend traditionnellement 1 à 2 heures à un exploitant expérimenté est réalisé en quelques secondes. Le temps gagné est réinvesti dans la gestion des aléas (retard fournisseur, panne véhicule, demande de dernière minute) où l’humain est irremplaçable.

Pourquoi ça marche : l’IA, gestionnaire de complexité combinatoire

Une tournée à 25 commandes × 3 véhicules × 8 contraintes représente mathématiquement plusieurs milliards de combinaisons possibles. Aucun cerveau humain ne peut toutes les explorer — l’exploitation prend une bonne combinaison « par expérience », pas la meilleure.

L’IA générative (ChatGPT, Claude, Mistral) ne fait pas du Vehicle Routing Problem (VRP) algorithmique pur — il existe des logiciels spécialisés (Optilogistic, Roadnet, Mapotempo) pour ça. Mais elle a deux avantages décisifs pour les PME et TPE de transport qui n’ont pas de TMS d’optimisation :

  • Aucune installation, aucun setup — le brief en langage naturel suffit
  • Combinaison de contraintes hétérogènes — y compris des contraintes « molles » difficiles à coder (ce client préfère une livraison avant 11h, ce chauffeur n’aime pas faire le tunnel du Fréjus…)

C’est un outil de décision augmentée, pas un outil d’optimisation pure. La nuance est essentielle.

Les usages adjacents

Le même pattern — IA propose un découpage, l’exploitation valide — se décline sur de nombreux cas TRM :

  • Planification hebdomadaire des tournées récurrentes (semaine type, irréguliers)
  • Réaffectation en cas d’aléa (panne véhicule, conducteur absent, urgence client) — l’IA recompose une nouvelle répartition en quelques secondes
  • Mutualisation entre transporteurs (échange de tronçons, sous-traitance ponctuelle) — l’IA identifie les fenêtres de mutualisation
  • Préparation de réponse à appel d’offres — simulation des tournées sur le périmètre du marché pour estimer rentabilité
  • Optimisation environnementale — découpage qui minimise les km à vide ou les passages en zone à faibles émissions

Pièges à éviter

  1. L’IA n’a pas la connaissance terrain de l’exploitant. Un coup d’œil de validation reste indispensable — c’est précisément la valeur ajoutée du métier qui se déplace.
  2. Les contraintes doivent être explicitées. Si une contrainte est implicite dans la tête de l’exploitant (« on évite toujours la rue X entre 8h et 9h »), elle doit être verbalisée pour que l’IA en tienne compte.
  3. Ne pas surévaluer la précision des distances — les calculs initiaux peuvent être approximatifs, le tracé Google Maps en fin de chaîne corrige avec les distances réelles et le trafic en temps réel.

Ce que ça change pour une exploitation TRM

Sur une PME de transport régionale type :

  • Découpage des tournées en quelques secondes au lieu de 1-2 heures
  • Plusieurs scénarios proposés (optimisation distance vs respect strict fenêtres horaires vs minimisation km à vide) → meilleure capacité de décision
  • Temps réinvesti sur les aléas et la relation client — les tâches à forte valeur ajoutée
  • Onboarding accéléré d’un nouvel exploitant — l’IA agit comme un compagnon qui pose les bonnes questions