Tous les fournisseurs de freight-tech estampillent désormais "agentic AI" sur leurs présentations, alors à notre bureau de courtage, nous avons commencé à poser une question plus directe lorsqu'un nouveau fournisseur se présente : quelle tâche spécifique l'agent termine-t-il de manière autonome, et que se passe-t-il lorsqu'il se trompe dans cette tâche. C'est le cadre honnête de 2026. L'IA agentique a dépassé le stade de la démonstration pour entrer en production réelle chez une poignée de grands opérateurs, mais l'adoption est plus restreinte et plus désordonnée que ce que le marketing suggère. GetTransport.com se situe du côté du marché du fret de cette technologie, voici donc une analyse opérationnelle de ce que ces agents font réellement, où ils fonctionnent véritablement, et comment un expéditeur ou un courtier devrait les aborder sans succomber au battage médiatique.
Commencez par la définition, car c'est là que réside la majeure partie de la confusion. Un chatbot répond à une question. Un bot de règles suit un script fixe. Un agent est différent : il perçoit l'état d'une expédition, décide de la prochaine action à entreprendre pour atteindre un objectif, exécute cette action dans un système réel, puis vérifie le résultat et ajuste. Le saut qui compte est la partie exécution. Un agent qui lit un e-mail d'appel d'offres, crée la commande dans votre système de gestion du transport, réserve la capacité et planifie le rendez-vous effectue un travail qu'un coordinateur faisait auparavant, et ne se contente pas de rédiger une réponse qu'un humain doit envoyer.
| Type | Ce que ça fait | Exemple de fret |
|---|---|---|
| Chatbot | Répond à une question, puis s'arrête | « Où est mon conteneur ? » renvoie une ligne de statut |
| Règles du bot | Exécute un script fixe et prédéfini | Envoie un modèle par e-mail lorsqu'un jalon est déclenché |
| Agent | Perçoit, décide, agit, puis vérifie le résultat | Lit un appel d'offres, réserve la capacité, planifie le rendez-vous au quai |
Qu'est-ce que les agents font réellement en 2026
L'image la plus claire provient de C.H. Robinson, qui a été inhabituellement précis dans ses chiffres. Selon la salle de presse de l'entreprise et les reportages de FreightWaves, Robinson a opérationnalisé et mis à l'échelle plus de 30 agents au sein de sa plateforme Navisphere. Un orchestrateur qu'elle appelle l'Always-on Logistics Planner les coordonne. Le système est entraîné sur un ensemble de données que l'entreprise estime à plus de 100 billions de points de données. Deux de ces agents méritent d'être nommés car les métriques sont concrètes. Son Agent de Cotation renvoie un prix spécifique au client en environ 32 secondes et a traité plus d'un million de cotations. Son Agent de Commandes lit un appel d'offres par e-mail, l'interprète et crée une commande complète en environ 90 secondes, traitant environ 5 500 commandes de chargement complet par jour.
Le travail d'exception est là où le retour sur investissement est le plus évident. Robinson a rapporté avoir automatisé 95 % des vérifications concernant les collectes de chargement partiel (less-than-truckload) manquées, ce qui permettrait d'économiser plus de 350 heures de travail manuel chaque jour. Dans Forbes, l'analyste Steve Banker a noté que cette couche d'agents est la raison pour laquelle l'entreprise vise des gains de productivité à deux chiffres en 2026, alors que son programme précédent de réduction des gaspillages n'avait permis que des améliorations à un chiffre. C'est ce qui indique si un déploiement est réel : pas le nombre d'agents, mais un flux de travail nommé avec un chiffre avant et après.
Le fret transfrontalier a son propre exemple concret. Nuvocargo a lancé son moteur Nuvo AI en mars 2026 avec plus d'une douzaine d'agents. Selon la société, ils gèrent plus de 70 % des points de contact sur une cargaison US-Mexique. Le travail va de la planification des rendez-vous à la négociation des tarifs des transporteurs, en passant par le traitement des documents et l'audit des factures. Notamment, le PDG Deepak Chhugani l'a présenté comme un outil pour les expéditeurs plutôt que pour les courtiers, déclarant franchement à FreightWaves que « ce n'est pas une offre d'IA pour les courtiers », et l'entreprise a acquis une société d'IA, Mentum, pour accélérer sa feuille de route. Au-delà des grands noms, FreightWaves et d'autres ont également rapporté des déploiements de courtiers de taille moyenne. Ceux-ci automatisent plus de 80 % des e-mails de transporteurs entrants. Ils réduisent également le temps de réponse des devis d'environ 47 minutes à moins de 5, et le retour sur investissement est cité dans la fourchette de 60 à 120 jours.
Les tâches qu'un agent prend en charge tout au long d'une expédition
En examinant ces déploiements, une carte cohérente apparaît. Les agents se concentrent d'abord sur les étapes répétitives, structurées et à volume élevé d'une expédition, plutôt que sur celles qui demandent beaucoup de jugement. En pratique, cela signifie l'établissement de devis et la recherche de tarifs, la lecture des offres et la création de commandes, la planification des rendez-vous avec les installations, la négociation initiale des tarifs avec les transporteurs, l'extraction et la classification des documents, l'audit des factures et des connaissements, et le triage des exceptions lorsqu'une expédition dévie du plan. Ce que les agents ne gèrent pas encore bien, selon notre analyse, c'est le travail relationnel ambigu : une réclamation contentieuse, l'intégration d'un nouvel expéditeur, une pénurie de capacité qui nécessite un appel téléphonique et une faveur. Le schéma est que les agents vident la file d'attente des transactions de routine afin que l'équipe humaine consacre ses heures aux exceptions et aux comptes, ce qui représente une proposition de valeur différente de celle de « remplacer le poste de travail ».
Comment les agents s'intègrent réellement à vos systèmes
Un agent n'est utile que dans la mesure où il peut accéder aux systèmes qui gèrent votre fret, et c'est une partie que les acheteurs sous-estiment. Lire un e-mail est facile. Écrire une réservation confirmée dans une instance SAP TM ou Oracle, en toute sécurité et avec une piste d'audit, c'est la partie difficile, et c'est là que la plupart des pilotes échouent. La couche de connexion ici est de plus en plus le Model Context Protocol, une norme ouverte permettant à un agent IA d'appeler des outils et des données réels. Nous détaillons la mécanique dans notre Guide pour MCP en logistique, et le problème de la réécriture spécifiquement dans notre Ventilation de la réintégration de MCP vers SAP TM, Oracle et NetSuite. En bref, pour un acheteur, la démo d'un agent lisant des données prouve peu de choses. La question qui sépare un déploiement réel d'un diaporama est de savoir si l'agent peut effectuer une action d'écriture contrôlée dans votre système de référence, et ce qui l'empêche d'en effectuer une incorrecte.
La réalité de l'adoption, en chiffres
Les prévisions sont ambitieuses et la base actuelle est petite, tenir compte de ces deux faits simultanément est la manière la plus lucide d'interpréter ce marché. Gartner prévoit que les agents d'IA spécifiques à une tâche seront intégrés dans 40 % des applications d'entreprise d'ici fin 2026, contre moins de 5 % en 2025, et que les logiciels de gestion de la chaîne d'approvisionnement dotés de capacités d'agents passeront de moins de 2 milliards de dollars en 2025 à 53 milliards de dollars de dépenses d'ici 2030. L'entreprise s'attend également à ce que d'ici 2030, la moitié des solutions de chaîne d'approvisionnement interfonctionnelles utilisent des agents pour exécuter des décisions de manière autonome.
Maintenant, l'autre moitié du tableau, celle que les fournisseurs citent moins souvent. L'enquête de Gartner de 2026 auprès des DSI a révélé que seulement 17 % des organisations avaient réellement déployé des agents IA, alors que plus de 60 % d'entre elles ont déclaré avoir l'intention de le faire dans les deux ans. Et dans une prédiction largement citée, Gartner s'attend à ce que plus de 40 % des projets d'IA agentique soient annulés d'ici la fin de 2027, pour des raisons de coût, de valeur incertaine ou de contrôles faibles. Nous interprétons cela non pas comme une raison de rester à l'écart, mais comme un avertissement sur la manière d'aborder le sujet : les projets qui échouent sont ceux qui poursuivent une vision autonome large sans un premier succès étroit et mesurable. C'est la même discipline que nous décrivons pour le cas d'utilisation plus restreint du courtage de devis dans notre Guide des agents de cotation IA pour courtiers en fret.
Comment distinguer un vrai déploiement d'une démo
Parce que chaque fournisseur prétend désormais proposer des agents, la compétence utile en 2026 sera de distinguer un déploiement fonctionnel d'une démonstration répétée. Voici les questions que nous posons à un fournisseur avant de prendre un projet pilote au sérieux :
- Nommez un flux de travail que l'agent termine de bout en bout, et montrez la métrique avant et après, de la manière dont C.H. Robinson cite 32 secondes par devis ou 5 500 commandes par jour. Une liste de capacités sans chiffres est une diapositive, pas un déploiement.
- Montrez l'agent effectuant une action d'écriture dans un véritable système d'enregistrement, pas seulement en lisant des données ou en rédigeant un texte qu'une personne doit encore envoyer.
- Expliquez ce que l'agent fait lorsqu'il n'est pas sûr, et prouvez qu'il existe une transmission définie à un humain au lieu d'une action erronée assurée.
- Exposez clairement les limites : les plafonds en dollars, les types d'actions et les approbations qui encadrent ce qu'il peut faire sans surveillance.
- Donnez-nous une référence client de votre taille et sur vos lignes, car un agent optimisé pour le camionnage d'entreprise pourrait ne pas convenir à un portefeuille transfrontalier de taille moyenne.
Un chemin d'adoption pratique pour les expéditeurs et les courtiers
D'après ce qui fonctionne, le modèle d'entrée est assez cohérent. Les équipes qui tirent parti de la situation ne déploient pas un bureau autonome ; elles automatisent une file d'attente à la fois et maintiennent un humain dans la boucle jusqu'à ce que les chiffres gagnent la confiance. La séquence que nous suivrions ressemblerait à ceci :
- Choisissez un flux de travail structuré à volume élevé avec une base de référence mesurable, tel que le délai de traitement des devis ou la part des appels d'offres saisis manuellement, afin de pouvoir prouver un avant et un après.
- Faire en sorte qu'un humain approuve d'abord les actions de l'agent, puis passer à des vérifications ponctuelles une fois que le taux d'erreur est connu, plutôt que d'accorder une autonomie totale dès le premier jour.
- Confirmez que l'agent peut écrire dans votre système d'enregistrement avec un journal d'audit, et pas seulement en lire, car un agent en lecture seule laisse le travail réel sur votre bureau.
- Définissez des garde-fous stricts sur les actions qu'un agent peut entreprendre sans surveillance, par exemple un plafond en dollars sur le taux qu'il peut accepter, et une règle selon laquelle tout ce qui sort de l'enveloppe est acheminé vers une personne.
- Suivez un chiffre de coût ou de temps dès la première semaine et soyez prêt à abandonner le projet pilote s'il ne progresse pas, car un petit test échoué coûte peu, contrairement à un déploiement généralisé qui échoue.
Les risques à prendre au sérieux
Deux risques méritent plus d'attention qu'ils n'en reçoivent habituellement. Le premier est la gouvernance : un agent capable d'agir peut aussi mal agir à la vitesse de la machine, donc les contrôles sur ce qu'il peut faire sans surveillance sont aussi importants que le modèle qui le sous-tend. Le second est la sécurité. Une fois qu'un agent peut appeler des outils et effectuer des actions d'écriture, la couche d'outils devient une surface d'attaque, y compris les attaques par injection de prompt et par empoisonnement d'outils qui tentent de tromper un agent pour qu'il accomplisse une action nuisible. Nous couvrons cela spécifiquement dans notre guide pour sécuriser un serveur MCP de fret. Les opérateurs qui maîtrisent cela traitent un agent moins comme un chatbot et plus comme un nouvel employé junior avec accès système : utile rapidement, mais délimité, enregistré et supervisé jusqu'à ce qu'il ait mérité plus de liberté.
Foire aux questions
Quelle est la différence entre l'IA agentive et les chatbots que nous utilisons déjà ?
Un chatbot répond à une invite et s'arrête. Un agent poursuit un objectif en plusieurs étapes : il lit l'état d'un envoi, décide d'une action, effectue cette action dans un système réel tel que votre TMS, puis vérifie le résultat et ajuste. La caractéristique déterminante est qu'il agit, et pas seulement qu'il répond. L'agent des commandes de C.H. Robinson, par exemple, ne rédige pas de réponse à un appel d'offres ; il lit l'appel d'offres et construit la commande, environ 5 500 commandes de chargement complet par jour selon l'entreprise.
Quelles tâches de fret les agents traitent-ils réellement en 2026 ?
Principalement les tâches à haut volume, structurées et répétitives : devis, lecture d'appels d'offres et création de commandes, planification de rendez-vous, premières négociations tarifaires, traitement de documents, audit de factures et triage des exceptions. Nuvocargo affirme que ses agents Nuvo AI couvrent plus de 70 % des points de contact sur un chargement États-Unis-Mexique. Le travail nécessitant un jugement important, comme les litiges contestés ou les crises de capacité, reste aux mains des humains.
Est-ce du battage médiatique, étant donné le nombre de projets d'IA qui échouent ?
Les deux affirmations sont vraies. Gartner projette que les capacités "agentic" (autonomes) représenteront 40 % des applications d'entreprise d'ici la fin de 2026 et que les dépenses en logiciels de chaîne d'approvisionnement atteindront 53 milliards de dollars d'ici 2030, tout en s'attendant à ce que plus de 40 % des projets d'IA "agentic" soient annulés d'ici la fin de 2027. De plus, leur enquête de 2026 a révélé que seulement 17 % des organisations avaient déployé des agents jusqu'à présent. La leçon à en tirer est d'aborder le sujet par le biais d'un cas d'utilisation restreint et mesurable plutôt que par une vision autonome générale.
Par où commencer pour un courtier ou un expéditeur de taille moyenne ?
Automatisez un flux de travail structuré à haut volume avec une base de référence claire, gardez un humain approuvant les actions jusqu'à ce que le taux d'erreur soit connu, et confirmez que l'agent peut écrire dans votre système d'enregistrement avec une piste d'audit plutôt que de seulement en lire. Définissez des limites strictes à ce qu'il peut faire de manière autonome, et mesurez un chiffre de temps ou de coût dès la première semaine afin de pouvoir prouver la valeur ou arrêter tôt.