TMS et intelligence artificielle : sécuriser le maillon sensible de la logistique

Un système de gestion du transport n’est plus un simple outil chargé d’éditer des plans de livraison. Dans une entreprise connectée, il fait circuler des commandes, des coordonnées, des tarifs, des informations sur les chauffeurs, des données de suivi et des instructions à destination de partenaires multiples. Cette position centrale explique l’intérêt grandissant pour des TMS, ou Transport Management Systems, capables d’exploiter l’intelligence artificielle tout en résistant mieux aux incidents de cybersécurité.

L’enjeu est double. La logistique attend de ces logiciels qu’ils choisissent les itinéraires les plus pertinents, facilitent les arbitrages et maintiennent l’activité lors d’un imprévu. Mais chaque connexion supplémentaire, avec un transporteur, un entrepôt, un prestataire informatique ou un appareil mobile, peut aussi créer un point d’entrée à surveiller. Moderniser un TMS ne consiste donc pas seulement à y ajouter de l’IA. Il s’agit de revoir la façon dont les données, les accès et les décisions automatisées sont gouvernés.

Le TMS, un poste de pilotage exposé

Un TMS aide une organisation à planifier, exécuter et suivre ses opérations de transport. Selon le périmètre retenu, il peut assister la sélection d’un transporteur, la consolidation de chargements, le calcul de coûts, la préparation documentaire ou le suivi d’une expédition. Son efficacité dépend largement de sa capacité à communiquer avec d’autres outils : logiciel de gestion d’entreprise, système d’entrepôt, portail de fournisseurs, applications des transporteurs ou dispositifs de géolocalisation.

Cette interconnexion est utile, mais elle concentre les risques. Si un compte est compromis, si une interface d’échange est mal protégée ou si une donnée de référence est altérée, les conséquences peuvent dépasser le seul système informatique. Une adresse de livraison modifiée, une instruction frauduleuse ou une indisponibilité du service peut perturber des flux physiques, retarder des expéditions et mobiliser les équipes dans l’urgence.

Ce que l’intelligence artificielle peut réellement apporter

L’intelligence artificielle peut intervenir à plusieurs étapes de la gestion du transport. Les méthodes d’optimisation utilisent de nombreux paramètres, tels que les capacités disponibles, les contraintes de temps, les distances, les coûts ou les conditions de livraison, pour proposer des scénarios. Des fonctions prédictives peuvent aussi estimer un retard potentiel ou anticiper un déséquilibre entre l’offre de transport et les besoins.

Dans ce cadre, l’IA peut réduire le temps nécessaire à l’analyse de situations complexes. Plutôt que de parcourir manuellement une longue liste d’expéditions, un responsable peut recevoir des alertes sur les trajets qui sortent de l’ordinaire, sur des coûts inhabituels ou sur un risque de non-respect d’un engagement logistique. En cas de perturbation, le système peut également aider à recalculer des options et à identifier les livraisons prioritaires.

Les mêmes mécanismes sont intéressants pour la cybersécurité. Un outil de détection peut apprendre ce qui ressemble à une activité habituelle : horaires de connexion, volume d’échanges, pays d’origine d’un accès, rôle de l’utilisateur, fréquence de modification d’une donnée. Lorsqu’un comportement s’écarte fortement de ce profil, il peut générer une alerte destinée aux équipes compétentes.

Il faut cependant distinguer clairement deux promesses. Optimiser un transport n’équivaut pas à sécuriser un système. Une IA qui trouve un itinéraire efficace ne détectera pas nécessairement une tentative d’intrusion. À l’inverse, un outil qui repère une connexion inhabituelle ne protège pas à lui seul contre une erreur de configuration, une faille logicielle ou un mot de passe compromis. Ces capacités sont complémentaires, non substituables.

Détection des anomalies : utile, mais pas magique

La détection d’anomalies est souvent présentée comme l’un des apports les plus concrets de l’IA à la sécurité. Dans un environnement logistique, elle peut servir à relever une consultation massive de données, une modification inhabituelle de coordonnées, une tentative de connexion depuis un contexte inattendu ou un échange de fichiers qui s’écarte du fonctionnement ordinaire.

Cette approche a une limite importante : une anomalie n’est pas toujours une attaque. Un pic d’activité peut provenir d’une période commerciale intense, d’une migration informatique, d’un changement de prestataire ou d’une situation exceptionnelle. À l’inverse, une action malveillante discrète peut imiter un comportement légitime. Un modèle efficace doit donc être alimenté par des données fiables, régulièrement réévalué et intégré à une procédure claire de vérification.

La qualité des données est ici déterminante. Des horaires incohérents, des comptes génériques, des libellés variables ou des historiques incomplets compliquent autant l’optimisation logistique que la détection de fraude. Avant d’entraîner un modèle ou de déployer un assistant, l’entreprise a intérêt à définir qui est responsable de chaque jeu de données, quelles informations sont sensibles et combien de temps elles doivent être conservées.

La sécurité se construit avant le déploiement de l’IA

Une transformation solide commence par un état des lieux. Quelles applications composent le TMS ? Quelles interfaces sont ouvertes vers les transporteurs et fournisseurs ? Quelles catégories de données sont traitées ? Quels utilisateurs, salariés ou prestataires, disposent d’un accès ? Ces questions paraissent élémentaires, mais elles conditionnent la capacité à réagir lorsque survient un incident.

Plusieurs principes de cybersécurité sont particulièrement pertinents pour un système logistique connecté :

• appliquer le principe du moindre privilège, afin que chaque personne et chaque application ne disposent que des droits nécessaires ;
• utiliser une authentification forte pour les accès sensibles, notamment les comptes d’administration et les accès distants ;
• séparer autant que possible les environnements et limiter les déplacements non nécessaires entre les systèmes ;
• conserver des journaux d’activité exploitables, afin de comprendre ce qui s’est produit et de repérer plus vite les écarts ;
• prévoir des sauvegardes et des procédures de reprise, puis les tester dans des conditions réalistes ;
• évaluer la sécurité des fournisseurs et des connecteurs externes avant, pendant et après leur intégration.

Ces mesures ne sont pas contradictoires avec l’automatisation. Elles en sont la condition. Un algorithme branché sur des données inexactes ou sur une interface insuffisamment protégée risque d’amplifier une erreur à grande échelle. À l’inverse, une architecture maîtrisée donne aux équipes la confiance nécessaire pour automatiser progressivement certaines tâches répétitives.

Une responsabilité partagée dans la chaîne d’approvisionnement

La cybersécurité d’un TMS ne se limite pas à l’entreprise qui l’utilise. Les opérations de transport impliquent souvent des éditeurs de logiciels, des intégrateurs, des transporteurs, des sous-traitants, des clients et des prestataires de maintenance. Une chaîne logistique numérique est donc aussi une chaîne de responsabilités.

La collaboration peut prendre des formes très concrètes : définition de formats d’échange sécurisés, gestion commune des incidents, clarification des contacts d’urgence ou partage d’indicateurs techniques lorsque cela est nécessaire et légalement encadré. Dans les écosystèmes les plus matures, les partenaires ne se contentent pas de signer une clause de sécurité. Ils vérifient la manière dont les accès sont attribués, retirés et surveillés au fil de la relation commerciale.

Cette coopération doit toutefois respecter la confidentialité des données et le rôle de chacun. Partager une alerte ne signifie pas partager l’ensemble des données commerciales ou personnelles. Le bon niveau d’échange consiste à transmettre l’information utile à la sécurité et à la continuité d’activité, sans élargir inutilement la circulation de données sensibles.

Quelles règles encadrent les données et les outils d’IA ?

Au 6 mai 2025, les organisations européennes évoluent dans un environnement réglementaire qui impose de traiter la sécurité comme une composante de la gouvernance, et non comme une simple fonction technique. Lorsqu’un TMS traite des informations relatives à des chauffeurs, des contacts clients ou des utilisateurs, le Règlement général sur la protection des données, le RGPD, peut s’appliquer. Il implique notamment de protéger les données personnelles, de limiter leur collecte à ce qui est nécessaire et d’organiser la gestion d’éventuelles violations de données.

La directive NIS2 renforce par ailleurs le cadre européen de cybersécurité pour des entités relevant de secteurs déterminés. Son application concrète dépend du secteur concerné, de la taille de l’organisation et de la transposition nationale. Pour les acteurs de la chaîne d’approvisionnement, son message est néanmoins clair : la gestion des risques cyber, les mesures de continuité et la sécurité des fournisseurs prennent une importance croissante.

L’AI Act européen, entré en vigueur le 1er août 2024, se déploie progressivement. Un outil d’optimisation du transport n’est pas automatiquement classé comme système d’IA à haut risque. Tout dépend de son usage réel et de ses effets sur les personnes. Une entreprise doit donc documenter ce que fait son système, vérifier les données qu’il emploie et éviter de lui déléguer sans contrôle des décisions ayant des conséquences importantes.

Mesurer les gains sans oublier les signaux d’alerte

Un projet de TMS augmenté par l’IA doit être évalué sur deux plans : son intérêt opérationnel et son niveau de maîtrise du risque. Il est utile de suivre le temps consacré à la planification, la stabilité des délais, le nombre de propositions effectivement retenues par les équipes ou la qualité des prévisions. Ces indicateurs permettent de distinguer une démonstration technologique d’un outil qui améliore réellement le travail quotidien.

Côté cybersécurité, l’organisation peut observer le délai de détection d’un comportement suspect, le délai de traitement d’une alerte, le nombre de comptes à privilèges, le pourcentage d’interfaces inventoriées ou la réussite des tests de restauration. Aucun indicateur isolé ne suffit. Un faible volume d’alertes peut signaler un environnement très sûr, mais aussi un dispositif de détection mal réglé.

L’essentiel est d’associer les équipes logistiques, informatiques, sécurité, conformité et métiers dès la définition des objectifs. Elles n’emploient pas toujours les mêmes mots ni les mêmes mesures de succès. Pourtant, une livraison empêchée par une attaque est à la fois un problème de production, de relation client, de sécurité et parfois de protection des données.

Ce qu’il faut surveiller

La prochaine étape ne sera pas simplement l’ajout de fonctions d’IA générative dans les interfaces logistiques. Les entreprises devront vérifier ce que ces assistants peuvent consulter, ce qu’ils peuvent modifier et la façon dont leurs réponses sont contrôlées. Un assistant qui résume des incidents ou aide à interroger des données peut faire gagner du temps. Il devient problématique s’il expose des informations confidentielles, s’il invente une explication ou s’il exécute une action sans validation adaptée.

Les projets les plus robustes avanceront par cas d’usage ciblés : mieux prioriser les alertes, anticiper une perturbation, assister la planification ou détecter une incohérence. Chaque déploiement devra être accompagné de garde-fous mesurables, d’une formation des utilisateurs et d’un plan permettant de poursuivre l’activité si l’outil automatisé est indisponible.

Dans la logistique comme dans la cybersécurité, la résilience ne se résume pas à un logiciel. Elle dépend de systèmes conçus pour échanger sans s’exposer inutilement, de données fiables et d’équipes capables de reprendre la main. L’intelligence artificielle peut renforcer cette capacité, à condition d’être intégrée à une stratégie de sécurité cohérente dès l’origine.