Dans la répartition du fret, un paradoxe familier persiste : un plan d’itinéraire établi à 6 a.m. résiste rarement aux réalités du trafic de 9 a.m., à la maladie d’un chauffeur ou à un transporteur qui se déconnecte. HERE Technologies s’attaque à ce défi non pas en construisant un meilleur plan statique, mais en développant un système qui apprend en continu de ce qui se produit une fois que ce plan a quitté le bureau du répartiteur.

Bart Coppelmans, de HERE Technologies, a présenté la feuille de route produit de l’entreprise lors d’un entretien avec FreightWaves à Home Delivery World. La discussion a porté sur les améliorations du moteur de planification de tournées de HERE, sur un nouvel outil de retour d’information des chauffeurs appelé Last Meter Guidance, et sur une couche prototype de raisonnement pour l’optimisation des itinéraires par IA, conçue pour expliquer ses décisions plutôt que de simplement les imposer. Cette orientation reflète un problème opérationnel plus large pour les équipes logistiques : l’optimisation des itinéraires ne crée de valeur que si les répartiteurs et les chauffeurs peuvent s’adapter lorsque les conditions sur le terrain s’écartent du plan.

L’écart entre planification et exécution

La planification de tournées figure parmi les services les plus établis de HERE, avec un historique de développement qui s’étend sur une décennie. Selon Coppelmans, les ajouts récents de fonctionnalités stimulent une adoption accrue sur le marché.

"We started developing this ten years ago, but it's really picking up in the market now as one of the best performing solvers, especially because of what we added last year," Coppelmans said.

La plus importante de ces nouveautés est l’optimisation dépendante de l’heure, qui tient compte de l’incidence des variations de trafic sur la capacité de livraison tout au long de la journée.

"At nine o'clock in the morning you can deliver fewer orders than at one o'clock in the afternoon because of traffic jams," Coppelmans said.

HERE a également introduit des tournées chevauchantes plus adaptées aux chauffeurs, qui réduisent les conflits de territoire susceptibles de les frustrer sur leurs itinéraires. En outre, une fonctionnalité de regroupement des livraisons à pied détecte les situations dans lesquelles un chauffeur devrait se garer une seule fois et effectuer plusieurs livraisons à pied, plutôt que de monter et descendre à répétition de son véhicule.

"From one parking spot you can then deliver by walking to multiple different deliveries in a certain area, which might be more efficient than driving in and out of your vehicle," Coppelmans said.

Last Meter Guidance boucle la boucle

Ces améliorations de planification ne résolvent pas ce que Coppelmans a identifié comme le défi central : le décalage entre ce que le service de répartition planifie le matin et ce à quoi un chauffeur est réellement confronté sur le terrain.

"If you have a perfect plan by six in the morning, by nine it can already be different because of unexpected events — a driver getting sick, a carrier going dark or last-minute order changes," Coppelmans said. "You need to be really dynamic and flexible, taking that into account."

La réponse de HERE est Last Meter Guidance, un service côté client qui fonctionne sur un terminal portable ou une application chauffeur et collecte des données de capteurs et de positionnement sur le terrain. Dans les environnements de livraison denses, l’approche finale d’un arrêt peut être sensiblement différente du simple guidage vers une adresse, en particulier lorsque le stationnement, les entrées de bâtiments et les trajets à pied déterminent la durée réelle d’une livraison.

"We're automatically collecting sensor and probe positioning points, we have our own positioning stack," Coppelmans said. "This service builds on top of that, really making sure we're learning from the field. We're collecting traces data from where the vehicle is parking, the walk path toward the building, flagging the building entrance and the final delivery end-point location."

Ces données circulent dans les deux sens. Les répartiteurs obtiennent des créneaux de livraison plus précis, tandis que les chauffeurs bénéficient d’indications de stationnement et d’accès fondées sur les endroits où les chauffeurs précédents ont effectivement réussi leurs livraisons, plutôt que de s’appuyer uniquement sur l’emplacement où une carte situe l’entrée d’un bâtiment.

"There's no disconnect anymore," Coppelmans said. "Drivers are more comfortable trusting what is being planned and can say, 'Okay, this makes sense.'"

L’optimisation des itinéraires par IA apprend à s’expliquer

Au-dessus de ces deux services se trouve ce que HERE décrit comme une couche cognitive d’optimisation des itinéraires — une capacité agentique prototype que l’entreprise prévoit de faire entrer en bêta fermée plus tard en 2026. Alors que l’API sous-jacente de planification de tournées indique aux répartiteurs les actions à mener, la couche de raisonnement est conçue pour expliquer pourquoi ces décisions ont été prises. Cette distinction est importante dans les opérations de répartition, car une recommandation qui semble inefficace peut être liée à des contraintes que l’utilisateur ne voit pas immédiatement.

"Why are these orders unassigned? Why are these two trucks going down the same street on the same day?" Coppelmans said. "It might be because of actual constraints, driving skills, or certain priorities."

La couche va au-delà de l’explication. Elle est également conçue pour proposer des mesures correctives — le type d’ajustements qu’un répartiteur expérimenté pourrait effectuer intuitivement.

"Maybe loosen certain constraints, move some orders to tomorrow, or add two vehicles into the capacity," Coppelmans said. "That's the domain-specific reasoning layer."

Coppelmans a établi un parallèle avec les évolutions déjà en cours dans la télématique, où les flottes déploient l’IA générative pour comprendre pourquoi un pneu perd de la pression ou pourquoi un actif a disparu. Appliquée aux opérations de répartition, la même méthodologie signifie qu’un responsable n’a plus besoin de déduire seul chaque cause en aval d’un échec de service.

"It gives you proactive responses in terms of what you can do to further improve your plan and make it even better," Coppelmans said.

Ancrer l’IA avant qu’elle n’hallucine

Parallèlement à la couche de raisonnement, HERE a annoncé une couche distincte de raisonnement géographique conçue pour empêcher les grands modèles de langage de fabriquer des informations lorsqu’ils sont interrogés sur la géographie.

Lorsqu’on leur demande de trouver un restaurant à mi-chemin d’un itinéraire de camion, les LLM génériques produisent fréquemment des résultats peu fiables, a noté Coppelmans.

"If you now ask generic LLMs about a certain geo location, you get really random results, totally off, wrong geometry or wrong location," Coppelmans said. "You get a wrong POI that isn't nearby the river but somewhere else. You can get fooled easily, and these LLMs hallucinate based on geo-location queries."

HERE Location Reasoning est conçu pour fournir aux agents IA l’ancrage spatial nécessaire afin de répondre précisément à ce type de questions — qu’il s’agisse de comprendre la position d’un véhicule sur une route, de tracer une limite autour d’un point médian ou de filtrer les points d’intérêt qui se trouvent réellement le long d’un itinéraire donné. Pour les applications de transport, cet ancrage est central, car les erreurs géographiques peuvent affecter le routage, le choix des arrêts et les instructions transmises aux chauffeurs.

"That's the journey we're on, further supporting different agents being built in the market," Coppelmans said. "We're feeding them with a correspondent layer so they can really understand the context of location and ground it."

L’avenir agent à agent

Coppelmans n’imagine pas la couche de raisonnement remplacer le jugement opérationnel propre à une entreprise. Les KPI et les accords de niveau de service de chaque transporteur varient trop largement pour qu’un modèle partagé unique puisse y répondre de façon autonome, a-t-il noté.

"You need to have your own agentic operations agent running, but feeding that with learnings from others is super crucial, otherwise you're siloed," Coppelmans said.

À plus long terme, a-t-il suggéré, la perspective ressemble moins à une entreprise possédant un seul modèle d’IA qu’à un réseau d’agents s’interrogeant mutuellement — l’agent de répartition d’un transporteur consultant un agent de routage, un peu comme une personne demanderait un second avis à un collègue. Pour l’instant, le jalon le plus proche à surveiller est de savoir si la bêta fermée peut démontrer que des recommandations d’itinéraires explicables aident les répartiteurs à gérer les exceptions sans perdre le contrôle des règles opérationnelles.

"You might think more in terms of agent-to-agent communications connecting certain things," Coppelmans said. "It doesn't necessarily have to be fully integrated into your own system, you can call different agents to pull other data sets to verify and qualify. But that's not something we're at yet, it's a little bit further down the road."