--- title: "Pour prévoir la demande, le ML classique bat encore les LLM" url: "https://hurukan.com/fr/blog/prevision-le-ml-classique-bat-encore-les-llm" description: "Demander à un modèle conversationnel combien commander donne un chiffre éloquent, pas une prévision. Il faut des modèles classiques, une base et un backtest." --- # Pour prévoir la demande, le ML classique bat encore les LLM 30 juin 2026·4 min de lecture·La rédaction Une planificatrice vue de profil dans un bureau lumineux surplombant de hauts rayonnages d’entrepôt, un écran affichant une courbe bleue stylisée entourée d’une bande ombrée, un tableau imprimé et un stylo sur le bureau Un acheteur colle une année de ventes mensuelles d’un produit dans un assistant conversationnel et demande combien d’unités commander pour le trimestre suivant. La réponse est un chiffre unique, assuré, accompagné d’une explication plausible : il y a une certaine saisonnalité, une légère tendance à la hausse, et une marge de sécurité a été ajoutée. L’acheteur passe la commande. Le chiffre est peut-être même proche de la réalité. Là n’est pas le problème. Le problème, c’est que personne ne sait à quel point il risque d’en être proche, car rien en lui n’est mesurable. Aucune trace de ce qu’aurait donné cette méthode l’an dernier, aucune marge d’erreur, et aucune connaissance de la promotion prévue le mois prochain, des trois semaines de rupture de stock de l’article ou du nouveau délai de livraison du fournisseur. Prévoir la demande est un problème statistique portant sur des valeurs dans le temps, à la structure connue : tendance, saisonnalité, promotions, variations de prix, et ruptures de stock qui masquent la demande réelle. Les méthodes classiques ont été conçues pour cette structure. Le lissage exponentiel, les modèles de type ARIMA et les arbres de gradient boosting sur des variables bien choisies coûtent peu à exécuter et, surtout, leur erreur peut être mesurée sur l’historique avant que quiconque ne s’y fie. Un modèle de langage généraliste génère du texte probable. Un chiffre au milieu de ce texte n’a ni marge d’erreur ni backtest. ## Ce qui ne va pas quand on interroge un modèle conversationnel **Pas de backtest.** Vous ne savez pas à quel point la méthode se serait trompée sur les données de l’an dernier : vous ne pouvez donc la comparer à rien, pas même au fait de ne rien faire de sophistiqué. **Les ventes ne sont pas la demande.** Quand le rayon était vide, les ventes étaient nulles, mais pas la demande. Un modèle qui lit l’historique brut des ventes apprend la demande perdue comme une demande faible. Les chaînes de prévision traitent explicitement les ruptures de stock ; un tableau collé dans une conversation, non. **Ce qui tient dans un prompt n’est pas l’historique.** Un assortiment réel compte de nombreux articles répartis sur de nombreux sites, avec une hiérarchie de catégories qui partagent des comportements. Cela ne tient pas dans une conversation : le modèle prévoit donc chaque article isolément, à partir du peu qu’on lui a montré. **Une réponse différente à chaque fois.** Les modèles de langage échantillonnent leur sortie. Posez deux fois la question et vous obtiendrez peut-être deux chiffres, sans aucun moyen fondé de choisir entre eux. **Des explications qui sonnent juste.** Le modèle évoquera la saisonnalité, que les données en présentent ou non, parce que les prévisions évoquent généralement la saisonnalité. L’explication est un style, pas une analyse. **Coût et rapidité à grande échelle.** Faire passer chaque article chaque semaine par un grand modèle coûte bien plus cher qu’un modèle classique qui tourne sans peine sur du matériel ordinaire. ## La place de chaque type de modèle **Les modèles classiques produisent les chiffres.** Commencez par des références naïves : la même période l’an dernier, et la moyenne des périodes récentes. Essayez ensuite le lissage exponentiel et un modèle de gradient boosting intégrant le prix, les promotions, le calendrier et les ruptures de stock. Conservez celui qui bat les références lors d’un backtest, et continuez à le mesurer. **Le modèle de langage collecte et explique.** Il lit l’e-mail du fournisseur annonçant un délai de livraison allongé et le traduit en paramètre. Il transforme le plan promotionnel rédigé par les commerciaux en variables exploitables par la prévision. Il explique une prévision à l’acheteur en termes simples et prépare le bon de commande pour approbation. C’est là que les modèles de langage excellent, comme l’expose [où les modèles de langage sont rentables](https://hurukan.com/fr/blog/ou-les-modeles-de-langage-sont-rentables). **Les modèles de fondation pour séries temporelles forment une catégorie à part.** Les modèles pré-entraînés spécifiquement sur des séries temporelles ne sont pas des assistants conversationnels, et certains méritent d’être testés. Traitez-les comme n’importe quel autre candidat : même référence, même backtest, et ne les gardez que s’ils l’emportent sur vos données. **Une personne décide de la commande.** La prévision, son incertitude et les contraintes (quantité minimale de commande, durée de conservation, budget) deviennent un bon de commande proposé. Une personne responsable l’approuve. C’est autour de cette chaîne que sont conçus les modules de Hurukan. Les stocks, réservations et inventaires de [Stocks et logistique](https://hurukan.com/fr/modules/stocks-et-logistique) fournissent l’historique et les ruptures ; [Achats](https://hurukan.com/fr/modules/achats) transforme une prévision en bon de commande proposé, en attente d’approbation. La couche [Super Intelligence](https://hurukan.com/fr/system/superintelligence) confie chaque tâche au modèle adapté : un modèle de langage pour lire et rédiger, un modèle de prévision pour les chiffres. Le tout est en construction. Un modèle de prévision de ce type est aussi un bon exemple de modèle qui peut tourner sur votre propre matériel, comme l’explique [petits modèles sur votre propre matériel](https://hurukan.com/fr/blog/petits-modeles-sur-votre-propre-materiel). ## Un test à faire dès aujourd’hui Prenez un produit disposant d’au moins deux ans d’historique. Mettez de côté les trois derniers mois et faites comme si vous ne les connaissiez pas. Prévoyez ces trois mois de trois façons, en n’utilisant que les données antérieures à la période mise de côté : 1. Les trois mêmes mois de l’année précédente. 2. La moyenne des trois mois qui précèdent immédiatement la période mise de côté. 3. Votre méthode actuelle, quelle qu’elle soit : outil de planification, tableur ou assistant conversationnel. Comparez chaque prévision à ce qui s’est réellement produit, à l’aide de l’erreur absolue moyenne par mois. Si votre méthode actuelle ne bat pas les deux références naïves, aucun changement de modèle n’aidera tant que vous n’aurez pas compris pourquoi. Quelle que soit la méthode gagnante, vous disposez désormais d’un chiffre indiquant son erreur habituelle, et c’est ce chiffre qui rend une prévision exploitable : il vous dit quel stock de sécurité conserver et jusqu’où faire confiance au prochain chiffre. - prévision de la demande - apprentissage automatique - backtest - achats ## À lire aussi - [Une identité pour les personnes et les agents : qui peut quoi](https://hurukan.com/fr/blog/une-identite-pour-les-personnes-et-les-agents) - [L'état courant et le registre : les deux mémoires d'un système d'exploitation d'entreprise](https://hurukan.com/fr/blog/l-etat-courant-et-le-registre-deux-memoires)