Le projet s’inscrit dans le cadre de la Supply Chain of the Future Chair, un partenariat de long terme entre l’École Nationale des Ponts et Chaussées et cinq grands acteurs industriels (Louis Vuitton, Michelin, Renault Group, Decathlon et Argon & Co). Cette chaire vise à explorer les grandes transformations de la supply chain face aux incertitudes croissantes (crises, tensions géopolitiques, transitions écologique et numérique) et au déploiement accéléré de l’intelligence artificielle dans les opérations.

Dans ce contexte, les entreprises partenaires faisaient face à un problème récurrent : malgré des modèles de prévision de plus en plus performants, leur taux d’adoption par les utilisateurs restait faible. Les prévisionnistes (forecasters) avaient tendance à soit rejeter les recommandations de l’IA, soit les modifier manuellement sans traçabilité, ce qui créait des inefficacités et parfois de coûteuses erreurs. Le cœur du défi n’était donc pas seulement la précision des modèles, mais la confiance, l’explicabilité et la collaboration humain–IA dans la prise de décision. Après une phase d’idéation large (34 prototypes testés), les cinq entreprises ont collectivement choisi de se concentrer sur une seule piste : Crystal Box, avec une question de design reformulée autour de la décision en contexte incertain.

L’équipe a mené un travail de terrain approfondi auprès de prévisionnistes et d’équipes data dans les cinq entreprises partenaires. Cela a inclus plus de 300 tests utilisateurs à travers différents contextes industriels, permettant de cartographier le cycle de travail des professionnels de la supply chain et d’identifier les moments clés où l’IA pouvait réellement apporter de la valeur. Les étudiants ont également réalisé des audits d’interfaces dans les outils de prévision existants (chez Louis Vuitton, Michelin et Decathlon) pour comprendre les habitudes réelles de travail : visualisations graphiques, tableaux de données, filtres par produit/période, et représentation des stocks. Cette immersion a guidé la conception d’une solution qui s’intègre dans les pratiques plutôt que de les bouleverser. Durant la phase d’implémentation, des sessions de tests régulières avec des utilisateurs ont permis d’itérer sur l’interface et de vérifier la faisabilité technique, en collaboration avec des experts en machine learning et des data scientists des entreprises partenaires.