OPTIMISATION MATHÉMATIQUE POUR LA PLANIFICATION DES PORTES
Ils ont passé des semaines à essayer de résoudre le problème avec ChatGPT et des tableurs. La vraie solution était un modèle d'optimisation par contraintes — bâti en 4 jours, économisant 800 000 $ par trimestre.
Un aéroport régional en croissance au Québec gère des vols commerciaux répartis sur 9 portes, chacune nécessitant une équipe au sol dédiée de 6 personnes pour les arrivées, les départs et les rotations.
Planifier ces équipes sur un trimestre complet — plus de 90 jours, plusieurs quarts de travail, des volumes de vols variables — était devenu un véritable casse-tête opérationnel. L''équipe des opérations construisait les horaires manuellement dans Excel, passant 2 à 3 semaines par cycle à jongler avec les réglementations du travail, la disponibilité des équipes, l''attribution des portes et les contraintes budgétaires.
Le résultat était toujours le même : des horaires techniquement valides mais financièrement gonflés. Les coûts de personnel au sol atteignaient 1,7 million de dollars par trimestre — et la direction soupçonnait un gaspillage important ancré dans le processus.
Chaque horaire trimestriel prenait 2 à 3 semaines à construire manuellement dans Excel — un processus fragile et sujet aux erreurs.
Les coûts de personnel au sol dépassaient largement ce que le volume de vols exigeait réellement.
Coordonner la couverture entre les portes, les quarts et les règles du travail créait une complexité de planification exponentielle.
Avant de faire appel à Leap AI, l''équipe des opérations de l''aéroport a passé plusieurs semaines à essayer de résoudre le problème avec ChatGPT et des macros Excel. La logique semblait sensée : décrire les contraintes, demander au modèle de générer un horaire optimisé.
Ça n''a pas fonctionné. Non pas parce que l''équipe manquait d''effort — mais parce que ce n''était pas un problème de langage.
Les grands modèles de langage sont extraordinaires pour comprendre le contexte, générer du texte et raisonner face à l''ambiguïté. Mais la planification des équipes est un problème de satisfaction de contraintes — un défi mathématique avec des limites strictes : lois du travail, périodes de repos minimales, exigences de couverture des portes, plafonds budgétaires et limites de durée des quarts.
Un GGM peut décrire le problème avec éloquence. Il ne peut pas le résoudre de manière optimale. Cela nécessite une catégorie d''outils fondamentalement différente.
L''IA est une boîte à outils, pas un outil unique. Les organisations qui tirent le meilleur parti de l''IA sont celles qui associent la bonne technique au bon problème.
Les modèles de langage pour les problèmes de langage. Les solveurs d''optimisation pour les problèmes d''optimisation. Connaître la différence — et avoir accès aux deux — est l''avantage concurrentiel.
Leap AI a bâti un modèle de programmation linéaire en nombres entiers mixtes (PLNEM) utilisant le solveur CP-SAT de Google OR-Tools — l''un des moteurs d''optimisation par contraintes à code source ouvert les plus puissants disponibles.
Le modèle a été conçu pour minimiser le coût total de personnel tout en respectant chaque contrainte opérationnelle et réglementaire à laquelle l''aéroport fait face. Il ne devine pas. Il n''approxime pas. Il trouve la solution mathématiquement optimale sur l''ensemble de l''horizon de planification.
De la première conversation au modèle fonctionnel : 4 jours.
Le modèle d'optimisation respecte simultanément chaque contrainte du monde réel :
Les horaires de vol, les attributions de portes, les règles d'équipe et les réglementations du travail sont encodés sous forme de contraintes mathématiques.
Un modèle PLNEM structure le problème en variables de décision binaires avec un objectif de minimisation des coûts.
Le solveur CP-SAT de Google OR-Tools explore l'espace de solutions et trouve l'horaire mathématiquement optimal.
L'horaire optimisé est livré dans un format prêt pour les opérations — aucun nouveau système ni formation requis.
L''impact a été immédiat et spectaculaire.
Les coûts trimestriels de personnel au sol sont passés de 1,7 million à 0,9 million de dollars — une réduction de 47 %. Les économies ne provenaient pas de raccourcis, mais de l''élimination des inefficacités que la planification manuelle crée inévitablement : sureffectif durant les périodes de faible volume, répartition sous-optimale des quarts et chevauchements redondants.
Le processus de planification lui-même est passé de 2 à 3 semaines de travail manuel à quelques minutes de calcul. L''équipe des opérations exécute maintenant le modèle, examine les résultats et effectue les ajustements manuels souhaités — un processus qui prend des heures, pas des semaines.
Au cours de la première année seulement, les économies projetées dépassent 3,2 millions de dollars. Par rapport au coût de construction du modèle, cela représente un retour sur investissement supérieur à 20 000 %.
L''impact financier ne raconte qu''une partie de l''histoire.
Avant le modèle d''optimisation, l''équipe des opérations redoutait le cycle de planification trimestriel. C''était un travail fastidieux et à enjeux élevés où une seule erreur pouvait se propager en lacunes de couverture ou en violations de conformité. La charge cognitive était énorme.
Maintenant, l''équipe se concentre sur la surveillance et le peaufinage plutôt que sur la construction. Elle examine une base optimale et l''ajuste en fonction de facteurs humains — préférences de vacances, dynamiques d''équipe, rotations de formation — pour lesquels le modèle laisse intentionnellement de la place.
Le modèle n''a pas remplacé l''équipe des opérations. Il leur a donné une base sur laquelle ils peuvent compter et le temps de se concentrer sur les décisions qui nécessitent véritablement un jugement humain.
Tous les problèmes ne sont pas des problèmes de langage. Toutes les solutions d''IA n''ont pas besoin d''un grand modèle de langage.
Les organisations qui mèneront la prochaine décennie ne sont pas seulement celles qui adoptent l''IA — ce sont celles qui savent quel type d''IA appliquer. Quand le problème est l''ambiguïté et le contexte, optez pour un GGM. Quand le problème est les contraintes et l''optimisation, optez pour un solveur.
Cet aéroport n''avait pas besoin d''un robot conversationnel. Il avait besoin d''un mathématicien. Et la différence entre les deux leur a fait économiser 3,2 millions de dollars la première année.
La vitesse ne vient pas de la précipitation. Elle vient du fait de savoir quel outil prendre en premier.
Tous les problèmes n'ont pas besoin d'un modèle de langage. Réservez un appel pour découvrir quelle approche d'IA convient au vôtre.
Réservez un appel stratégique