L'intégration de l'intelligence artificielle dans la résolution de problèmes réels d'optimisation mathématique se heurte souvent à un obstacle majeur : les modèles fonctionnent parfaitement sur des exemples théoriques mais échouent dès l'application de données et de contraintes réelles. Cette lacune n'est pas fortuite mais structurelle, motivant la création d'ORPilot, un agent autonome conçu spécifiquement pour l'environnement industriel. L'optimisation mathématique, ou recherche opérationnelle, soutient depuis des décennies des décisions critiques comme la logistique ou la production. Bien que les algorithmes de résolution soient matures, la conversion manuelle des problèmes métier en modèles mathématiques reste un goulot d'étranglement. Les grands modèles de langage (LLM) semblaient une solution idéale, capables de générer du code pour des problèmes linéaires bien définis. Cependant, ces outils échouent face à la réalité des entreprises où les descriptions sont imprécises, les volumes de données dépassent la capacité des invites contextuelles, et les données brutes doivent être transformées avant d'être utilisables par le modèle. ORPilot se distingue par une approche méthodique qui imite le travail d'un consultant expert en recherche opérationnelle. Au lieu de générer du code immédiatement, l'agent suit un pipeline séquentiel en cinq étapes rigoureuses. La première phase consiste en un agent d'interview qui interroge l'utilisateur pour combler les ambiguïtés et définir clairement les objectifs, les variables de décision et les contraintes. Cette étape garantit qu'aucun modèle n'est construit sur une compréhension erronée du problème. La deuxième étape, inédite dans l'état de l'art, est l'agent de collecte de données. Reconnaissant que les fichiers réels sont trop vastes pour être intégrés dans une prompt, ORPilot traite les données comme des fichiers externes, spécifiant les formats requis et validant leur complétude. Si certaines données dérivées, comme une matrice de distances issue de coordonnées GPS, manquent, l'agent identifie ce besoin pour les étapes suivantes. L'étape trois, l'agent de calcul des paramètres, automatise la transformation des données brutes en paramètres exploitables par le modèle. Il génère et exécute des scripts Python pour calculer des valeurs complexes, telles que les constantes BigM nécessaires à la formulation de contraintes, réduisant ainsi les risques d'erreur humaine. Une fois le modèle parfaitement spécifié et les données préparées, l'agent de génération de code produit un script compatible avec divers solveurs (Gurobi, CPLEX, PuLP, etc.). Un environnement de test sandboxé permet de détecter et de corriger automatiquement les erreurs syntaxiques ou logiques par itération. Enfin, l'agent de rapport traduit les résultats numériques en recommandations compréhensibles pour les décideurs métiers, comme l'identification des sites à ouvrir ou des itinéraires à privilégier. Cette séquençage rigoureux élimine les erreurs en cascade souvent observées avec les outils actuels. Lors de tests sur un problème de conception de réseau d'approvisionnement complexe impliquant 50 sites de production, 500 clients et 500 produits sur 12 périodes, ORPilot a géré avec succès plus de 9,7 millions de variables de décision. Disponible en open source, l'outil offre une flexibilité quant aux fournisseurs de modèles de langage et aux solveurs utilisés, tout en assurant la reproductibilité des résultats. Ce système représente une avancée significative pour rendre l'optimisation mathématique accessible et fiable aux entreprises confrontées à des problèmes de grande envergure.