OneRail lance OmniSTAR avec Nvidia cuOpt pour des…
La plateforme revendique une optimisation jusqu'à 10 fois plus rapide et cite des déploiements d'entreprise précoces ainsi qu'un objectif de GMV pour le quatrième trimestre 2026 supérieur à 6 milliards de dollars.
OneRail a lancé OmniSTAR, une plateforme d'optimisation de la livraison du dernier kilomètre accélérée par GPU, construite sur cuOpt et cuDF de Nvidia. La société affirme que l'accélération est suffisante pour passer de la planification par lots à l'exécution en direct, commande par commande.
OmniSTAR fait ses débuts en tant que « couche de décision » accélérée par GPU pour la livraison du dernier kilomètre.
OmniSTAR de OneRail est positionné comme un système de décision qui s'inscrit dans l'exécution du dernier kilomètre, la dernière étape d'un hub local au client où les coûts et les échecs de service ont tendance à se concentrer. Le rôle principal du produit n'est pas seulement de tracer un itinéraire. Il s'agit de choisir comment chaque commande doit être exécutée à travers plusieurs modes d'exécution.
Mécaniquement, OmniSTAR évalue des options incluant des flottes possédées, des coursiers, des transporteurs de colis et d'autres modes de livraison, puis sélectionne l'option à coût le plus bas qui respecte encore le niveau de service requis, a déclaré OneRail.
Cette contrainte de « niveau de service » transforme cela en un problème d'optimisation plutôt qu'en un simple minimiseur de coûts, car le mode le moins cher est souvent celui qui manque la fenêtre promise.
Sous le capot, OmniSTAR combine le moteur d'optimisation de décision cuOpt de Nvidia et le logiciel de traitement de données cuDF avec les données de tarification et de performance de livraison de OneRail. Les calculs d'itinéraire et de mode de livraison s'exécutent sur l'infrastructure de calcul accélérée par Nvidia, selon OneRail.
La société a présenté la construction comme une intégration plus profonde qu'un partenariat au niveau du logo, affirmant qu'elle a engagé directement l'équipe d'ingénierie cuOpt de Nvidia et participé au programme Nvidia Inception. Le projet a nécessité trois ans de travail avec Nvidia avant son lancement, a rapporté CNBC.
OneRail a également lié le produit à une pile plus large qui mélange prédiction et optimisation. Elle a déclaré que ses modèles d'apprentissage automatique estiment le temps de service, le risque de retard, la probabilité de succès de la livraison au premier essai et les fourchettes de prix attendues, et que ces prédictions alimentent des systèmes d'optimisation qui décident comment une commande doit être exécutée.
De la planification par lots à l'optimisation en direct : la revendication de vitesse 10x et le cadre de marge.
La revendication qui fait le travail ici est la latence. OneRail a déclaré qu'OmniSTAR peut réduire les temps de calcul jusqu'à 10x, avec des exemples incluant un calcul qui prenait auparavant 20 minutes terminé en moins de deux minutes, et un calcul qui prenait une semaine réduit à environ deux jours.
L'argument de la société est que c'est la différence entre l'optimisation en tant qu'exercice de planification et l'optimisation en tant que boucle de contrôle opérationnelle.
En pratique, la planification par lots a tendance à verrouiller les décisions tôt car le recalcul est trop lent pour être effectué de manière répétée à mesure que les conditions changent. OmniSTAR est présenté comme suffisamment rapide pour fonctionner « au sein des opérations de livraison en direct », où plusieurs options d'exécution peuvent être comparées avant qu'une commande ne soit assignée, a déclaré OneRail.
C'est un modèle d'utilisation différent : au lieu de produire un plan pour la journée, le système continue de résoudre le problème de routage des véhicules (VRP), une classe de problèmes d'optimisation qui recherche des itinéraires efficaces sous des contraintes telles que les fenêtres de temps, la capacité et les coûts.
La propre description de cuOpt par Nvidia est importante car elle définit le compromis. Nvidia décrit cuOpt comme une bibliothèque d'optimisation open-source, accélérée par GPU, pour le routage de véhicules et d'autres problèmes d'optimisation mathématique, et dit qu'elle utilise des heuristiques plutôt que de tester de manière exhaustive chaque itinéraire possible.
Le solveur génère des solutions candidates et les améliore de manière itérative pour produire des résultats de haute qualité dans un temps de calcul défini, a déclaré Nvidia.
Cette approche limitée dans le temps convient aux opérations de dernier kilomètre où la question est souvent « suffisant, maintenant », et non « parfait, plus tard ». Le PDG de OneRail, Bill Catania, a directement formulé la conséquence commerciale lors d'une interview avec CNBC : « Si vous n'avez pas la capacité de prendre des décisions éclair rapides, vous abandonnez votre marge », et a ajouté : « L'exécution du dernier kilomètre est coûteuse. »
OneRail a déclaré qu'OmniSTAR est déjà déployé avec des clients d'entreprise sélectionnés et a cité US Foods comme exemple.
Dans ce déploiement, OneRail a indiqué que le système avait signalé des configurations de livraison qui réduisaient les marges, y compris des produits à faible marge transportés sur de longues distances à l'aide d'équipements coûteux, et que US Foods avait ajusté les prix et restructuré certains modèles de livraison en fonction de ces constatations.
Les chiffres de ROI plus importants sont plus difficiles à justifier uniquement à partir du paquet. OneRail a déclaré à CNBC qu'un grand distributeur de pneus non nommé avait réalisé 40 millions de dollars d'économies sur trois ans en utilisant la plateforme. Le client n'a pas été identifié, et aucune méthodologie ou vérification par un tiers n'a été fournie avec ce chiffre.
OneRail a également déclaré à CNBC qu'il s'attendait à ce qu'OmniSTAR dépasse 6 milliards de dollars en volume brut de marchandises (GMV) au cours du quatrième trimestre 2026. Il s'agit d'un objectif prospectif, et les hypothèses qui le sous-tendent n'ont pas été divulguées dans le matériel fourni.
Signaux à surveiller pour le lancement de OneRail alimenté par Nvidia pour le dernier kilomètre.
Le premier point de confirmation est la nomination des clients et la qualité des études de cas. US Foods est une référence de déploiement concrète, mais la plus grande revendication d'économies dans le paquet est liée à un distributeur de pneus non nommé.
Si OneRail commence à publier des études de cas vérifiables de manière indépendante, la revendication de « jusqu'à 10x » en temps de calcul et le chiffre d'économies de 40 millions de dollars deviennent plus qu'une simple narration commerciale.
Le deuxième est le benchmarking qui sépare la vitesse de la qualité des décisions. La conception de cuOpt est de fournir des solutions de haute qualité dans un budget de calcul fixe, et non une optimalité garantie.
Ce qui est opérationnellement important, c'est de savoir si la latence plus faible d'OmniSTAR se maintient à grande échelle tout en respectant les contraintes de service et en produisant de meilleurs résultats en termes de coûts lors d'événements de ré-optimisation comme le trafic, les blocages routiers, les absences de conducteurs ou de nouvelles commandes de haute priorité, que Nvidia liste comme déclencheurs de ré-optimisation dynamique.
Le troisième est de savoir si OneRail peut justifier son ambition de volume. L'attente déclarée de l'entreprise de dépasser 6 milliards de dollars en GMV au quatrième trimestre 2026 est une étape claire, mais elle a besoin de divulgations intermédiaires ou de volumes rapportés par des tiers pour être négociable en tant que signal d'adoption plutôt qu'une projection.
Le quatrième est l'expansion de la distribution qui augmente le réseau de livraison accessible. En mars 2026, FedEx a lancé FedEx SameDay Local en collaboration avec OneRail, connectant les clients à un réseau national de plus de 1 000 fournisseurs de livraison. D'autres partenariats de ce type élargiraient l'ensemble des modes d'exécution qu'OmniSTAR peut raisonnablement comparer pour une commande donnée.
Mon avis : C'est un signal d'adoption de l'IA d'entreprise, pas un catalyseur crypto—pour l'instant.
Le mécanisme qui décide si OmniSTAR est pertinent n'est pas « l'IA dans la logistique ». C'est de savoir si l'optimisation accélérée par GPU passe réellement des exécutions de planification périodiques à l'attribution d'ordres en direct, car c'est à ce moment-là que la sélection du mode devient un levier de marge au lieu d'un outil de reporting.
Si l'exemple de 20 minutes à moins de deux minutes se maintient en production, l'argument de OneRail selon lequel vous pouvez comparer les flottes, les coursiers et les options de colis par commande commence à sembler opérationnellement plausible.
Le hic, c'est que les plus grands chiffres du paquet sont fournis par l'entreprise et légèrement spécifiés. Le seuil qui compte est une preuve vérifiable de manière indépendante que l'accélération et les économies persistent à l'échelle de l'entreprise, plus des progrès crédibles du GMV vers l'objectif du T4 2026, car c'est ce qui transformerait cela d'une histoire de fournisseur en un signal d'adoption durable.
