Avec l’augmentation des exigences clients et de la diversité des produits conventionnels, les industriels font face à de nouveaux enjeux de production et de délais. Néanmoins, les méthodes de production ne peuvent plus répondre à ces nouveaux enjeux. Le Demand Driven Material Requirements Planning (ou DDMRP) est une méthode de production pilotée par la demande qui s’inscrit dans une nouvelle aire d’innovation industrielle. Cependant, peu d’attention a été accordée à la paramétrisation du DDMRP. Cette étude vise à apporter des ajustements dynamiques à des seuils et horizons de détection de pics afin d’améliorer la paramétrisation de la méthode. La méthodologie proposée est d’intégrer un algorithme d’apprentissage par renforcement au modèle de simulation d’un atelier hybride piloté en DDMRP soumis à des pics de demande. Nous étudions la performance de l’apprentissage, ainsi que l’évolution des indicateurs industriels de l’atelier. Nous parvenons à montrer qu’il est possible de piloter les paramètres de l’atelier tout en améliorant ses performances en termes de satisfaction client et de niveaux d’inventaire. Les résultats de l’étude démontrent la possibilité de piloter les paramètres d’un DDMRP avec une méthode automatique d'apprentissage par renforcement.