Dans le cadre du transport à la demande (TAD), l'appariement centralisé traditionnel permet d'obtenir des solutions optimales, mais reste NP-difficile et donc inadapté aux problèmes en ligne et dynamiques. Les approches décentralisées permettent d'obtenir des solutions réalisables en temps réel, mais sans garantie de qualité. Ici, nous considérons une version dynamique du TAD, appelée Dial-A-Ride-Problem (DARP) où un réseau inter-véhiculaire est le support aux communications et les décisions sont prises de manière décentralisée par les véhicules. Dans ce cadre multiagent, nous présentons un nouvel algorithme heuristique décentralisé d'insertion fondé sur une approche classique consistant à associer les véhicules aux requêtes les plus proches dans le temps et l'espace, étendue par une phase d'optimisation afin d'améliorer la qualité de la solution. Nous évaluons ses performances sur des données synthétiques et la comparons à une approche gloutonne.