:quality(85))
Depuis le lancement de ChatGPT par OpenAI en novembre 2022, une grande partie du monde a été tour à tour fascinée, inquiète et stupéfaite par les avancées technologiques et le potentiel apparemment illimité de l'intelligence artificielle. Au cours des 18 mois qui ont suivi, les entreprises se sont précipitées pour intégrer des plateformes et modèles d’IA dans leurs produits, processus internes et stratégies d'entreprise globales. Par conséquent, une tendance jusque-là en croissance régulière s’est rapidement transformée en une ruée d’investissements.
Selon le Wall Street Journal, les entreprises devraient dépenser près de 39 milliards de dollars cette année dans l’IA générative, soit exactement le double de 2023. Les projections publiées l’an dernier par Goldman Sachs annoncent une hausse encore plus marquée des investissements en IA. Les économistes de la société estiment que les investissements en IA des organisations pourraient atteindre 100 milliards de dollars aux États-Unis d’ici 2025 (la note de recherche ne faisait pas de distinction entre l’IA générative – incarnée par ChatGPT – et les autres technologies d’intelligence artificielle).
Pendant que les plus grandes entreprises mondiales restent encore émerveillées dans cette phase de lune de miel avec cette technologie révolutionnaire, certaines données fiables permettent déjà de dresser un premier bilan des cas d’usage de l’IA dans divers secteurs. Une étude réalisée par McKinsey & Company en décembre 2022 étudiait près de 1 500 entreprises dans le monde afin de mesurer l’implémentation de l’IA au sein des sociétés et la valeur ajoutée apportée par celle-ci. Le cabinet a constaté que, de manière générale, les entreprises bénéficiaient d'augmentations modestes de chiffre d’affaires et de réductions de coûts dans plusieurs fonctions, dont la production, les ventes et le marketing, et le développement de produits. Un des domaines qui semble tirer le plus grand profit de l’intégration de l’IA est cependant la gestion de la chaîne d’approvisionnement. Cinquante-deux pour cent des répondants ont indiqué que l’implémentation de l’IA entraînait une baisse des coûts dans leurs processus de gestion de la chaîne d’approvisionnement. Près de 60 % déclaraient également une augmentation du chiffre d’affaires.
Pendant que les plus grandes entreprises mondiales restent encore émerveillées dans cette phase de lune de miel avec cette technologie révolutionnaire, certaines données fiables permettent déjà de dresser un premier bilan des cas d’usage de l’IA dans divers secteurs.
À bien des égards, il n’est guère étonnant que l’IA et sa forme la plus récente et la plus captivante, l’IA générative, s’avèrent bénéfiques pour la gestion de la chaîne d’approvisionnement. Cette discipline opérationnelle repose sur la capacité à analyser efficacement d’immenses volumes de données, à utiliser des analyses avancées pour orienter les stratégies et la prise de décision, ainsi qu’à détecter et évaluer les risques hypothétiques — autant de fonctions qui peuvent être significativement renforcées par les capacités uniques de l’IA.
Cependant, pour un domaine aussi pragmatique que la gestion de la chaîne d’approvisionnement — et, dans une certaine mesure équivalente, la gestion des risques de la chaîne d’approvisionnement (SCRM : Supply Chain Risk Management) associée — il ne suffit pas de s’émerveiller devant les possibilités offertes par ces plateformes de pointe au quotidien. Il est bien plus pertinent de s’interroger sur les véritables cas d’usage de l’intelligence artificielle et de se demander s’ils ne sont pas contrebalancés par les risques liés à l’adoption d’une technologie émergente, coûteuse et potentiellement perturbatrice.
Cas d’usage de l’IA dans la gestion de la chaîne d’approvisionnement
L’intelligence artificielle n’est plus une hypothèse dans l’univers de la gestion de la chaîne d’approvisionnement et du SCRM. Il s’agit d’un outil puissant et polyvalent, dès à présent disponible pour les professionnels de la chaîne d’approvisionnement. De plus, elle est déjà utilisée de diverses manières pour apporter une valeur tangible aux fabricants américains et à d’autres organisations.
- Analyses prédictives pour les équipements de fabrication
- Prévision de la demande
- Cartographie de la chaîne d’approvisionnement
- Évaluation des risques et matrices de risques
- Fournisseurs alternatifs
Analyses prédictives pour les équipements de fabrication
Contrairement à l’extrême complexité des informations qui l’alimentent, le concept d’analyse prédictive est d’une limpidité remarquable. La Harvard Business School la définit comme « l’utilisation de données pour prédire les tendances et événements futurs ». De telles prédictions, poursuit la définition, « peuvent porter sur un avenir proche — par exemple, anticiper une défaillance d’une machine dans la journée — ou sur un avenir plus lointain, comme la prévision de la trésorerie de votre entreprise pour l’année à venir ».
Dans le contexte de la gestion de la chaîne d’approvisionnement, c’est la première situation qui retient le plus l’attention. Cette facette de l’analyse prédictive est parfois appelée « maintenance prédictive ». Avec la maintenance prédictive, l’IA et l’apprentissage automatique collectent d’importants volumes de données issues de capteurs placés sur des équipements ou des infrastructures spécifiques. Ces données, couvrant des paramètres tels que la température, la vibration, la pression, l’humidité et la vitesse, permettent au modèle d’IA d’apprendre le fonctionnement normal des équipements. Une fois l’ensemble de ces données analysées, l’IA est capable de détecter immédiatement des écarts par rapport à ces conditions optimales — elle peut ainsi identifier dès les premiers signes les prémices d’une panne majeure, d’une casse ou d’une défaillance d’équipement.
La capacité de détecter une défaillance avant qu’elle ne se matérialise — permettant ainsi de non seulement limiter une perturbation, mais parfois même de l’éviter totalement — profite à l’ensemble des parties prenantes de la chaîne d’approvisionnement électronique. Les sous-traitants en électronique (ECM : Electronics Contract Manufacturers) et d’autres fournisseurs peuvent éviter les pannes, réduire les arrêts de machines et maximiser la productivité dans les usines et autres sites de production. Les acteurs situés plus en aval, dont les fabricants d’équipements d’origine (OEM : Original Equipment Manufacturers) et autres entreprises, bénéficient d’un nombre réduit de retards et de ralentissements dans la production, ce qui leur permet d’atteindre plus facilement leurs objectifs. Et, en cas de défaillance grave impossible à éviter, la maintenance prédictive via l’IA peut au moins alerter les parties prenantes d’une perturbation imminente, leur offrant la possibilité d’engager des plans de contingence et de réagir avec rigueur et efficacité.
Prévision de la demande
La prévision de la demande est pratiquée par les entreprises bien avant que le terme ne soit inventé et popularisé au cours des dernières décennies. Les fabricants sont, de tout temps, soumis à la spontanéité et au caractère imprévisible du marché. (Lors de la « Tulipomanie » aux Pays-Bas au XVIIe siècle, la demande s’est emballée à un point tel que l’on pouvait vendre un seul bulbe de tulipe pour l’équivalent de 750 000 $ actuels.) Leur réponse historique fut de tenter de dégager des prévisions à partir de multiples données quantitatives, notamment les tendances de ventes, les ajustements saisonniers et les schémas historiques. Les résultats furent plus ou moins probants, principalement parce que l’humain ne peut traiter qu’une quantité limitée d’informations. À cela s’ajoute le fait que les conclusions tirées de ces jeux de données incomplets sont souvent imparfaites, ou encore biaisées par les attentes internes, la subjectivité ou même l’influence inconsciente d’affects.
Les nouveaux modèles d’IA aujourd’hui disponibles n’apportent pas cette faille humaine dans la prévision de la demande. Plus encore, ces plateformes peuvent analyser bien plus de données que leurs homologues humains. Leurs évaluations dépassent le simple historique des ventes pour prendre en compte des paramètres indirects et plus fins, notamment les tendances des concurrents du marché, les indicateurs macroéconomiques, voire les évolutions du comportement des consommateurs annonciatrices de bouleversements significatifs de la demande. Certains modèles d’IA sont même capables de détecter les premiers signes d’achats de panique, ce qui permet aux entreprises d’adapter leur stratégie de manière avisée sans confondre une hausse éphémère avec une mutation structurelle de la demande.
Grâce aux capacités offertes par les outils d’IA, les fabricants et entreprises peuvent augmenter significativement leur capacité à anticiper la demande du marché pour leurs produits. Ils sont ainsi bien moins exposés au coût d’opportunité majeur des pénuries d’approvisionnement, ou aux besoins d’écoulement dans l’urgence d’un surplus.
Grâce aux capacités offertes par les outils d’IA, les fabricants et entreprises peuvent augmenter significativement leur capacité à anticiper la demande du marché pour leurs produits.
Cartographie de la chaîne d’approvisionnement
Comprendre l’étendue et la profondeur réelles de leur chaîne d’approvisionnement compte parmi les plus grands défis des professionnels des achats stratégiques et de l’approvisionnement. Une étude réalisée en 2021 par McKinsey illustre bien la grande difficulté de la cartographie détaillée de la chaîne d’approvisionnement et la manière dont la visibilité diminue rapidement à mesure que les entreprises explorent les niveaux successifs de leur réseau de fournisseurs. Alors qu’environ la moitié des dirigeants interrogés déclaraient disposer d’une bonne visibilité sur leurs fournisseurs de rang 1, cette proportion chutait à moins d’un cinquième pour les fabricants de rang 2. Au-delà du rang 2, la visibilité était quasi inexistante : seuls 2 % des répondants déclaraient savoir qui étaient leurs fournisseurs de rang 3.
La capacité à réaliser une cartographie approfondie et exhaustive de la chaîne d’approvisionnement présente de nombreux avantages opérationnels. Les entreprises capables d’atteindre leurs sous-traitants de rang 2 et 3 sont en mesure de conduire des évaluations de risques plus complètes ; d’identifier matériaux, pays d’origine et autres données pertinentes pour la conformité réglementaire ; et de diagnostiquer précisément l’origine des retards et pénuries — chose normalement impossible avec une visibilité plus limitée. Cette dernière dimension est décisive, car localiser précisément la cause d’une perturbation dans la chaîne d’approvisionnement permet aux fabricants d’ajuster leur stratégie et de résoudre les problèmes de manière beaucoup plus efficace. Si vous savez qu’un fabricant de rang 3 est la cause d’une pénurie affectant votre fournisseur direct de rang 1, vous pouvez travailler avec ce fournisseur pour élaborer des solutions ciblées.
Le véritable obstacle à la cartographie de la chaîne d’approvisionnement n’est toutefois pas la remise en cause de sa valeur, mais la difficulté logistique liée à la construction de ces visualisations fondées sur la donnée. C’est précisément là que l’IA peut faire la démonstration de sa réelle valeur ajoutée. Ces outils sont capables d’explorer le web pour trouver les données rares ou éloignées relatives à des transactions entre fabricants, et ainsi reconstituer la structure de vos niveaux de fournisseurs. Les plateformes d’IA peuvent extraire des commandes, des reçus, des déclarations en douane, des réservations de transport et autres documents, permettant d’établir une chaîne de traçabilité pour vos produits, composants et matières premières. En s’appuyant sur ces informations, les entreprises peuvent bâtir une cartographie plus complète et robuste, renforçant ainsi leur gestion des risques dans la chaîne d’approvisionnement (SCRM).
Les plateformes d’IA peuvent extraire des commandes, des reçus, des déclarations en douane, des réservations de transport et autres documents, permettant d’établir une chaîne de traçabilité pour vos produits, composants et matières premières.
Évaluation des risques et matrices de risques
Une matrice de risques est un outil visuel qui aide les organisations à évaluer les différents risques pour leur activité et leurs opérations. La matrice croise généralement deux facteurs essentiels : la probabilité de survenance d’un risque et la gravité de celui-ci en cas de réalisation. Ces facteurs sont ensuite placés sur les axes X et Y pour permettre aux experts en gestion des risques de visualiser et de prioriser chaque menace. (Une cyberattaque, par exemple, pourra être évaluée comme peu probable pour une entreprise disposant de mesures robustes, mais à gravité élevée.)
S’il s’agit d’une stratégie clé pour les équipes SCRM, la détermination du niveau de gravité et de probabilité repose néanmoins en partie sur des hypothèses, notamment pour des risques tels que l’arrêt d’une usine, des phénomènes climatiques extrêmes ou la faillite d’un fournisseur. C’est précisément cette tâche que l’IA peut remplir avec efficacité. Plutôt que de s’appuyer sur l’expérience, l’intuition ou un éventail limité de données, la technologie IA traite un important volume d’informations afin de produire des évaluations objectives et précises du risque pertinent pour votre entreprise et votre secteur. En ciblant de façon plus fine les menaces via la matrice de risques, les organisations peuvent mieux allouer leurs ressources.
Identification de fournisseurs alternatifs
La recherche de fournisseurs alternatifs — aussi appelée « multisourcing » — est une autre fonction relativement simple que l’IA permet de rendre plus rigoureuse et exhaustive. De nombreuses entreprises proposent désormais des modèles d’IA capables de générer, sur la base de paramètres et critères précis, des listes de fournisseurs potentiels. Ces modèles ne se contentent pas de recenser des fabricants répondant aux exigences, mais analysent d’autres facteurs déterminants comme la santé financière, la performance ESG (environnement, social, gouvernance), ou la satisfaction client pour offrir une sélection de candidats réellement « validés ».
Parce que l’IA permet d’élargir le champ de recherche en un temps record, elle révèle aussi des entreprises qui, via une recherche conventionnelle et manuelle, auraient pu rester inaccessibles. Cela inclut les PME, les fournisseurs diversifiés et d’autres acteurs souvent négligés.
Si cette fonction n’est pas nécessairement révolutionnaire pour les équipes de gestion de la chaîne d’approvisionnement, elle offre néanmoins aux organisations les moyens d’augmenter leur résilience SCRM. Dans un article publié dans la Harvard Business Review, un responsable SCM de Siemens souligne comment une application d’IA aide son entreprise à centraliser les informations sur les fournisseurs alternatifs, essentielles pour anticiper les perturbations futures : « La technologie ne vous apporte pas une visibilité permettant d’empêcher fermement les perturbations en amont, » confie-t-il au HBR, « mais elle peut fournir des informations qui vous permettront de réagir beaucoup plus vite que des acheteurs humains ».
Les risques potentiels de l’IA pour la gestion de la chaîne d’approvisionnement
Les cas d’usage présentés ci-dessus, ainsi que les investissements colossaux du secteur, témoignent des promesses considérables des outils et modèles d’intelligence artificielle dans la gestion de la chaîne d’approvisionnement. Mais une telle technologie de rupture n’est pas exempte de risques. Les fabricants souhaitant adopter l’IA doivent avoir pleinement conscience des difficultés inhérentes au domaine.
- Coûts d’investissement élevés
- Scepticisme des équipes
- Données non fiables ou non validées
La plupart des plateformes actuellement proposées, qu’elles émanent de grands acteurs technologiques ou de start-ups de niche, s’accompagnent de coûts initiaux importants. De nombreuses solutions IA sur mesure, par exemple, dépassent largement la barre des six chiffres. Les organisations doivent donc être prudentes et méthodiques, recourant à des outils comme l’analyse coûts-bénéfices ou l’étude du retour sur investissement (ROI : Return on Investment) pour évaluer l’intérêt net de telles acquisitions.
Par ailleurs, ces plateformes exigent l’adhésion large et justifiée des collaborateurs, et il est impératif que les dirigeants évitent des décisions unilatérales quant à leur adoption. En l’absence d’une communication suffisante sur les contextes, les cas d’usage et les modalités d’utilisation de ces outils, les entreprises risquent de démotiver leur personnel, d’altérer le moral des équipes et même d’accélérer les départs.
Enfin, les entreprises qui se fient trop rapidement aux analyses prédictives fournies par les solutions IA risquent de surestimer la fiabilité de ces outils. Comme quiconque ayant observé les approximations et inexactitudes générées par ChatGPT le sait, les outils d’IA sont tributaires des données qui leur sont fournies. Des données erronées, obsolètes ou de mauvaise qualité entraîneront des analyses peu fiables, et les utilisateurs doivent avancer avec précaution dans la phase initiale de mise en œuvre des solutions IA qui exploitent des informations parfois issues de sources non vérifiées sur l’ensemble du web.
