:quality(85))
Selon presque tous les indicateurs disponibles, la croissance de l’intelligence artificielle — et en particulier de sa dernière version, l’IA générative — au cours des dernières années, a été vertigineuse. Selon une étude menée par Goldman Sachs, en 2020, les investissements privés dans l’IA aux États-Unis s’élevaient à environ 28 milliards de dollars. Cette banque d’investissement prévoit une augmentation de près de 250 % en 2024, atteignant 68 milliards de dollars. Une enquête récente réalisée par McKinsey & Co. apporte d’autres preuves de l’adoption rapide de cette technologie dans le monde de l’entreprise. Ce cabinet de conseil a constaté que le nombre d’entreprises utilisant régulièrement l’IA générative avait presque doublé en une seule année. En mai 2024, 65 % des entreprises interrogées — couvrant un large éventail de régions et de secteurs — utilisaient l’intelligence artificielle pour des fonctions telles que le marketing, les ventes et le développement produit.
Pour les entreprises et professionnels de la gestion de la chaîne d’approvisionnement, les capacités offertes par l’IA peuvent paraître particulièrement attractives. Ces outils permettent l’analyse prédictive, la prévision de la demande et l’évaluation des risques, entre autres applications critiques à valeur ajoutée immédiate. Cependant, au cours des 18 derniers mois, de nombreuses entreprises se sont laissées séduire par le potentiel spectaculaire de l’IA sans examiner si ces plateformes pouvaient réellement générer des avantages adaptés à leur contexte métier spécifique. Dans cette perspective, il est essentiel que les équipes gestionnaires de la chaîne d’approvisionnement, attirées par les promesses de l’IA, comprennent l’évolution récente de cette technologie, explorent les différentes catégories d’intelligences artificielles actuellement disponibles et définissent des objectifs clairs pour en tirer une véritable valeur ajoutée. À l’heure où les entreprises se ruent, souvent sans discernement, sur des startups d’IA, une évaluation lucide des capacités de ces technologies s’impose : il s’agit d’une étape déterminante dans toute démarche de due diligence.
Les principaux types d’IA à connaître pour les entreprises
Les quinze dernières années ont vu une croissance exponentielle de l’intelligence artificielle. Plusieurs itérations de la technologie ont émergé au fil du temps, à commencer, au moins, par 2011 lorsque Apple a lancé Siri sur la quatrième génération d’iPhone. Premier « assistant virtuel » largement accessible sur smartphone, Siri s’appuyait sur le machine learning et l’« IA faible » pour répondre aux questions, extraire des informations et exécuter certaines tâches. Depuis, les capacités de Siri et de ses homologues ont largement été dépassées par des plateformes révolutionnaires telles que ChatGPT, Dall-E, Claude ou Gemini.
L’intelligence artificielle recouvre plusieurs technologies distinctes, chacune avec ses propres forces et fonctionnalités, qui conviendront à certains secteurs et entreprises mieux qu’à d’autres.
Apprentissage automatique (Machine Learning)
Le machine learning (ML) est une branche de l’intelligence artificielle permettant, à partir de grands ensembles de données, de reconnaître des schémas, de faire des prédictions, « d’apprendre » dans le temps et d’aider les utilisateurs à prendre des décisions plus précises et informées. Contrairement à la programmation classique, dans laquelle les développeurs définissent des instructions détaillées pour l’ordinateur, le machine learning offre un processus plus ouvert où le système acquiert connaissances et expertise en analysant textes, chiffres, images, rapports et autres données. Dans les années 1950, le chercheur en informatique Arthur Samuel définissait le machine learning comme « le domaine qui donne aux ordinateurs la capacité d’apprendre sans être explicitement programmés ».
Même si d’autres formes d’intelligence artificielle attirent aujourd’hui davantage l’attention et les investissements, le machine learning reste une technologie extrêmement polyvalente et ayant largement fait ses preuves. Aleksander Madry, expert du MIT, a déclaré au MIT Sloan Management Review que « le machine learning transforme, ou transformera, tous les secteurs ; les dirigeants doivent en comprendre les principes de base, le potentiel et les limites ».
Applications du machine learning
- Identifier les tendances métier
- Développer des algorithmes de recommandation
- Détecter les ralentissements et goulets d’étranglement dans la chaîne d’approvisionnement
- Établir des diagnostics médicaux
- Fournir un service client via des chatbots
IA prédictive
Dans le paysage de l’intelligence artificielle, de nombreux outils, concepts et terminologies présentent souvent de larges recoupements. Par exemple, l’IA prédictive s’appuie sur le machine learning, associé à l’analyse statistique, pour examiner de vastes ensembles de données historiques et générer des prédictions fiables et actionnables sur les tendances, comportements et même événements futurs.
L’IA prédictive est souvent vue comme une évolution technologique avancée de l’analyse prédictive, qui demande davantage d’intervention humaine. L’IA prédictive, à l’inverse, peut apprendre et évoluer entièrement de façon autonome.
Applications de l’IA prédictive
- Prévoir le comportement des consommateurs
- Élaborer des prévisions financières
- Réaliser des prévisions de la demande
- Anticiper les pannes d’équipement
- Gérer les stocks
Grands modèles de langage (LLMs)
Les grands modèles de langage sont une catégorie d’IA qui analyse d’immenses corpus de textes et de données pour comprendre, générer du langage et interagir naturellement avec les utilisateurs. Aujourd’hui, les LLMs sont considérés comme des « modèles de fondation ». Ce terme défini par des chercheurs de Stanford en 2021 désigne ces modèles d’IA à grande échelle entraînés sur suffisamment de données pour devenir polyvalents sur divers types de tâches et de fonctionnalités. Comme l’explique le Center for Security and Emerging Technology de Georgetown dans son analyse, « le modèle d’origine fournit une base (« fondation ») sur laquelle d’autres applications peuvent être développées ».
Depuis le lancement prometteur de Chat-GPT fin 2022, la popularité des LLMs a explosé. Ces modèles de fondation sont aujourd’hui utilisés de multiples façons — courriels, rapports, travaux scolaires — par des étudiants, enseignants, chercheurs, créateurs de contenu et professionnels. Parmi les alternatives connues à la plateforme d’OpenAI : Google Gemini, Claude (Anthropic) ou Llama (Meta).
Applications des grands modèles de langage
- Support client
- Résumé de documents
- Création de contenu
- Génération de code
- Études de marché
IA générative
À l’instar du machine learning et de l’IA prédictive, il existe un fort recoupement entre les LLMs et l’IA générative. Ce dernier terme désigne toute IA principalement utilisée pour générer du contenu. Ainsi, tous les LLMs relèvent de l’IA générative, mais l’inverse n’est pas vrai. Au-delà de la génération de texte et d’échanges en langage naturel, les modèles d’IA générative peuvent produire images haute qualité, code informatique, musique ou contenus audio. Parmi les outils d’IA générative non LLMs figurent DALL-E, Midjourney, AIVA ou watsonx Code Assistant d’IBM.
Bien que l’IA générative soit une forme relativement récente d’intelligence artificielle, elle s’impose déjà comme une technologie de transformation que les entreprises cherchent à déployer efficacement. Le cabinet d’étude de marché IDC prévoit que les dépenses mondiales des organisations dans l’IA générative atteindront près de 40 milliards de dollars d’ici fin 2024.
Applications de l’IA générative
- Marketing et publicité
- Création de contenu
- Programmation informatique
- Découverte de médicaments
- Design de mode
- Développement de produits
Cas d’usage de l’IA en gestion des risques de la chaîne d’approvisionnement
Pour les organisations souhaitant intégrer l’IA à la gestion des risques, cerner les applications spécifiques de chaque outil devient déterminant pour une prise de décision efficace. En effet, bien que l’IA générative et les grands modèles de langage captent actuellement l’essentiel de l’attention médiatique et des budgets, ils ne répondent pas systématiquement aux besoins du supply chain risk management (SCRM). Les experts de l’approvisionnement stratégique et les professionnels du SCRM doivent ainsi considérer l’étendue des fonctionnalités offertes par l’ensemble des outils d’IA disponibles, incluant l’IA prédictive et le machine learning.
Un défi historique du secteur, le mapping exhaustif de la chaîne d’approvisionnement, permet aux fabricants d’obtenir une meilleure visibilité sur leurs fournisseurs, de comprendre la structure et la nature de leurs sous-niveaux et d’identifier les risques avant qu’ils ne se transforment en perturbations coûteuses. Les plateformes d’IA représentent un atout inestimable dans ce processus complexe et fastidieux. Ces outils localisent les commandes de produits, réservations de fret, documents de transport et autres justificatifs de traçabilité puis les synthétisent afin de produire des cartographies détaillées de la chaîne d’approvisionnement multi-niveaux. En s’appuyant sur des modèles d’intelligence artificielle alimentés par le machine learning, les professionnels renforcent leur visibilité et leur résilience globale.
En plus d’optimiser les capacités de cartographie, l’IA permet aussi d’anticiper les défaillances d’équipements. L’analyse prédictive est utilisée de longue date à cet effet ; l’IA prédictive constitue une évolution significative. Ce type d’intelligence artificielle exploite des capteurs surveillant les équipements et infrastructures pour extraire de volumineuses données sur différents indicateurs : température, acoustique, humidité, pression, lubrification, etc.
Après analyse de ces informations comportementales, ces plateformes déterminent les conditions optimales de fonctionnement des équipements et alertent les équipes de maintenance en cas d’écarts, de dégradation ou de signaux de performance sous-optimale. Cette maintenance prédictive permet d’identifier les signes avant-coureurs d’une panne afin de réagir en amont, offrant ainsi aux fabricants la possibilité d’éviter les pertes de productivité dues à des arrêts prolongés.
Les professionnels de l’approvisionnement stratégique peuvent également recourir à l’IA pour évaluer rapidement les conséquences d’une perturbation de la chaîne d’approvisionnement. Supposons qu’un fournisseur direct d’un constructeur automobile doive fermer plusieurs usines à cause d’un événement climatique extrême. L’entreprise peut alors transmettre aux outils d’IA les données historiques et conditions actuelles pertinentes et obtenir une évaluation de l’impact sur la production et les délais de fabrication, y compris la durée des retards.
Il convient de souligner que ce type de prévision de perturbation reste encore une technologie brute et perfectible : l’utilisation de l’IA en gestion des risques n’en est qu’à ses débuts. Néanmoins, les logiciels actuels peuvent fournir des estimations objectives et opérationnelles permettant d’orienter les stratégies. Disposer de ces informations, même imparfaites, aide les fabricants à décider s’il faut maintenir la collaboration avec le fournisseur concerné, solliciter un partenaire alternatif ou activer d’autres mesures de sauvegarde adaptées.
L’avenir ambitieux de l’IA dans le SCRM
Malgré l’engouement et l’euphorie boursière persistants, les LLMs, l’IA générative et autres outils de pointe en intelligence artificielle en sont encore à un stade très précoce de développement. Bien que cette maturité limitée justifie la prudence, cela ne doit pas inciter les entreprises à rester systématiquement spectatrices pendant que des concurrents plus audacieux misent massivement sur ces innovations. Les professionnels de la gestion des risques de la chaîne d’approvisionnement devraient plutôt étudier avec rigueur l’impact potentiel des différentes formes d’IA sur leur activité. Une telle démarche passe par une analyse coûts/bénéfices, un examen attentif des cas d’usage, voire le recours à des périodes de démo gratuites proposées par les principaux fournisseurs d’IA. Ces mesures de due diligence guident les entreprises vers une prise de décision raisonnée et informée : tout commence par une bonne compréhension de l’ensemble des outils composant ce paysage technologique en évolution rapide.
Les sociétés intéressées par le potentiel de l’IA en gestion des risques peuvent envisager les fonctionnalités prédictives de la plateforme SCRM Z2Data. Ce logiciel de référence propose plusieurs fonctionnalités de prévision, notamment des projections de fin de vie (EOL) pour les composants électroniques avec une précision historique de 90 % et une liste de surveillance des sanctions exploitant des rapports parlementaires, des enquêtes ONG et d’autres documents à haute crédibilité pour identifier les entités mondiales à risque accru de sanction. Combinés, ces outils prédictifs permettent aux fabricants de renforcer leur résilience face aux risques et de bâtir une stratégie de gestion des menaces agile et proactive.
Pour en savoir plus sur Z2Data et les fonctionnalités de prévision offertes à ses clients, demandez une démo gratuite avec l’un de nos experts produits.
