Pourquoi la plupart des chaînes d'approvisionnement fonctionnent encore sans IA

L'IA a beau faire la une des journaux concernant la chaîne d'approvisionnement, la plupart des opérations concrètes reposent encore sur des tableurs, des systèmes fragmentés et le jugement humain. Le problème ne réside pas simplement dans la sensibilisation ou l'ambition. Il tient à la réalité complexe de données déconnectées, d'infrastructures obsolètes, d'une gouvernance floue et d'une confiance limitée dans les décisions autonomes. Comprendre ces obstacles explique pourquoi l'automatisation par agents reste aujourd'hui plus fréquente dans les projets pilotes que dans les opérations quotidiennes de la chaîne d'approvisionnement, et ce, dans les domaines des achats, de la logistique, de l'entreposage et de la planification.

Pourquoi l'adoption de l'IA dans les chaînes d'approvisionnement est-elle toujours au point mort ?

Demandez à un responsable d'entrepôt ce qui motive ses décisions quotidiennes et ne vous attendez pas à entendre quoi que ce soit. “ un algorithme. ” Il y a fort à parier qu'il s'agit d'un tableur créé il y a des années, d'un planificateur qui connaît par cœur toutes les exceptions, et d'un numéro de téléphone qu'on compose plus souvent qu'on n'ouvre un tableau de bord. Les conférences regorgent de discours sur des agents autonomes qui réacheminent le fret en temps réel. Dans un véritable centre de distribution, la réalité est bien différente.

Il ne s'agit pas d'un manque de connaissances. La plupart des responsables des achats et de la logistique connaissent déjà le discours : des outils automatisés pour la prévision, la négociation avec les fournisseurs, etc. Le véritable problème est plus profond qu'un simple manque de compétences. Des structures de données obsolètes, des systèmes qui n'ont jamais été interconnectés et une grande appréhension à l'idée de laisser un logiciel prendre une décision dont personne ne peut expliquer pleinement le résultat. Teams fait des choses sérieuses Développement de logiciels pour la chaîne d'approvisionnement On se heurte sans cesse au même mur bien avant qu'un modèle n'entre en jeu, car un agent ne vaut que par les données qui l'alimentent, et la plupart des entreprises n'ont jamais fini de construire cette infrastructure.

Là où les données se dégradent

Les chaînes d'approvisionnement génèrent des quantités considérables de données. Or, très peu d'entre elles sont présentées sous une forme exploitable directement par un opérateur. Les bons de commande sont stockés dans un module ERP. Les données relatives aux transporteurs se trouvent sur un portail distinct. Les inventaires proviennent d'un système d'entrepôt configuré il y a plus de dix ans, non documenté et quasiment oublié.

Systèmes régionaux qui n'ont jamais fusionné

Un grand distributeur peut facilement gérer quatre ou cinq plateformes WMS sur ses différents marchés, chacune avec sa propre logique d'étiquetage et son propre calendrier de mise à jour. Assembler ces données pour obtenir une source unique et fiable est un travail fastidieux, et aucun fournisseur ne l'intègre à ses démonstrations de produits.

Quel est le coût réel des intrants de mauvaise qualité ?

Donnez à un agent autonome des codes SKU incohérents ou des données de stock obsolètes, et il n'hésitera pas. Il prendra une décision erronée, mais avec assurance, plus vite que n'importe quel planificateur ne pourrait la déceler. Les dirigeants s'inquiètent davantage de cette erreur précise que de l'IA en général.

Qui explique l'erreur de 2 heures du matin ?

L'autonomie, ça fait rêver en réunion stratégique. Mais voilà qu'à 2 heures du matin, une cargaison est déviée vers un port déjà saturé, et il faut bien que quelqu'un explique pourquoi. Les responsables de la chaîne d'approvisionnement sont personnellement responsables des niveaux de service, c'est pourquoi la plupart gardent le contrôle des décisions finales, aussi compétent qu'un agent puisse paraître lors d'un projet pilote.

Cette hésitation se confirme par les chiffres. Une étude de McKinsey sur l'automatisation logistique a révélé que même après un an de projets pilotes, les entreprises soumettent encore près de neuf décisions importantes sur dix à l'avis d'un humain. La confiance se construit progressivement, en gérant les perturbations une à une, et non par une simple démonstration.

Où en est l'adoption aujourd'hui ?

On observe une tendance. Les prévisions et le réapprovisionnement sont les domaines qui ont le plus progressé, car leurs résultats sont des suggestions et non des engagements. Les aspects financiers, les contrats et l'acheminement physique sont différents ; ils nécessitent toujours une validation humaine.

L'ambition surpasse le confort

Enchaînez les décisions sans attendre d'approbation, et vous obtenez ce que les présentations des systèmes automatisés promettent sur les diapositives, et ce qui perturbe les équipes sur le terrain. Un seul agent interprète mal une modification tarifaire ou la fermeture d'un port, et cette erreur se répercute en une douzaine de mauvaises décisions avant qu'un humain ne s'en aperçoive.

Les règles de gouvernance n'ont pas encore été mises à jour.

Rares sont les entreprises qui disposent d'une politique écrite définissant clairement les décisions qu'un agent peut prendre seul et celles qui nécessitent une remontée d'information. L'élaboration de ce cadre prend souvent plus de temps que la formation de l'agent lui-même.

Le déficit de compétences que personne n'avait prévu au budget

La plupart des équipes de la chaîne d'approvisionnement sont composées de spécialistes chevronnés de la logistique, et non d'ingénieurs en apprentissage automatique ; or, ce décalage ne se résout pas de lui-même. Le combler, que ce soit par le recrutement ou la formation, est généralement l'étape la plus longue de tout plan de transformation.

Qu'est-ce qui distingue les entreprises qui progressent ?

Les organisations qui progressent réellement ne commencent pas par un projet pilote autonome spectaculaire. Elles nettoient les données de référence, standardisent les interfaces entre les systèmes centraux et testent des modèles ciblés sur des problèmes bien précis, comme la prévision de la demande au niveau des palettes, avant d'étendre leur action. Chaque petit succès finance le suivant, légèrement plus important.

L'ordre des données importe plus que le modèle choisi par l'équipe. Un outil de prévision basique, alimenté par des données propres et unifiées, sera plus performant qu'un outil beaucoup plus sophistiqué, mais incapable de gérer des données d'entrée correctes ; de nombreux responsables opérationnels l'ont appris à leurs dépens.

Et ensuite ?

L'automatisation par agents est là pour durer, et la véritable autonomie se manifestera d'abord dans les domaines les plus sûrs : déclenchement automatique des réapprovisionnements, sélection du transporteur dans le cadre d'un budget prédéfini. L'automatisation complète des achats, de la planification et de l'exécution des commandes est un projet à long terme, car la préparation interne de l'organisation est tout aussi importante que les capacités du modèle lui-même.

Les chaînes d'approvisionnement qui fonctionnent encore sans une IA poussée ne sont pas nécessairement en retard. Nombre d'entre elles procèdent avec méthode, en construisant l'infrastructure avant de déléguer l'intelligence artificielle. C'est précisément cette patience qui permettra aux futurs systèmes autonomes de tenir leurs promesses lorsqu'ils seront appelés à gérer l'ensemble des opérations.

L'adoption de l'IA dans les chaînes d'approvisionnement va s'accélérer, mais seulement si les entreprises commencent par corriger la fragmentation des données, moderniser leurs systèmes centraux, définir une gouvernance et instaurer un climat de confiance. Les organisations qui renforcent ces fondements aujourd'hui seront mieux préparées demain à une automatisation à grande échelle et fiable par des agents.