IA et supply chain : de la réflexion à l’action

Dans les années 50, les entreprises utilisaient déjà des modèles mathématiques pour optimiser les stocks, les transports ou la planification de la production. Après l’apparition de systèmes experts dans les années 80, l’explosion du big data au début du 21e siècle, l’industrialisation du machine learning dans les années 2010, et l’émergence de l’IA générative depuis une poignée d’années, l’intelligence artificielle appliquée à la supply chain n’a cessé d’évoluer au gré des vagues technologiques.

Mais en pratique, qu’enveloppe-t-elle concrètement aujourd’hui ? « L’intelligence artificielle couvre principalement trois types de technologies, répondant à des cas métiers différents », introduit Jérôme Bour, associé au sein du cabinet Newton Vaureal Consulting, spécialisé dans le conseil opérationnel en supply chain. « Se retrouve premièrement le machine learning (ou apprentissage automatique) utilisé au sein de tout un ensemble de logiciels et applications : APS, WMS, prévisions autour du S&OP, allocation des ressources, optimisation du remplissage... Vient ensuite l’IA générative, dont on parle beaucoup depuis ChatGPT. Comme son nom l’indique, elle répond à une question en générant du texte, de l’image, du code, en utilisant tout un ensemble de connaissances incluses dans des modèles entraînés. Troisième niveau : les agents. L’idée ici n’est pas de répondre à une question, mais d’offrir une autonomie de gestion des décisions. »  

Partir du besoin métier

Comme le souligne Jérôme Bour, si le machine learning fait figure de sujet mûr et éprouvé, l’IA générative et les agents IA (aussi appelés agents LLM, car au cœur des grands modèles linguistiques) restent plus complexes à bien appréhender. Ainsi, « leurs capacités à court terme sont surestimées, lorsque leurs impacts à long terme demeurent sous-estimés, analyse-t-il. En résulte ainsi un effet de “baguette magique”, avec une prise à l’envers du problème : nous sommes souvent consultés pour des projets IA avec des questionnements orientés seulement autour de la technologie, alors qu’il faudrait plutôt partir du besoin métier et de l’analyse de rentabilisation, créateurs de valeur. » 

Cette priorisation stratégique, Shiseido l’a intégrée dans ses processus opérationnels. Pensant avoir pris le train de l’IA en décalage, la multinationale japonaise des cosmétiques (soins, maquillages, parfums…) a rapidement saisi l’importance de bien définir les périmètres et apports métiers de ses premiers chantiers. « L’IA n’est pas une solution miracle : elle nécessite d’avoir un minimum de données à peu près cohérentes, ou alors une volonté de les travailler. Au début, nous avons voulu faire de l’IA pour faire de l’IA, parce que c’était bien, que ça se faisait et qu’il fallait le faire », témoigne Faustine Latronche, head of logistics, transport & customs chez Shiseido pour la région EMEA. « Mais nous nous sommes aperçus que si nous n’avions pas un besoin business ou un besoin métier venant tirer la solution IA, nous pourrions rapidement nous retrouver avec une usine à gaz. Nous avons alors identifié l’IA comme un levier d’accélération et nous sommes partis sur une démarche de formation et de remontée des cas concrets problématiques par les équipes, et pour les équipes. Finalement, il n’est jamais trop tard pour se lancer ; il faut juste se mettre en mouvement en se concentrant sur des cas métiers concrets. Nous pouvons même bénéficier d’un avantage concurrentiel en implémentant directement des solutions déjà éprouvées et testées par d’autres. »

Aborder l’IA avec simplicité et pragmatisme

S’il peut être difficile de franchir le cap, de passer de l’abstrait au concret, tant le sujet de l’intelligence artificielle peut paraître immense voire confus, de premières prises en main peuvent rapidement s’opérer, en étant bien aiguillé. SPI Group, acteur français spécialisé dans les services de conditionnement et de logistique à valeur ajoutée, a justement opté pour un accompagnement sur mesure. « Nous avons choisi d’aborder le sujet de l’intelligence artificielle de manière très simple et pragmatique », entame Victor Emmanuel Vieilly, PDG du groupe siégeant à Saint-Vulbas, près de Lyon. « Nous avons commencé par impliquer une soixantaine de nos cadres, en organisant plusieurs ateliers, consacrés à l’art du prompt : nous sommes repartis des fondamentaux, avec deux sessions animées par une société spécialisée afin d’apprendre à bien interagir avec les outils. Dans un second temps, nous avons rédigé une charte d’utilisation de l’IA, volontairement simple et concrète. L’objectif était de fixer quelques principes de bon sens : par exemple, éviter de solliciter ChatGPT pour des usages sans intérêt professionnel, comme demander la météo du lendemain. Enfin, nous avons équipé ce premier groupe avec une soixantaine de licences OpenAI. À cette époque, ChatGPT s’imposait en effet comme la solution de référence, avant que Claude ne commence à se démarquer. »