Affamé de données : Comment l’IA de la chaîne d’approvisionnement peut atteindre son point d’inflexion

L’intelligence artificielle (IA) dans les chaînes d’approvisionnement est un phénomène de type « poule ou l’œuf ». Il y a ceux qui vantent les mérites de l’IA pour sa capacité à créer une meilleure visibilité des opérations de la chaîne d’approvisionnement. En d’autres termes, l’IA d’abord, la visibilité ensuite.

Cela peut avoir été vrai lorsque la visibilité de la chaîne d’approvisionnement en temps réel n’était pas autrement réalisable. Mais l’IA de la chaîne d’approvisionnement transformante — y compris l’IA générative très puissante, qui crée de nouvelles perspectives, résultats, processus et efficacités à partir de grands ensembles de données — nécessite que nous renversions l’équation. La visibilité d’abord, suivie de l’innovation GenAI dans l’ensemble de la chaîne d’approvisionnement.

Imaginez un gestionnaire régional de détail, un distributeur, un fabricant ou un agent d’approvisionnement qui se réveille un lundi, lance un chatbot AI familier (peut-être même activé par voix) et demande en langage naturel si sa chaîne d’approvisionnement est optimisée pour la semaine. Et si ce n’est pas le cas, demander comment la chaîne d’approvisionnement peut être ajustée pour atteindre ses objectifs. GenAI permet cette interaction avec les systèmes de la chaîne d’approvisionnement.

Mais la seule façon dont une solution de chaîne d’approvisionnement basée sur GenAI peut livrer automatiquement de telles réponses est si elle connaît l’état, l’emplacement, la condition, le mouvement, etc. de chaque produit, boîte, cas, palette, etc. dans la chaîne d’approvisionnement. Et la seule façon dont elle le sait est si les produits eux-mêmes peuvent communiquer automatiquement les informations sans intervention humaine. Aujourd’hui, ils le peuvent, grâce à une plate-forme de visibilité ubiquitaire appelée Internet des objets (IoT) ambiant.

GenAI dans la chaîne d’approvisionnement

Le cabinet de conseil mondial Ernst & Young estime que 40 % des entreprises de la chaîne d’approvisionnement investissent dans GenAI. Ils ont utilisé GenAI pour cartographier des réseaux de chaîne d’approvisionnement complexes, exécuter des scénarios « et si », prévoir l’approvisionnement en amont et en aval, développer des chatbots pour que les partenaires puissent obtenir des réponses plus facilement, et même générer de nouveaux contrats sur la base d’accords passés ou existants.

Dans de tels cas, les entreprises forment des modèles d’IA à partir de leurs propres données historiques et de ce qu’elles peuvent collecter auprès de leurs partenaires. Ensuite, ils demandent à GenAI de trouver des moyens d’améliorer l’efficacité. Mais comme le disent les analystes d’Ernst & Young, « les outils GenAI ne sont puissants que dans la mesure où leurs données d’entrée le sont, ils sont donc limités par la qualité et la disponibilité des données des partenaires de la chaîne d’approvisionnement ».

Le Graal de l’IA de la chaîne d’approvisionnement est cependant de générer de nouvelles routes, processus, conceptions de produits et listes de fournisseurs en fonction de données en temps réel — et de le faire aussi rapidement que possible (ce qui est plus rapide que ce que les humains peuvent faire). Ou comme l’a dit un dirigeant à la Harvard Business Review, « Lorsqu’il y a une crise de la chaîne d’approvisionnement, la clé pour être compétitif est d’être plus rapide que tout le monde pour trouver des fournisseurs alternatifs, car tout le monde cherche à faire la même chose ».

Cela nécessite de former des solutions GenAI à partir de beaucoup plus de données — et de données plus actuelles — sur les opérations réelles de la chaîne d’approvisionnement. C’est là que l’IoT ambiant entre en jeu.

IoT ambiant : Le langage des chaînes d’approvisionnement

Avec l’IoT ambiant, les produits, les emballages et les lieux portent des signatures numériques, qui constituent le langage de visibilité en temps réel de la chaîne d’approvisionnement, qui alimente finalement les grands modèles de langage (LLM) qui sont à la base de GenAI. Ces signatures sont transmises via des Pixels IoT, des étiquettes électroniques auto-alimentées et de la taille d’un timbre, fixées à tout ce qui nécessite un suivi et une surveillance dans la chaîne d’approvisionnement. Les Pixels IoT incluent leur propre puissance de calcul, des capteurs et des communications Bluetooth, permettant aux produits et emballages de décrire leur parcours dans la chaîne d’approvisionnement en termes de données que les LLM peuvent consommer. En fin de compte, ils représentent un pont entre les mondes physique et numérique, rendant disponibles pour la première fois des données de chaîne d’approvisionnement qui peuvent réellement montrer, prédire et optimiser les opérations.

Les Pixels IoT ambiant communiquent des données via un réseau établi de périphériques sans fil existants, tels que les smartphones et les points d’accès sans fil, ou via des passerelles et des portails standardisés facilement déployés, installés dans les magasins, les entrepôts, les camions de livraison et plus encore. En fait, avec les autorisations et les protections de confidentialité appropriées, les Pixels IoT ambiant peuvent étendre la visibilité de la chaîne d’approvisionnement jusqu’au consommateur, en communiquant des données sur l’utilisation, la réutilisation et le recyclage des produits, ce qui constitue la base de modèles GenAI plus avancés.

Et ils envoient des données en continu. Contrairement aux enregistrements de la chaîne d’approvisionnement utilisés pour former les modèles GenAI aujourd’hui, les données de l’IoT ambiant décrivent la chaîne d’approvisionnement à l’instant présent. Avec cette visibilité, tout ce qui reste à faire est de mettre en œuvre GenAI pour nous répondre : « Que vois-je dans ma chaîne d’approvisionnement, à l’instant présent ? »

La visibilité en temps réel et la génération de données de l’IoT ambiant dans l’ensemble de la chaîne d’approvisionnement pourraient même aider à résoudre l’un des défis de GenAI : que les données utilisées pour former les LLM reflètent nécessairement des biais de données involontaires de leurs sources de génération, qui incluent souvent les différents systèmes ERP des entreprises.

Les produits suivis dans la chaîne d’approvisionnement avec l’IoT ambiant disent la vérité objective, car les produits sont en fait situés là où l’IoT ambiant le dit, et là où il le dit. Et parce que l’IoT ambiant n’a pas besoin de travailleurs avec des scanners RFID pour suivre les livraisons, les erreurs humaines peuvent être minimisées.

Les données de l’IoT ambiant décrivent exactement l’itinéraire et le temps que les produits prennent dans la chaîne d’approvisionnement. Et les produits portent dans leurs passeports de produit numérique des informations sur les parties et les installations impliquées dans leur manutention. Si cela s’applique, les Pixels IoT ambiant pourraient ajouter aux LLM des informations sur la température, l’humidité et les émissions de carbone à chaque étape du processus.

Selon Ernst & Young, un domaine dans lequel les entreprises de la chaîne d’approvisionnement explorent l’utilisation de GenAI est la réglementation et la déclaration ESG. La meilleure et la plus rentable façon de collecter de vastes données pour que GenAI produise des informations conformes est à travers l’IoT ambiant.

De Chatbot à Automatisation

Au quotidien, il y a deux façons dont le mariage de l’IoT ambiant et de GenAI pourrait bénéficier à la chaîne d’approvisionnement. Premièrement, cela permettrait à plus de personnes dans la chaîne d’approvisionnement de comprendre les situations en évolution et de prendre des mesures actives pour optimiser ou corriger les opérations de la chaîne d’approvisionnement. Vous n’avez pas besoin d’être un analyste de données ou un spécialiste des achats pour demander à un chatbot GenAI des informations sur l’état des livraisons ou pour interroger des fournisseurs alternatifs, même si les entreprises auront toujours besoin d’experts en données pour s’assurer que les LLM et les outils GenAI évoluent pour produire des résultats utiles. Mais la démocratisation de l’analyse et de l’enquête de la chaîne d’approvisionnement pourrait permettre une prise de décision rapide nécessaire pour être compétitif.

Deuxièmement, GenAI et d’autres outils d’IA peuvent aider à construire un pont vers une plus grande automatisation de la chaîne d’approvisionnement. Grâce à l’apprentissage automatique, en particulier l’apprentissage par renforcement souvent trouvé dans les systèmes de contrôle, les logiciels peuvent être formés pour prendre des décisions qui produisent de meilleurs résultats. Finalement, par exemple, ils pourraient être formés pour détecter les perturbations de la chaîne d’approvisionnement avant qu’elles ne se produisent et pour engager automatiquement des fournisseurs ou des transporteurs alternatifs. Ou ils peuvent initier une maintenance prédictive en déterminant si certains systèmes ou lignes d’entrepôt ou de fabrication peuvent échouer.

Ils le font en apprenant à partir de grands ensembles de données, y compris les données de la chaîne d’approvisionnement générées par l’IoT ambiant.

Comme nous l’avons appris ces dernières années, les chaînes d’approvisionnement complexes existent sur une arête de rasoir. Deux petits facteurs peuvent les plonger dans le chaos. L’intelligence artificielle sera critique pour éviter les chaos futurs. Mais pour y arriver, les chaînes d’approvisionnement doivent débloquer les données pour les choses qu’elles ne peuvent pas voir actuellement. L’IoT ambiant fournit les données de visibilité sur lesquelles les innovations GenAI de demain seront construites.