Le rôle de l’IA générative dans les chaînes d’approvisionnement

Juste comme les perturbations de la chaîne d’approvisionnement sont devenues le sujet fréquent des discussions dans les salles de réunion en 2020, l’IA générative est rapidement devenue le sujet brûlant de 2023. Après tout, ChatGPT d’OpenAI a atteint 100 millions d’utilisateurs en deux mois, ce qui en fait l’adoption la plus rapide d’une application de consommation de l’histoire.

Les chaînes d’approvisionnement sont, dans une certaine mesure, bien adaptées aux applications de l’IA générative, étant donné qu’elles fonctionnent sur et génèrent de grandes quantités de données. La variété et le volume de données, ainsi que les différents types de données, ajoutent une complexité supplémentaire à un problème réel très complexe : comment optimiser les performances de la chaîne d’approvisionnement. Et même si les cas d’utilisation de l’IA générative dans les chaînes d’approvisionnement sont étendus – y compris l’automatisation accrue, la prévision de la demande, le traitement et le suivi des commandes, la maintenance prédictive des machines, la gestion des risques, la gestion des fournisseurs, et plus encore – beaucoup d’entre eux s’appliquent également à l’IA prédictive et ont déjà été adoptés et déployés à grande échelle.

Ce texte présente quelques cas d’utilisation qui sont particulièrement bien adaptés à l’IA générative dans les chaînes d’approvisionnement et propose certaines précautions que les dirigeants de la chaîne d’approvisionnement devraient considérer avant d’investir.

Prise de décision assistée

L’objectif principal de l’IA et du ML dans les chaînes d’approvisionnement est de faciliter le processus de prise de décision, en offrant la promesse d’une vitesse et d’une qualité accrues. L’IA prédictive fait cela en fournissant des prévisions et des prédictions plus précises, en découvrant de nouveaux modèles non encore identifiés et en utilisant de très grandes quantités de données pertinentes. L’IA générative peut aller plus loin en soutenant divers domaines fonctionnels de la gestion de la chaîne d’approvisionnement. Par exemple, les gestionnaires de la chaîne d’approvisionnement peuvent utiliser des modèles d’IA générative pour poser des questions de clarification, demander des données supplémentaires, mieux comprendre les facteurs influents et voir les performances historiques des décisions dans des scénarios similaires. En résumé, l’IA générative rend le processus de diligence raisonnable qui précède la prise de décision significativement plus rapide et plus facile pour l’utilisateur.

En outre, sur la base des données et des modèles sous-jacents, l’IA générative peut analyser de grandes quantités de données structurées et non structurées, générer automatiquement divers scénarios et fournir des recommandations basées sur les options présentées. Cela réduit considérablement le travail sans valeur ajoutée que les gestionnaires de la chaîne d’approvisionnement effectuent actuellement et les autorise à passer plus de temps à prendre des décisions fondées sur des données et à réagir plus rapidement aux changements du marché.

Une (possible) solution au problème de pénurie de talents en gestion de la chaîne d’approvisionnement

Au cours des dernières années, les entreprises ont souffert d’une pénurie de talents en gestion de la chaîne d’approvisionnement en raison de l’épuisement des planificateurs, de l’attrition et d’une courbe d’apprentissage abrupte pour les nouveaux embauchés en raison de la nature complexe du poste. Les modèles d’IA générative peuvent être ajustés aux procédures opérationnelles standard des entreprises, aux processus métier, aux flux de travail et à la documentation logicielle, puis répondre aux requêtes des utilisateurs avec des informations contextualisées et pertinentes. L’interface utilisateur conversationnelle communément associée à l’IA générative rend considérablement plus facile l’interaction avec un système de support et permet de raffiner la requête, ce qui accélère encore le temps nécessaire pour trouver les bonnes informations.

Combiner un système d’apprentissage et de développement basé sur l’IA générative avec une prise de décision assistée par l’IA générative peut aider à accélérer la résolution de divers problèmes de gestion du changement. Cela peut également accélérer la mise en place de nouveaux employés en réduisant le temps de formation et les exigences d’expérience de travail. Plus important encore, l’IA générative peut autonomiser les personnes handicapées en améliorant la communication, la cognition, l’assistance à la lecture et à l’écriture, en fournissant une organisation personnelle et en soutenant l’apprentissage et le développement continus.

Alors que certaines personnes craignent que l’IA générative ne conduise à des pertes d’emplois dans les années à venir, d’autres pensent qu’elle niveau les emplois en supprimant les tâches répétitives et en créant de la place pour des tâches plus stratégiques. Entre-temps, il est prévu qu’elle résolve la pénurie chronique de talents en gestion de la chaîne d’approvisionnement et en numérique d’aujourd’hui. C’est pourquoi il est important d’apprendre à travailler avec cette technologie.

Construction du modèle de chaîne d’approvisionnement numérique

Les chaînes d’approvisionnement doivent être résilientes et agiles, ce qui nécessite une visibilité inter-entreprises. La chaîne d’approvisionnement doit “connaître” l’ensemble du réseau pour avoir une visibilité. Cependant, la construction du modèle numérique de l’ensemble du réseau de la chaîne d’approvisionnement n-tiers est souvent coûteuse. Les grandes entreprises ont des données réparties sur des dizaines ou des centaines de systèmes, avec la plupart des grandes entreprises gérant plus de 500 applications en parallèle sur des ERP, des CRM, des PLM, des systèmes de gestion des achats et de la source, de la planification, des WMS, des TMS, et plus encore. Avec toute cette complexité et cette fragmentation, il est extrêmement difficile de rassembler logiquement ces données disparates. Cela est aggravé lorsque les organisations regardent au-delà des fournisseurs de premier ou de deuxième niveau pour collecter des données dans un format structuré, ce qui est peu probable.

Les modèles d’IA générative peuvent traiter de grandes quantités de données, y compris des données structurées (données maîtres, données de transaction, EDI) et des données non structurées (contrats, factures, scans d’images), pour identifier des modèles et un contexte avec un prétraitement de données limité. Puisque les modèles d’IA générative apprennent à partir de modèles et utilisent des calculs de probabilité (avec une certaine intervention humaine) pour prédire la sortie logique suivante, ils peuvent créer un modèle numérique plus vrai de la chaîne d’approvisionnement n-tiers – plus rapidement et à grande échelle – et optimiser la collaboration et la visibilité inter- et intra-entreprises. Ce modèle n-tiers peut être encore enrichi pour soutenir les initiatives ESG, y compris mais non limité à l’identification des minéraux conflictuels, l’utilisation de ressources ou de zones sensibles sur le plan environnemental, le calcul des émissions de carbone des produits et des processus, et plus encore.

Même si l’IA générative offre une opportunité significative pour les dirigeants de la chaîne d’approvisionnement d’être innovants et de créer un avantage stratégique, il existe certaines préoccupations et risques à considérer.

Votre chaîne d’approvisionnement est unique

Les utilisations générales de l’IA générative, comme ChatGPT ou Dall-E, sont actuellement réussies dans la résolution de tâches plus larges en nature parce que les modèles sont formés sur de grandes quantités de données publiques. Pour vraiment exploiter les capacités de l’IA générative pour la chaîne d’approvisionnement d’entreprise, ces modèles devront être affinés sur les données de l’entreprise et le contexte spécifique à votre organisation. En d’autres termes, vous ne pouvez pas utiliser un modèle formé de manière générale. Les défis de gestion des données comme la qualité des données, l’intégration et les performances qui entravent les projets de transformation actuels peuvent également avoir un impact sur les investissements dans l’IA générative, ce qui peut conduire à un exercice chronophage et coûteux sans la bonne solution de gestion des données déjà en place.

L’IA générative dépend de la compréhension des modèles dans les données de formation et si les professionnels de la chaîne d’approvisionnement ont appris quelque chose au cours des trois dernières années, c’est que les chaînes d’approvisionnement continueront à faire face à de nouveaux risques et à des opportunités sans précédent.

Sécurité et réglementations

L’exigence de base des modèles d’IA générative est l’accès à de grandes quantités de données de formation pour comprendre les modèles et le contexte. Cela étant dit, l’interface utilisateur humaine des applications d’IA générative peut conduire à une impersonnalisation de l’utilisateur, à des attaques de phishing et à d’autres préoccupations en matière de sécurité. Alors que l’accès limité à la formation du modèle peut conduire à des performances sous-optimales de l’IA, l’octroi d’un accès sans restriction aux données de la chaîne d’approvisionnement peut conduire à des incidents de sécurité de l’information où des informations critiques et sensibles sont mises à la disposition d’utilisateurs non autorisés.

Il est également peu clair de la manière dont les différents gouvernements choisiront de réglementer l’IA générative à l’avenir à mesure que l’adoption continue de croître et que de nouvelles applications de l’IA générative sont découvertes. Plusieurs experts en IA ont exprimé des inquiétudes quant au risque posé par l’IA, demandant aux gouvernements de suspendre les expériences d’IA géantes jusqu’à ce que les dirigeants technologiques et les décideurs politiques puissent établir des règles et des réglementations pour assurer la sécurité.

L’IA générative offre une abondance d’opportunités d’amélioration pour les organisations qui peuvent exploiter cette technologie et créer un multiplicateur de force pour l’ingéniosité humaine, la créativité et la prise de décision. Cependant, jusqu’à ce que des modèles soient formés et explicitement conçus pour les cas d’utilisation de la chaîne d’approvisionnement, la meilleure façon de procéder est d’adopter une approche équilibrée pour les investissements dans l’IA générative.

Établir des garde-fous appropriés sera prudent pour s’assurer que l’IA fournit un ensemble de plans optimisés pour que chaque utilisateur puisse les examiner et les sélectionner, alignés sur les processus métier et les objectifs. Les entreprises qui combinent des “livres de jeu d’entreprise” avec l’IA générative seront les mieux à même d’augmenter la capacité des équipes à planifier, à décider et à exécuter tout en optimisant les résultats commerciaux souhaités. Les organisations devraient également considérer un cas d’affaires solide, la sécurité des données et des utilisateurs, ainsi que des objectifs commerciaux mesurables avant d’investir dans de nouvelles technologies d’IA générative.