IA en Supply Chain : comment passer du pilote au déploiement à grande échelle ?
Faire fonctionner une solution d’IA dans un centre de distribution en quatre à six mois est une première étape. Chez Schneider Electric, Stéphane Piat rappelle qu’il faut ensuite penser à une centaine de centres. Recommencer le même travail sur chacun d’eux prendrait trop de temps.
Le passage à l’échelle de l’IA en Supply Chain suppose de rendre la solution reproductible, de l’intégrer dans les pratiques des équipes et de préciser les décisions qu’elle peut prendre. Les témoignages de Schneider Electric et de Sanofi dans le podcast Au cœur de la Supply Chain montrent ce que cela implique concrètement.
Vérifier la valeur du cas d’usage avant de le généraliser
Le pilote, ou preuve de concept (POC), sert à vérifier qu’un usage apporte de la valeur. Chez Schneider Electric, Stéphane Piat décrit une organisation qui teste des technologies sur le terrain avant de retenir celles à déployer. Le travail se poursuit une fois le test concluant. Il faut comprendre ce qui a permis d’obtenir le résultat et préparer la solution pour les autres sites.
Chez Sanofi, Diane Melul explique que les usages se construisent à partir de deux contributions : les besoins remontés par les utilisateurs et les orientations stratégiques de l’entreprise. Des ateliers réunissent les utilisateurs pour faire émerger des idées, tandis que la gouvernance aide à prioriser les développements.
Tous les essais n’aboutissent pas. Les ressources disponibles imposent de choisir les usages à poursuivre et de continuer à les améliorer. La démarche complète les exemples présentés dans notre article sur les cas d’usage de l’IA en Supply Chain.
Déploiement de l'IA en Supply Chain : rendre la solution reproductible entre les sites
Stéphane Piat décrit une étape souvent sous-estimée : reprendre le modèle de données et retravailler la solution pour permettre son déploiement à grande échelle.
Les moyens mobilisés pour réussir un premier test ne constituent pas nécessairement une façon de fonctionner que l’on peut reproduire partout. Schneider doit donc consacrer un travail spécifique à l’industrialisation, avec les compétences nécessaires en ingénierie des données.
Son retour d’expérience fait apparaître deux difficultés rencontrées :
Déployer une solution avant de l’avoir rendue suffisamment reproductible, ce qui ralentit ensuite l’exécution.
Définir un standard avant d’avoir assez expérimenté, ce qui freine l’apprentissage.
La séquence qu’il défend consiste à tester, confirmer l’intérêt de la solution, puis la retravailler pour la généraliser. Le modèle commun se construit à partir de l’expérience du pilote.
Travailler l’usage réel après la mise en service
Chez Sanofi, l’adoption constitue un chantier à part entière. Diane Melul explique que certaines équipes perçoivent l’IA comme une boîte noire. Pour les embarquer, l’entreprise a notamment commencé par des données et des indicateurs qu’elles connaissaient, avant de les amener vers des usages plus directement pilotés par l’IA. Les premiers mois d’utilisation permettent aussi d’identifier ce qui manque : une information trop peu détaillée, une interface à améliorer ou une recommandation difficile à exploiter dans le travail quotidien.
L’exemple des stocks de sécurité est parlant. Accepter une valeur proposée par un modèle change le rapport du planificateur à un paramètre qu’il calculait ou ajustait lui-même.
Au moment de l’entretien, Diane Melul évoque une réflexion sur la possibilité de faire noter et commenter les propositions de l’outil par les utilisateurs. L’objectif est de leur permettre de contribuer à son amélioration et de construire la confiance.
La mise en service ouvre donc une période d’apprentissage et d’ajustement. Cette dimension rejoint les enjeux développés dans notre article sur la conduite du changement en Supply Chain.
Préciser les décisions confiées à l’IA
Proposer une nouvelle valeur et la modifier automatiquement dans le système de planification sont deux niveaux d’intervention différents. Chez Sanofi, Diane Melul décrit des propositions de stocks de sécurité produites par l’outil. Elle évoque également un dispositif en cours de mise en place pour autoriser certaines mises à jour automatiques, selon l’écart avec la valeur existante, la valeur concernée et le produit.
Ce cas illustre une question à traiter dans le déploiement : dans quelles situations l’outil peut-il agir, et dans lesquelles une intervention humaine reste-t-elle nécessaire ? La réponse dépend de la décision concernée et des risques que l’entreprise accepte de lui associer.
Préparer le déploiement à partir du pilote
Ces témoignages invitent à examiner quatre points avant de faire le déploiement d'un usage IA en Supply Chain :
La valeur obtenue sur le pilote est-elle suffisamment comprise ?
Le modèle de données et la solution permettent-ils de reproduire cet usage ailleurs ?
Les retours des utilisateurs sont-ils pris en compte après la mise en service ?
Les règles d’intervention de l’IA et des équipes sont-elles explicites ?
Ces questions permettent de préparer le travail technique, les responsabilités et l’accompagnement nécessaires au déploiement.
Vous avez testé un usage de l’IA et souhaitez préparer sa généralisation ? Découvrez l’accompagnement de Cogence en digitalisation, innovation et visibilité Supply Chain.
Écouter les témoignages
Je suis Juliette Rihal, consultante en Supply Chain auprès des grands groupes et des ETI depuis plus de 15 ans. J'ai fondé le cabinet de conseil Cogence pour aider les entreprises à concilier performance, résilience et impact. J'anime également le podcast Au Coeur de la Supply Chain. Contact : juliette.rihal@cogence-consulting.com
Commentaires