Du pilote à l’industrialisation
Une démarche en six étapes pour sortir l’IA supply chain de la démonstration et l’ancrer dans les décisions que les planificateurs prennent chaque jour : partir des décisions qui créent de la valeur, éprouver chaque cas d’usage en conditions réelles, et ne laisser l’automatisation progresser qu’au rythme de la confiance.
Conçue pour les directions planification et opérations dont les pilotes d’IA n’ont jamais atteint l’usage quotidien.
- 6 étapesde la cartographie des décisions au passage à l’échelle
- 8–10 semainespour une feuille de route IA priorisée
- 12 semainespar vague de pilotes, en conditions réelles
La plupart des pilotes d’IA fonctionnent. Peu sont industrialisés.
Le modèle brille en démonstration, puis s’enlise au moment du passage à une équipe de planification qui vit d’exceptions, d’objectifs contradictoires et de tableurs que personne ne débranche. La cause est rarement l’algorithme. C’est un cas d’usage choisi pour sa technologie plutôt que pour sa valeur, des données jamais adaptées à la décision, et aucun accord sur qui tranche quand le planificateur et le modèle divergent. Notre démarche traite ces trois points.
C’est ainsi que notre fondateur a intégré l’IA à la planification au sein d’une multinationale des biens de consommation, où plus de 40 % des décisions de planification courantes s’exécutent désormais sans intervention manuelle. Nous décrivons ce schéma d’échec dans Why AI Pilots Die on the Shop Floor (en anglais). Dans notre démarche stratégique, l’IA constitue généralement l’un des programmes du schéma directeur ; cette démarche est la façon de le mener à bien.
- 01
Décisions
Cartographier les décisions récurrentes et la valeur en jeu.
- 02
Portefeuille
Noter les cas d’usage et choisir par où commencer.
- 03
Données
Fiabiliser les données dont chaque décision a besoin.
- 04
Preuve
Des pilotes en conditions réelles, mesurés face à une référence.
- 05
Équipes
Responsabilités de décision, dérogations et nouveaux rôles.
- 06
Échelle
Déployer par vagues, surveiller les modèles, suivre la valeur.
L’automatisation se mérite, un échelon après l’autre
Chaque cas d’usage vise un échelon cible. Il ne monte que lorsque sa précision et son taux de dérogation montrent que les équipes peuvent lui faire confiance.
Éclairage
Le modèle montre ce qui se passe et pourquoi. Les équipes décident et agissent.
Recommandation
Le modèle propose une décision. Les équipes l’acceptent, l’ajustent ou la rejettent, et chaque dérogation est tracée.
Action avec validation
Le modèle prépare l’action. Une personne la valide, souvent par lots.
Action dans un cadre
Le modèle agit seul dans des limites convenues et remonte les exceptions.
Les décisions qui touchent à la qualité ou à la sécurité des produits peuvent ne jamais dépasser le deuxième échelon, et c’est voulu.
Ce qui se passe à chaque étape
Les décisions d’abord
Nous partons des décisions, pas de la technologie. Avec la planification, les opérations et la finance, nous recensons les décisions récurrentes de la supply chain (prévisions, réapprovisionnement, allocation, ordonnancement, commandes fournisseurs) et estimons la valeur en jeu pour chacune : service, coûts, trésorerie et pertes. La question « que peut faire l’IA pour nous ? » devient « quelles décisions nous coûtent le plus lorsqu’elles sont tardives ou erronées ? »
Questions clésQuelles décisions sont prises le plus souvent ? Où une mauvaise décision coûte-t-elle le plus cher ?
- Un inventaire des décisions avec responsables, fréquence et valeur en jeu
- Une référence de performance pour chaque décision
Portefeuille de cas d’usage
Chaque cas d’usage candidat est noté selon la valeur, la faisabilité, la maturité des données et le risque. Nous commençons par trois à cinq cas capables de produire des résultats en un trimestre, et fixons pour chacun l’échelon d’autonomie visé.
Questions clésOù l’IA peut-elle prouver sa valeur le plus vite ? Quel niveau d’autonomie est réaliste ?
- Un portefeuille de cas d’usage notés
- Les cas d’usage de la première vague, avec business case et échelon cible
- Pour chacun, le choix de développer, d’acheter ou de s’associer
Données minimales viables
Plutôt qu’un programme data sur plusieurs années, nous fiabilisons les données des décisions retenues : un modèle de données commun pour les produits, les sites et les partenaires, des règles de qualité à la source et une fréquence de mise à jour adaptée à la décision. La plupart des décisions tactiques ont besoin de données fiables toutes les quelques heures, pas chaque seconde.
Questions clésDe quelles données chaque décision a-t-elle vraiment besoin ? Auxquelles peut-on se fier aujourd’hui ?
- Les besoins en données de chaque cas d’usage
- Un modèle de données commun et des règles de qualité
- Des responsables de données nommés
Prouver en conditions réelles
Les pilotes tournent dans le travail réel de planification, avec les planificateurs qui les utiliseront, face à une référence mesurée. Nous commençons généralement par des modèles prédictifs (ce qui va probablement se passer), puis ajoutons une logique prescriptive (que faire) une fois les prévisions jugées fiables.
Questions clésFait-il mieux que la façon de travailler actuelle ? L’équipe va-t-elle l’utiliser ?
- Des pilotes opérationnels en conditions réelles
- Des résultats face à la référence
- Pour chaque cas d’usage, une décision : poursuivre, ajuster ou arrêter
Les équipes et la machine
Nous convenons de qui tranche lorsque le planificateur et le modèle divergent, traçons chaque dérogation et en analysons les tendances, et redessinons les rôles pour que les planificateurs se consacrent aux exceptions et aux scénarios plutôt qu’aux ajustements de routine. Planificateurs et data specialists forment une seule équipe, et l’IA est présentée comme un levier de montée en compétences, pas de réduction d’effectifs : c’est ce qui fait durer l’adoption.
Questions clésQui porte désormais chaque décision ? Que devient le métier de planificateur ?
- Les responsabilités de décision pour chaque cas d’usage
- Des règles de dérogation et d’escalade
- Des profils de poste et un plan de formation
Déployer et piloter
Les cas d’usage éprouvés sont déployés par vagues sur les sites et les lignes de produits. Les modèles sont surveillés (précision, dérive), la valeur est suivie chaque mois dans la revue de planification existante, et le financement est débloqué par étapes au fil des résultats, plutôt que via un unique business case en amont.
Questions clésQue déployer ensuite ? Comment garder des modèles fiables dans la durée ?
- Une feuille de route de déploiement par vagues
- Un suivi des modèles avec des responsables clairement identifiés
- Un tableau de valeur revu chaque mois
Un fabricant de dispositifs médicaux de taille intermédiaire
Un fabricant européen d’instruments chirurgicaux et de dispositifs à usage unique, réalisant environ 300 millions d’euros de chiffre d’affaires, avec deux usines et un partenaire de stérilisation externe. Il vend aux hôpitaux en direct et via des distributeurs, gère des stocks en dépôt dans les blocs opératoires et environ 12 000 références soumises à des durées de vie et à une traçabilité par lot.
Le service aux hôpitaux est garanti par des stocks élevés, et des produits périmés sont détruits chaque année. Un précédent pilote de prévision par IA avait donné de bons résultats en test, mais n’a jamais été utilisé par l’équipe de planification.
En dix semaines de diagnostic, l’équipe a cartographié ses décisions, retenu quatre cas d’usage et fixé les règles entre les équipes et les modèles. La première vague de pilotes s’est déroulée au trimestre suivant. Les illustrations ci-dessous montrent comment la démarche prend forme.
Exemple illustratif d’un fabricant type de dispositifs médicaux de taille intermédiaire. Les noms, chiffres et calendriers sont indicatifs et ne décrivent aucun client en particulier.
Où se situent les décisions
| Décision | Fréquence | Valeur en jeu | Maturité des données |
|---|---|---|---|
| Prévision de la demande hospitalière, par produit et par compte | Hebdomadaire | ||
| Niveaux de stock en dépôt dans les hôpitaux | Hebdomadaire | ||
| Réapprovisionnement des centres de distribution | Quotidienne | ||
| Planification des créneaux de stérilisation | Quotidienne | ||
| Ordonnancement de la production | Quotidienne | ||
| Risque de péremption et rotation des stocks | Hebdomadaire | ||
| Calendrier des commandes de composants critiques | Hebdomadaire | ||
| Estimation des volumes d’appels d’offres | Mensuelle |
Choisir par où commencer
L’échelle d’autonomie, aujourd’hui et à 18 mois
Première vague de pilotes : résultats face à la référence
| Cas d’usage | Indicateur | Référence | Après 12 semaines |
|---|---|---|---|
| Prévision de la demande hospitalière | Erreur de prévision (MAPE pondéré) | 38 % | 29 % |
| Risque de péremption et rotation des stocks | Stock périmé avant utilisation, en % de la valeur du stock par an | 2,4 % | 1,6 % |
| Réapprovisionnement des centres de distribution | Commandes lancées sans modification manuelle | 15 % | 62 % |
| Planification des créneaux de stérilisation | Créneaux de stérilisation réservés réellement utilisés | 81 % | 90 % |
Une feuille de route sur 18 mois, en trois vagues
Un tableau de bord unique, revu chaque mois
| Dimension | Indicateurs |
|---|---|
| Adoption | Part des décisions prises sans modification manuelle ; taux de dérogation des planificateurs et leurs motifs |
| Qualité des modèles | Erreur et biais de prévision ; dérive de la précision de chaque modèle ; qualité des données à la source |
| Valeur business | Niveau de service aux hôpitaux ; stocks et trésorerie ; produits périmés détruits ; capacité de stérilisation utilisée |
| Compétences | Cas d’usage à chaque échelon de l’échelle d’autonomie ; planificateurs formés ; temps consacré aux exceptions plutôt qu’à la routine |
Quatre livrables, de la feuille de route à l’IA en production
Le diagnostic et la feuille de route prennent 8 à 10 semaines ; chaque vague de pilotes dure ensuite environ 12 semaines en conditions réelles.
Feuille de route IA et portefeuille de cas d’usage
L’inventaire des décisions, les cas d’usage notés, les échelons cibles d’autonomie et une feuille de route par vagues, avec leurs business cases.
Des données prêtes pour la première vague
Un modèle de données commun, des règles de qualité et des responsables nommés pour les données nécessaires aux premiers cas d’usage.
Des pilotes opérationnels, avec leurs résultats
Des pilotes en conditions réelles, mesurés face à la référence, avec pour chacun une décision : poursuivre, ajuster ou arrêter.
Un modèle opérationnel entre équipes et machines
Responsabilités de décision, règles de dérogation, profils de poste, formation et le tableau de bord mensuel qui maintient l’IA en production.
Votre IA supply chain est-elle en production, ou encore au stade pilote ?
Échangez directement avec notre équipe sur les décisions qui seraient rentabilisées en premier. Ou commencez par le diagnostic de maturité supply chain et IA en trois minutes.