Alors que des systèmes comme ChatGPT bouleversent les structures technologiques et les processus commerciaux établis, certains voient l’« IA générative » comme une solution miracle capable de résoudre tous les problèmes liés au travail. D’autres la considèrent comme le prélude à un maître marionnettiste insidieux qui rendra l’humanité obsolète.
Aucun de ces scénarios n’est exact.
Ces deux points de vue partent du principe que l’IA générative est quelque chose qu’elle n’est pas : une technologie omnisciente et toute-puissante capable d’accomplir n’importe quelle tâche à une vitesse surhumaine.
Mais ce n’est pas le cas. En termes simples, l’IA générative est un outil parmi d’autres. Il y a des tâches auxquelles elle excelle et d’autres où elle échoue lamentablement.
Cela soulève quelques questions :
- Qu’est-ce que l’IA générative exactement ? Que peut-elle faire (et ne pas faire) ?
- Quels sont les meilleurs cas d’utilisation de l’IA générative dans la planification de la chaîne d’approvisionnement ?
- Comment l’intégration de l’IA générative façonnera-t-elle l’avenir du travail dans le monde de la chaîne d’approvisionnement ?
Avec une approche équilibrée et une compréhension claire des forces et des limites de l’IA générative, il y a des possibilités passionnantes à explorer.
Qu’est-ce que l’IA générative et comment fonctionne-t-elle ?
L’IA générative (abrégée en « IA gen ») sert généralement des cas d’utilisation plus généraux. Dans la plupart des contextes commerciaux, ce terme fait référence à un sous-ensemble des modèles de langage de grande taille (LLMs) popularisés par des systèmes comme ChatGPT.
Les modèles de base, tels que GPT d’OpenAI, Claude d’Anthropic ou Llama de Meta, sont formés sur d’énormes quantités de données disponibles publiquement. En gros, ils fonctionnent comme de grandes machines de prédiction, répondant à la question : « Quelle est la meilleure réponse à votre requête en ayant lu l’ensemble de l’internet ? » Comme ceux qui les ont utilisés le savent, les LLMs ont tendance à « halluciner » et ne sont pas très performants pour les calculs mathématiques complexes.
Cependant, ils excellent dans le raisonnement, le traitement, la synthèse et la livraison d’informations de manière claire et conversationnelle. Alors, comment pouvons-nous appliquer ces forces à la gestion de la chaîne d’approvisionnement pour améliorer la vie humaine ?
Cas d’utilisation #1 : Copilotes verticaux
À terme, les copilotes IA deviendront omniprésents. Parfois appelés « assistants », les copilotes sont des systèmes alimentés par l’IA, souvent basés sur des modèles de base, enrichis de données propriétaires et optimisés pour servir un domaine commercial spécifique.
Imaginez comment nous utilisons déjà nos téléphones pour organiser notre vie quotidienne. Nous nous dirigeons vers un avenir où un copilote sur votre téléphone pourrait, par exemple, vous envoyer une alerte : « Votre vol part à 10h, mais le trafic s’aggrave. Voulez-vous que je vous commande un Uber maintenant ? »
Pour être clair, un modèle de Machine Learning (ML) hautement spécialisé en arrière-plan (et non l’IA générative) effectue des calculs complexes pour reconnaître qu’un trajet de 15 minutes est devenu une heure. Le ML est un sous-ensemble de l’IA qui analyse de grandes quantités de données pour identifier des motifs et générer des prévisions, en affinant continuellement ses calculs en fonction des résultats. (La chaîne d’approvisionnement utilise déjà le ML pour améliorer les plans et les prévisions.) Mais dans le cas de votre trajet vers l’aéroport, l’IA générative faciliterait la gestion des tâches de manière conversationnelle pour vous assurer de prendre votre vol.
Dans le monde des affaires, certaines entreprises utilisent déjà des copilotes verticaux, qui sont des assistants formés pour soutenir un secteur particulier (par exemple, des développeurs utilisant GitHub Copilot pour accélérer les tâches plus banales ou identifier des problèmes de codage).
Alors, à quoi pourrait ressembler un copilote vertical pour l’industrie de la chaîne d’approvisionnement ?
Tout d’abord, examinons la base de connaissances d’un bon copilote. Un copilote de la chaîne d’approvisionnement devrait être équipé des meilleures pratiques de l’industrie, lui permettant de répondre à des questions plus générales, telles que : « Quels facteurs dois-je prendre en compte pour la planification pré-saison ? » Il devrait également rendre les informations sur la solution de planification complémentaire facilement accessibles afin que les utilisateurs puissent s’intégrer rapidement, clarifier les questions liées à l’expérience utilisateur et approfondir leur compréhension générale de leur outil de planification. Cette base de connaissances doit être continuellement mise à jour avec les dernières informations et développements des meilleures pratiques.
Soutenu par cette richesse de connaissances, le copilote devrait s’intégrer de manière transparente dans les suites de solutions et les flux de travail quotidiens. Il pourrait être formé pour soutenir la chaîne d’approvisionnement en général ou pour des fonctions spécifiques comme la planification de la demande ou la planification de l’approvisionnement.
Au-delà des recommandations de bonnes pratiques, le copilote sera capable de générer des réponses contextuelles spécifiques à la chaîne d’approvisionnement d’une entreprise, offrant plus d’avantages aux utilisateurs, tels que :
- Répondre à des questions spécifiques au réseau, comme : « Où suis-je le plus à risque de ne pas satisfaire la demande des clients prévue, et comment puis-je résoudre le problème ? »
- Poser de manière proactive des questions « et si » au ML en arrière-plan, alerter les utilisateurs des anomalies et recommander des actions.
- Organiser les fonctions commerciales, telles que le S&OP, en synthétisant des documents et des conversations pour résumer les notes de réunion, attribuer des tâches et déterminer des délais.
La collaboration entre humains restera un trait distinctif de la planification de la chaîne d’approvisionnement ; après tout, la chaîne d’approvisionnement est un secteur humain. Cependant, l’IA générative offre une passerelle vers une collaboration à la fois humain-machine (qui est actuellement l’utilisation dominante de l’IA générative) et machine-machine. Cela allégera le travail répétitif et augmentera la productivité pour des chaînes d’approvisionnement et des processus commerciaux plus efficaces.
Cas d’utilisation #2 : Commerce conversationnel
Le commerce conversationnel est le concept d’utiliser l’IA générative pour alimenter des chatbots qui interagissent avec les consommateurs et font des recommandations d’achat basées sur les comportements des consommateurs.
C’est simplement le développement suivant du commerce social. Les détaillants ne sont pas étrangers aux écosystèmes omnicanal, et même les industriels se tournent vers des modèles commerciaux directs aux consommateurs. De nos jours, les consommateurs s’attendent à ce que les articles soient disponibles via plusieurs canaux d’achat, et la concurrence féroce exige une planification intelligente au niveau des canaux.
C’est pourquoi, à mesure que le commerce conversationnel se développe, il est important que ces bots intègrent des données presque en temps réel et s’intègrent au reste du processus de planification de la chaîne d’approvisionnement.
Comment la chaîne d’approvisionnement peut-elle bénéficier d’un tel agent ? Supposons qu’une personne aime ou commente une publication sur les réseaux sociaux concernant une paire de chaussures particulière. Un chatbot contacterait cette personne, lui montrant la chaussure dans toutes ses couleurs et tailles disponibles. La visibilité de la chaîne d’approvisionnement sur les niveaux de stocks actuels ou les prévisions futures garantirait que le bot ne recommande jamais l’article dans des couleurs ou tailles non disponibles ou susceptibles d’être en rupture de stock.
Ainsi, les entreprises peuvent offrir une expérience de shopping plus personnalisée tout en protégeant les stocks de détail et en évitant les ruptures de stock à mesure que de nouveaux canaux s’ouvrent.
L’avenir du travail : L’élément humain
L’IA générative est un excellent moyen de former et d’équiper les utilisateurs, et elle a sa place parmi les nombreuses technologies que les entreprises utilisent pour mieux gérer leurs chaînes d’approvisionnement. Par exemple, le ML est la technologie la plus pertinente pour les prévisions, mais l’IA générative peut facilement communiquer les informations et les apprentissages sur la demande aux utilisateurs pour une meilleure prise de décision.
L’IA générative est désormais un outil supplémentaire dans la boîte à outils de l’IA pour la prise de décision commerciale. Elle offre un potentiel significatif en complétant les approches algorithmiques existantes telles que l’optimisation, l’apprentissage automatique et les heuristiques, plutôt qu’en les remplaçant. En tirant parti de l’IA, les planificateurs et les décideurs humains acquièrent des super-pouvoirs qui leur fournissent des insights et des recommandations de grande qualité afin qu’ils puissent mettre à profit le meilleur de l’ingéniosité humaine. Après tout, comme le dit le proverbe : « Le rôle de l’IA n’est pas de transformer un humain en robot, mais d’éliminer le robot chez l’humain. »
Au bout du compte, les applications de l’IA générative visent à autonomiser les humains et à enrichir leur quotidien. Les bons outils fournissent les meilleurs apprentissages, mais il faudra toujours quelqu’un pour guider la stratégie.
