Comment la gestion des chaînes logistiques pourrait être transformée par l'IA générative

L'intelligence artificielle (IA) est devenue un sujet central ces dernières années, entraînant une transformation profonde dans divers domaines, et l'IA générative (IAG) est à l'avant-garde de cette révolution.

L'IA générative est un modèle d'apprentissage automatique qui est entraîné à créer de nouvelles données. Nous connaissons tous, par exemple, GPT-4 et DALL-E d'OpenAI ; ces modèles sont capables, d'une certaine manière, d'imiter la pensée et la créativité humaines (1).

Cette nouvelle technologie apparaît comme une potentielle force de transformation dans la gestion de la chaîne d'approvisionnement. Quel est son impact dans ce domaine ? Et comment pouvons-nous mettre l'IA générative au service de la gestion des chaînes d'approvisionnement, malgré ses limites ?

Sachin Kamble, professeur de stratégie à l'EDHEC Business School, explore dans cet article ce qu'est exactement l'IA générative et comment elle peut bénéficier à la gestion de la chaîne d'approvisionnement (2).

Tout d'abord : qu'est-ce que l'IA générative ?

L'intelligence artificielle générative représente une avancée majeure dans les capacités offertes par les technologies basées sur l'intelligence artificielle. Contrairement à l'IA traditionnelle, qui se concentre principalement sur l'analyse de données et la réalisation de prédictions, l'IA générative est conçue pour créer de nouveaux contenus. Elle peut par exemple produire des images, de la musique, du texte et des conceptions complexes, démontrant ainsi des capacités remarquables pour imiter la créativité humaine.

Alors que l'IA se concentre sur la gestion de tâches spécifiques, l'IAG développe des systèmes cognitifs capables de comprendre, d'apprendre et d'appliquer l'intelligence à différents sujets. Ses applications sont variées (3), allant de l'accélération de la recherche scientifique à l'amélioration des processus créatifs dans des secteurs spécifiques.

Les technologies clés qui sous-tendent l'IAG comprennent les algorithmes d'apprentissage profond et de traitement du langage naturel (NLP). L'apprentissage profond utilise des algorithmes pour simuler le processus cérébral humain. Il peut effectuer des tâches allant de la reconnaissance d'images et de la parole à la traduction de langues. Le NLP permet aux ordinateurs de comprendre (et de communiquer avec) le langage humain.

L'un des modèles IAG les plus connus est GPT-4, qui produit des textes "réalistes". Vous le connaissez probablement déjà. Il permet à l'utilisateur de soumettre une demande ou une question, ce qui incite l'IA à générer un nouveau contenu. Parmi les autres outils notables, on peut citer :

• Scribe, un assistant de rédaction IA utilisé pour la création de contenu ;
• AlphaCode et GitHub Copilot, qui sont des assistants de codage fournissant aux développeurs des extraits de code et des suggestions contextuelles pour leurs tâches de codage ;
• Dall-E2, qui crée des œuvres d'art visuelles et des illustrations ;
• Duet AI, qui aide les artistes à créer des compositions musicales.

Comment l'IAG peut être utilisée pour (mieux) gérer les chaînes logistiques ?

L'intelligence artificielle générative peut être utilisée dans de nombreux domaines, notamment la gestion de la chaîne d'approvisionnement. En effet, elle a le pouvoir de rendre la technologie de la chaîne d'approvisionnement beaucoup plus smart en termes d'efficacité et de productivité. 

Les entreprises ont déjà déployé l'IA dans leurs chaînes d'approvisionnement pour la planification de la demande et les achats, tout en explorant son utilisation dans d'autres domaines (inventaire, logistique, planification de la demande, etc.). Selon une étude EY (4), 40 % des organisations de la chaîne d'approvisionnement investissent actuellement dans l'IA générative. 

Voici quelques exemples d'utilisation de l'IA générative dans la gestion de la chaîne d'approvisionnement :

'Plan' (Processus visant à équilibrer l'offre et la demande globales)

L'IAG peut vous aider à prévoir la demande (en utilisant des données historiques), à planifier vos stocks et votre production, et à réduire les risques.

'Source' (Processus d'acquisition de biens et services)

L'IAG peut être un outil puissant dans la gestion des fournisseurs, l'approvisionnement et la gestion des contrats.

'Make' (Processus qui transforment la matière première en produits finis)

L'IAG peut générer et évaluer des conceptions, et créer des programmes de maintenance prédictive.

'Deliver' (Processus qui permettent de mettre les produits finis et les services sur le marché)

L'IAG peut vous aider à optimiser votre réseau mondial et à concevoir votre réseau logistique.

'Return' (Processus axés sur les retours de produits)

L'IAG peut être utilisée pour prédire le nombre de retours et trouver les meilleures façons de les traiter.

Outre les utilisations susmentionnées, l'IA générative peut être utilisée pour atteindre des objectifs durables. Par exemple, l'entraînement de modèles d'IA générative à partir de données sur les performances de la chaîne d'approvisionnement relatives à des paramètres durables tels que l'utilisation des matériaux, les niveaux de pollution, le recyclage et les matériaux renouvelables peut permettre de rendre les processus plus durables. Cela est important, car plus de 90 % des émissions de gaz à effet de serre d'une organisation et 50 à 70 % de ses coûts d'exploitation sont attribuables aux chaînes d'approvisionnement (5).

Comprendre les avantages de l'IA générative dans la gestion de la chaîne logistique

Comme nous l'avons vu, les entreprises peuvent intégrer l'IA générative dans les cinq éléments fondamentaux des opérations de la chaîne logistique. Cela implique un énorme potentiel pour les professionnels de la chaîne logistique.

Concrètement, comment l'IA générative peut-elle contribuer à la mise en place de chaînes logistiques efficaces et résilientes ? Voici une liste de ses principaux avantages :

• Réduction des coûts (car les tâches répétitives, telles que le suivi et la documentation des stocks, peuvent être effectuées avec plus de précision et moins de main-d'œuvre).
• Amélioration de la sécurité (grâce aux systèmes d'IA capables de surveiller les environnements de travail et de détecter les conditions qui menacent la sécurité des travailleurs).
• Augmentation de l'efficacité et optimisation des opérations.
• Amélioration de la satisfaction client.
• Amélioration de la prise de décision.
• Amélioration de la durabilité.

Quelles sont les limites et les défis de l'IA générative ?

La mise en œuvre de l'IAG dans la gestion des chaînes d'approvisionnement ne peut se faire du jour au lendemain. Si cette technologie présente un potentiel considérable, elle comporte également son lot de défis et de limites.

Malheureusement, ces défis peuvent limiter son déploiement dans la gestion des chaînes d'approvisionnement et constituer des obstacles potentiels. En voici quelques-uns :

Coûts de formation

Comme pour toute technologie, la mise en œuvre de l'IA et son intégration dans les environnements de production nécessitent une formation (coûteuse).

Données d'entraînement limitées

Les performances de l'IAG dépendent de la disponibilité de données d'entraînement exhaustives, ce qui peut s'avérer difficile pour de nombreuses chaînes d'approvisionnement, car ces données sont détenues par différentes parties prenantes.

Diversité des données

Il va sans dire que l'IAG nécessite des données normalisées et de haute qualité pour établir des prévisions précises. Cependant, dans la plupart des chaînes d'approvisionnement, les données ne sont pas normalisées en raison de l'utilisation de différents systèmes, équipements et formats de données. De plus, les données peuvent être diverses et fragmentées, avec des niveaux de qualité inégaux. Cette incohérence peut entraîner des résultats faussés.

Déploiement et évolutivité

Le déploiement de l'IA générative dans la gestion de la chaîne d'approvisionnement peut entraîner des défis financiers et infrastructurels considérables. En effet, l'intégration de l'IAG aux technologies existantes nécessite une infrastructure informatique robuste et évolutive, capable de traiter des données complexes.

Adaptation en temps réel et environnements dynamiques

Comme nous l'avons vu, l'IAG repose principalement sur des données historiques. Elle peut donc rencontrer des difficultés à s'adapter rapidement à des événements imprévus (tels que des catastrophes naturelles, des retards dans les transports, etc.), ce qui peut entraîner une prise de décision inappropriée.

Considérations relatives à la confidentialité et à l'éthique

Enfin, le développement des IAG nécessite de prendre en compte les questions éthiques et juridiques. Nous savons que les IAG reposent sur des volumes de données importants, ce qui peut poser des problèmes en matière de sécurité, de confidentialité et d'utilisation éthique des données. Ces situations exigent que les chaînes d'approvisionnement respectent strictement les règles, telles que le règlement général sur la protection des données (RGPD).

En conclusion

Au fil des ans, l'IA a révolutionné la gestion de la chaîne d'approvisionnement en fluidifiant tous les sous-processus tels que la planification, l'approvisionnement, la fabrication, la livraison et le retour. Elle devrait avoir un impact positif sur la gestion de la chaîne d'approvisionnement en favorisant la productivité, la sécurité, la durabilité et la créativité.

Cependant, le déploiement de l'IA générative dans les chaînes d'approvisionnement s'accompagne de défis propres : coûts de formation, considérations éthiques, manque de diversité des données... Il est essentiel de reconnaître ces problèmes potentiels afin de pouvoir les surmonter plus facilement.

Dans un avenir proche, les chaînes d'approvisionnement pourront s'appuyer sur l'IA générative pour optimiser leurs opérations et prospérer sur un marché de plus en plus concurrentiel.

Photo par Ashley via Unsplash

Références

(1) AI Mimics Human Creativity, But Also Boosts It (2023), Forbes - https://www.forbes.com/sites/joemckendrick/2023/07/16/ai-may-or-may-not-be-able-to-mimic-human-creativity-but-certainly-can-boost-it/

(2) Cet article EDHEC Vox s'appuie sur les recherches menées par Sachin Kamble sur l'IA générative et la chaîne d'approvisionnement, dont voici une sélection des trois principales :

• How to use no-code artificial intelligence to predict and minimize the inventory distortions for resilient supply chains (2024), International Journal of Production Research - https://doi.org/10.1080/00207543.2023.2166139
• Adoption of Artificial Intelligence and Cutting-Edge Technologies for Production System Sustainability: A Moderator-Mediation Analysis (2022), Information Systems Frontiers - https://doi.org/10.1007/s10796-022-10317-x
• Artificial intelligence-driven innovation for enhancing supply chain resilience and performance under the effect of supply chain dynamism: an empirical investigation (2021), Annals of Operations Research - https://doi.org/10.1007/s10479-021-03956-x

(3) The Generative AI Dossier - A selection of high-impact use cases across six major industries (2023) Deloitte AI Institute - https://www2.deloitte.com/us/en/pages/consulting/articles/gen-ai-use-cases.html

(4) How sustainable supply chains are driving business transformation (2022) EY - https://www.ey.com/en_gl/insights/supply-chain/supply-chain-sustainability-2022

(5) Supply chain guidance - information for organizations interested in reducing their supply chain emissions (2022), US Environmental Protection Agency - https://www.epa.gov/climateleadership/supply-chain-guidance