IA générative pour les chaînes d'approvisionnement : ouvrir la voie à une nouvelle ère d'efficacité et de durabilité

Publié: 2023-10-20

Tout récemment, une plainte a été déposée contre Volkswagen, BMW et Mercedes Benz auprès de l'Office fédéral allemand des affaires économiques et du contrôle des exportations, car les entreprises n'ont pas détecté de pratiques contraires à l'éthique dans leurs chaînes d'approvisionnement. Apparemment, les géants de la construction automobile s’appuyaient sur des matières premières extraites sous le travail forcé des minorités ouïghoures opprimées en Chine.

Il est difficile de garder le contrôle de ses propres stocks de nos jours, sans parler de la surveillance de chaînes d'approvisionnement entières. Heureusement, l’IA générative semble disposer des outils dont vous avez besoin pour y faire face. Vous pouvez faire appel à un cabinet de conseil en IA générative pour vous aider à anticiper la demande des clients, à découvrir toute pratique douteuse au sein de votre chaîne d'approvisionnement et à trouver de nouveaux fournisseurs qui correspondent à vos objectifs environnementaux et éthiques.

Intéressé? Voyons ensuite ce que l'IA générative peut faire d'autre pour la chaîne d'approvisionnement et à quels défis s'attendre lors de sa mise en œuvre.

Qu’est-ce que l’IA générative dans une chaîne d’approvisionnement ?

L'IA générative est une technologie qui peut créer de nouveaux contenus, tels que du texte, des images et même des documents, similaires aux exemples avec lesquels elle a été formée. C'est comme un assistant intelligent capable de produire du nouveau contenu à la demande sans être spécifiquement programmé pour chaque type de contenu.

Dans le contexte de la chaîne d'approvisionnement, l'IA générative s'entraîne sur de grandes quantités de données liées à la chaîne d'approvisionnement, telles que les informations logistiques, l'historique des ventes, les enregistrements d'inventaire, etc., et produit différents types d'informations, notamment des cartes d'itinéraire optimisées, des prévisions de demande, une évaluation des fournisseurs. rapports et stratégies de réapprovisionnement.

En quoi l’IA générative est-elle différente de la technologie d’IA traditionnelle ?

L’intelligence artificielle conventionnelle excelle dans l’analyse des données historiques et l’identification de modèles. Elle dispose d'un large éventail de capacités, notamment le traitement du langage naturel, la vision par ordinateur et l'apprentissage automatique, tandis que l'IA générative se concentre uniquement sur la production de contenu qui semble avoir été généré par des humains.

Des exemples d'IA traditionnelle dans notre vie quotidienne incluent les voitures autonomes, les moteurs de recommandation sur votre site Web d'achat préféré ou les assistants vocaux comme Siri ou Alexa. Les exemples d'IA générative tournent autour de la création de contenu. Ils incluent ChatGPT, qui produit du texte de type humain, et DeepDream, qui génère des images.

Vous pouvez en savoir plus sur le rôle de l’IA conventionnelle dans la résilience de la chaîne d’approvisionnement sur notre blog.

Avantages de l'IA générative pour la chaîne d'approvisionnement de votre entreprise

Après avoir déployé l’IA générative, même si vous l’appliquez à un ou deux cas d’utilisation, votre entreprise bénéficiera de tout ou partie des avantages suivants :

Une efficacité accrue grâce à l'IA générative qui peut optimiser les processus, tels que le réapprovisionnement et l'approvisionnement, ainsi que trouver des alternatives d'expédition plus rapides et moins chères.
Coûts de main-d'œuvre réduits car cela automatisera les tâches fastidieuses telles que les prévisions et la génération de rapports
Évolutivité améliorée car l’IA peut prendre en charge une charge supplémentaire sans qu’il soit nécessaire d’embaucher davantage de personnes
Satisfaction client améliorée car les algorithmes peuvent prévoir la demande et garantir qu'un inventaire ne soit jamais à court des produits préférés de vos clients.
Opérations rationalisées car l’IA peut prédire et résoudre les problèmes de la chaîne d’approvisionnement
Des employés plus productifs car ils peuvent désormais se concentrer sur des tâches qui correspondent mieux à leurs qualifications tandis que les modèles d'IA gèrent la génération de rapports volumineux et d'autres tâches fastidieuses.

Est-il judicieux de créer des modèles d’IA génératifs personnalisés ou d’affiner ceux existants ?

Il existe des solutions d'IA générative prêtes à l'emploi, telles que C3 Generative AI, qui peuvent être utilisées pour améliorer la visibilité de la chaîne d'approvisionnement. Bien que ces solutions puissent être très puissantes, une entreprise qui les utilise pour optimiser sa supply chain peut rencontrer les défis suivants :

Manque d'expertise dans votre domaine car ces solutions sont souvent conçues comme des modèles généralistes
Le résultat dépendra de l’ensemble de données de formation. S'il était de mauvaise qualité, contenait des biais ou ne correspondait tout simplement pas aux données de votre entreprise, le contenu généré reflétera ces problèmes.
Les algorithmes peuvent produire quelque chose sans rapport avec votre entreprise car ils ne comprennent pas les spécificités de vos données.

Pour des performances optimales, chaque organisation peut embaucher un consultant informatique pour la chaîne d'approvisionnement pour développer de nouveaux modèles d'IA ou affiner les modèles d'IA existants afin d'ajouter des connaissances spécifiques au domaine. Cette approche présentera les avantages suivants :

Précision accrue
Adapté aux besoins de votre organisation
Facile à intégrer dans vos processus
Pleine propriété de la technologie en cas de développement sur mesure
Adhérer aux exigences de conformité spécifiques à l’industrie

Mais gardez à l’esprit que les algorithmes personnalisés sont plus coûteux et prennent plus de temps à déployer car ils sont créés à partir de zéro et doivent être formés et validés. Le choix final est donc un compromis entre les besoins de votre entreprise et le budget disponible.

Cinq cas d'utilisation clés de l'IA générative dans la chaîne d'approvisionnement

Cas d'utilisation 1 : Aborder l'inventaire avec efficacité

L'IA générative peut analyser de grandes quantités de données et proposer des politiques et des suggestions sur la façon de mieux gérer les stocks compte tenu des tendances actuelles. Voici comment cette technologie peut contribuer à la gestion des stocks :

Recommander des politiques d'inventaire dynamiques : des algorithmes analysent en permanence les informations sur les ventes et les tendances de la demande pour suggérer des ajustements aux niveaux de stock de divers articles en temps réel afin de répondre aux besoins du marché.
Calculer les niveaux de stock de sécurité pour garantir qu'un inventaire ne soit pas à court d'articles populaires : les modèles d'IA peuvent calculer des niveaux de sécurité optimaux en fonction des fluctuations de la demande, des saisons et d'autres facteurs.
Simuler différents scénarios pouvant affecter les stocks, comme une forte augmentation de la demande et des perturbations de l'approvisionnement : cela permet aux entreprises d'élaborer un plan d'urgence pour se réapprovisionner en cas de besoin.
Réduire le gaspillage des stocks : l'IA générative peut repérer les articles en stock à rotation lente qui entraînent des coûts de détention élevés et recommander des stratégies pour améliorer le flux de produits, comme des remises et des campagnes marketing.
Trouver les tactiques de stockage et de distribution les plus efficaces pour différents produits

Exemple concret

Stitch Fix est une entreprise de mode dont le siège est en Californie. L'entreprise a formé des algorithmes d'IA générative sur ses nombreuses données sur les préférences des clients et d'autres informations, et le modèle a prédit quels produits vestimentaires seraient très demandés et a formulé des recommandations de réapprovisionnement des stocks. En conséquence, l'entreprise a signalé une diminution de 25 % des coûts associés au stockage et à la manutention des articles.

Cas d'utilisation 2 : livrer les expéditions plus rapidement et à moindre coût

Les entreprises peuvent utiliser l'IA générative pour la gestion de la chaîne d'approvisionnement afin d'analyser de grandes quantités de données sur les conditions météorologiques, les modèles de trafic et les expéditions afin de créer des cartes d'itinéraire optimisées afin que les fournisseurs puissent livrer des produits/matériaux plus rapidement et à moindre coût.

Ces modèles peuvent également surveiller les données en temps réel pour rediriger les expéditions déjà en transit en cas d'embouteillages, d'accidents ou de tout autre problème le long de l'itinéraire prévu. De tels plans d’itinéraire dynamiques aideront les conducteurs à s’adapter à la volée et à éviter de perdre des heures coincés dans les embouteillages.

Les entreprises reconnaissent cet avantage et le marché de l’IA générative dans la logistique connaît une croissance rapide. Il était évalué à 412 millions de dollars en 2022 et devrait monter en flèche pour atteindre 13,948 milliards de dollars d'ici la fin de 2032, avec un TCAC de 43,5 %.

Exemple concret

Un fabricant a intégré l’IA générative dans ses opérations pour gérer les stocks et optimiser les processus de la chaîne d’approvisionnement. Le système a analysé les données en temps réel et recommandé des options de réacheminement. L'entreprise a déclaré avoir réduit ses dépenses logistiques de 12 % au cours des six premiers mois de déploiement de l'IA.

Cas d'utilisation 3 : Garantir une chaîne d'approvisionnement durable et éthique

La recherche montre que les chefs d’entreprise s’orientent vers une chaîne d’approvisionnement éthique, qui inclut des efforts de développement durable, et l’IA générative peut contribuer à cette initiative. Les algorithmes peuvent analyser les données publiques des fournisseurs, telles que l'efficacité énergétique, la production de déchets, les pratiques de fabrication durables et l'approvisionnement en matières premières, pour décider quel fournisseur correspond le mieux à vos objectifs d'impact environnemental.

De plus, les modèles d’IA peuvent identifier les domaines dans lesquels votre entrepreneur existant peut réduire les déchets. Par exemple, cela peut suggérer de modifier la conception de l’emballage ou le processus logistique. Vous pouvez partager ces informations avec votre fournisseur s'il est ouvert aux pratiques respectueuses de l'environnement. De cette façon, vous pouvez toujours atteindre vos objectifs de développement durable sans mettre fin à votre partenariat avec vos fournisseurs.

Exemple concret

Les entreprises s’appuient sur des algorithmes d’IA générative pour détecter les pratiques non durables et contraires à l’éthique au sein de leur chaîne d’approvisionnement. Par exemple, Siemens et Unilever utilisent cette approche pour identifier les fournisseurs liés à la répression des musulmans ouïghours en Chine, évoquée en introduction.

Un autre exemple vient de Frenzy AI, basé en Californie, qui a construit un modèle d'IA génératif qui analyse des données, telles que les déclarations en douane et les documents d'expédition, pour retracer les produits jusqu'à différents fournisseurs et vérifier si leurs propres produits sont utilisés de manière éthique.

Cas d'utilisation 4 : Anticiper les besoins des clients

Les modèles d'IA générative peuvent traiter différents types de données telles que l'historique des ventes, les tendances saisonnières, les données économiques, les activités des concurrents, le sentiment des clients, etc. pour prévoir la demande. Les algorithmes peuvent surveiller tout cela en temps réel, vous informant des tendances à venir dès leur apparition. L'IA générative peut accomplir les tâches suivantes :

Prédire la demande pour différents produits et services, permettant ainsi aux entreprises d'informer leurs fournisseurs, de se réapprovisionner et de mieux servir leurs clients.
Modélisez différents scénarios sur la façon dont la demande peut changer afin que les entreprises puissent se préparer. Par exemple, cela peut montrer l’impact de la modification des stratégies de tarification et de marketing sur la demande.

Exemple concret

Walmart s'appuie sur un système de prévision de la demande génératif basé sur l'IA pour anticiper ce dont les clients auront besoin dans chaque magasin individuel. Le géant de la vente au détail utilise également cette technologie pour analyser le comportement des clients lors des événements du Black Friday et prévoir tout goulot d'étranglement potentiel.

Cas d'utilisation 5 : Trouver le bon fournisseur et négocier avec lui

Puisqu’elle peut analyser de grandes quantités de données sur la chaîne d’approvisionnement, l’IA générative peut donner de précieuses recommandations et aider à la vérification des fournisseurs. Voici ce que la technologie peut faire :

Classement des fournisseurs : les algorithmes peuvent classer les fournisseurs en fonction de critères prédéfinis, tels que le prix et la qualité des matières premières.
Évaluation des pratiques de développement durable : cela comprend l'évaluation de l'empreinte environnementale, de la responsabilité sociale et de la production de déchets d'un fournisseur potentiel.
Évaluer les risques associés à chaque fournisseur, tels que les risques géopolitiques, les facteurs économiques et autres vulnérabilités
Générer des stratégies de négociation de contrats adaptées à chaque fournisseur

Les algorithmes d’IA peuvent également continuer à surveiller les fournisseurs partenaires pour s’assurer qu’ils respectent leurs obligations contractuelles et maintiennent les niveaux de qualité attendus.

Exemple concret

Walmart a expérimenté un robot d'IA générative de Pactum AI capable de négocier des accords avec les fournisseurs. Cette approche a permis au détaillant d'économiser environ 3 % sur les dépenses contractuelles. Étonnamment (ou pas), trois fournisseurs sur quatre ont en réalité préféré négocier avec le bot.

Défis que vous pourriez rencontrer avec l'IA générative dans la gestion de la chaîne d'approvisionnement

Si vous souhaitez mettre en œuvre l’IA générative, soyez prêt à relever l’ensemble de défis suivants :

Problèmes liés aux données

Les modèles d’IA générative ont besoin de grandes quantités de données de qualité pour faire leur travail. Si les données sont fragmentées, incomplètes et obsolètes, les résultats ne seront pas précis. Et vous ne pouvez pas contrôler quel type de données sur les fournisseurs est accessible au public, alors essayez de définir des attentes raisonnables lorsque vous vous appuyez sur les données proposées par d'autres.

Les modèles fonctionneront également sur les données de votre organisation, telles que l'historique des ventes et les statistiques financières. Ce sont les données que vous pouvez contrôler, alors assurez-vous qu’elles sont claires, impartiales et accessibles.

Intégration avec les systèmes existants

Votre nouvelle solution d'IA doit s'intégrer parfaitement au système existant et se connecter à d'autres applications pour accéder à leurs données. Cela pourrait impliquer d’adapter les systèmes existants, ce qui constitue un énorme défi. Et vous devrez peut-être repenser certains de vos processus. L’IA générative est également très puissante et nécessite des ressources de calcul et une capacité de stockage de données considérables. Pensez à adapter votre infrastructure ou à organiser un hébergement cloud.

De plus, vous devrez probablement intégrer les logiciels de vos fournisseurs et vous aligner sur leurs flux de travail. Vérifiez s'ils disposent d'une API dédiée que vous pouvez utiliser pour la collecte de données.

Défis associés à l’utilisation de l’IA

Parfois, le manque d’explicabilité de l’IA peut être un problème. Il n'est pas toujours possible d'expliquer pourquoi l'IA générative a produit cette réponse/suggestion/stratégie. Prenons l'exemple des rapports de conformité. Si une organisation souhaite obtenir la certification ISO, elle doit documenter ses processus pour démontrer leur conformité. Mais s’il s’appuie trop sur l’IA générative pour le reporting, il ne sera peut-être pas en mesure de le faire.
Vous devez vous conformer aux normes de votre secteur en matière d'utilisation de l'IA et aux réglementations générales en matière de confidentialité dans votre domaine d'activité.

Problèmes post-déploiement

Tout système d’IA doit être conçu dans un souci de sécurité, car il fonctionne avec de grandes quantités d’informations sensibles. Il existe un ensemble de pratiques que les entreprises doivent suivre pour garantir la sécurité des données. Cela inclut le chiffrement des données pendant le transfert et au repos, la mise en œuvre de mécanismes d'authentification et la surveillance des accès non autorisés, pour n'en citer que quelques-uns. Vous devrez également partager des données avec votre réseau de fournisseurs. Assurez-vous également que cela est sécurisé.
Les modèles d'IA nécessitent des audits, des évaluations de performances et des mises à jour régulières pour rester efficaces et pertinents.

Le facteur humain

Après avoir déployé l’IA générative pour la gestion de la chaîne d’approvisionnement, vous souhaitez que les employés l’acceptent, l’utilisent et contribuent à son amélioration. Il est préférable de formaliser les règles qui régiront la collaboration homme-IA et de préciser qui est responsable des résultats finaux. Et c'est un défi. À qui la faute si un inventaire est inondé de produits que personne ne veut acheter ? Et qui est responsable si un fournisseur sélectionné par AI ne livre pas à temps deux fois de suite ?

L’entreprise est également responsable de former ses employés à travailler avec l’IA et à suivre des pratiques sécurisées en matière de données.

Convaincu que vous avez besoin d’une IA générative ? Voici quoi faire ensuite

Voici neuf conseils qui vous aideront à démarrer la mise en œuvre de l’IA :

Définissez vos objectifs commerciaux et ce que vous souhaitez réaliser avec l'IA générative pour une chaîne d'approvisionnement. Cela déterminera à quelles données vos modèles doivent accéder.
Envisagez la collecte automatisée de données afin que vos algorithmes aient accès à des informations à jour.
Préparez vos données à être utilisées par les algorithmes d'IA et de ML.
Assurez-vous d'obtenir le consentement pour utiliser les données de formation lorsque cela est nécessaire et respectez les réglementations en matière de confidentialité des données.
Établissez de solides pratiques de gouvernance des données ou faites appel à des services de gestion de données tiers.
Favorisez la collaboration en matière de données entre votre organisation et vos fournisseurs.
Embauchez un fournisseur d’IA fiable pour créer ou personnaliser des algorithmes d’IA générative capables de répondre à vos besoins uniques.
Commencez par un projet pilote à petite échelle et tirez les leçons des échecs.
Surveillez les modèles après le déploiement. Mettez en œuvre une boucle de rétroaction qui permet aux utilisateurs de signaler leurs préoccupations et leurs recommandations.

Si vous vous interrogez sur les coûts associés à la mise en œuvre de l’IA, consultez notre article détaillé sur le coût de l’intelligence artificielle.

Contactez-nous si vous avez des questions concernant l'utilisation de l'IA générative pour la gestion de la chaîne d'approvisionnement ou si vous souhaitez une estimation précise des coûts de votre projet. Nous vous aiderons à créer/personnaliser des modèles d’IA, à vous accompagner dans la collecte et le nettoyage des données, et à auditer vos modèles à la demande.

Cet article a été initialement publié sur le site Web Itrex.