Données temps réel et IA transforment la supply chain

Les données en temps réel deviennent un facteur stratégique pour la chaîne d'approvisionnement moderne. McKinsey souligne que les technologies numériques, associées aux données sur les produits et au suivi en temps réel, permettent de créer une base de données intégrée pour une meilleure planification des stocks et permettent aux équipes de prendre des décisions plus rapides et mieux informées.

C'est pourtant précisément là que réside le défi : les données historiques ou différées s'avèrent de plus en plus insuffisantes dans des chaînes d'approvisionnement complexes et omnicanales.

La visibilité en temps réel est désormais considérée comme une condition préalable essentielle pour gérer les stocks avec plus de précision, réduire les pertes et réagir plus rapidement aux écarts. GS1 indique que, dans la pratique, la RFID permet d'atteindre une précision des stocks de 93 à 99 %.

Ashley Burkle, directrice des ventes et du développement commercial chez Identiv, se concentre précisément sur cette intersection entre l'IA, l'IoT et l'identité numérique.

Dans cette interview, elle explique pourquoi la qualité et l’actualité des données deviennent le fondement même de l’IA dans la chaîne d’approvisionnement, comment la RFID et le BLE, combinés, créent une transparence évolutive, et pourquoi la capacité en temps réel est désormais bien plus qu’une simple fonctionnalité technologique pratique. Il s’agit de contrôle opérationnel, de prise de décision fiable et de la question de savoir comment les entreprises peuvent transformer les flux physiques de marchandises en informations exploitables et contextuelles.

Selon des études, les chaînes d’approvisionnement utilisant l’IA et des données en temps réel peuvent accélérer la prise de décision jusqu’à 90 %. Parallèlement, les applications basées sur l’IA dans la distribution et la chaîne d’approvisionnement pourraient réduire les stocks de 20 à 30 % si la qualité des données, les prévisions et le contrôle opérationnel sont alignés.

Dans la pratique, cette précision des stocks, combinée à l’intelligence de l’IA, peut libérer un potentiel de revenus et d’efficacité.

Comment la qualité des données influence-t-elle la performance des systèmes d’IA dans la supply chain, et quelles sont les limites des jeux de données purement historiques?

Ashley Burkle : Par le passé, les chaînes d'approvisionnement dépendaient fortement de la collecte périodique de données. Les informations n'étaient souvent disponibles qu'après la survenue d'un événement. Par conséquent, la capacité à réagir en temps réel était très limitée.
Aujourd'hui, cela ne suffit plus.

Les chaînes d'approvisionnement doivent être agiles et flexibles, ce qui nécessite des données continues, fiables et en temps réel. C'est précisément là que les technologies IoT telles que la RFID et le BLE changent la donne, car elles capturent en continu des données sur le mouvement et le statut des marchandises.

Lorsque ces données sont intégrées à des systèmes d’IA, elles peuvent être analysées à grande échelle et à grande vitesse. Les entreprises peuvent alors prendre des décisions en fonction de ce qui se passe réellement dans la chaîne d’approvisionnement, et non plus uniquement sur la base de tendances historiques ou de prévisions passées. C’est précisément là que résident les limites des ensembles de données purement historiques ou prédictifs. Dans un environnement de chaîne d’approvisionnement de plus en plus complexe, ils ne sont souvent pas assez rapides, précis ou robustes à eux seuls.

Comment définissez-vous une supply chain lente, et quelles conséquences concrètes cela a-t-il pour les entreprises, les produits et la production? Pourquoi cette situation est-elle encore acceptée comme une évidence?

Ashley Burkle : Je pense que toute personne ayant travaillé pendant des années dans le commerce de détail, les biens de consommation et les chaînes d’approvisionnement en général sait comment une chaîne d’approvisionnement fonctionne et réagit habituellement. Nous avons constaté que les chaînes d’approvisionnement sont essentiellement des processus de type point à point. Les marchandises passent de la fabrication à l’entrepôt d’un centre de distribution, puis à leur destination finale, un magasin de détail.

Lorsque le concept de commerce électronique omnicanal a commencé à émerger, les chaînes d’approvisionnement sont devenues beaucoup plus complexes, car elles ne livraient plus seulement aux magasins, mais aussi aux foyers individuels. Cela a considérablement accru la complexité des réponses que les centres de distribution doivent apporter. Nous avons également constaté que, à mesure que la technologie s'est démocratisée auprès des consommateurs, leurs attentes ont évolué plus rapidement. C'est pourquoi nous attendons désormais des informations en temps réel de la part des opérations de vente au détail et des chaînes d'approvisionnement, car nous pouvons les obtenir de tant d'autres sources, et elles sont à portée de main sur nos téléphones.

Tout cela a créé de nouvelles exigences et de nouvelles pressions sur la chaîne d'approvisionnement. Ainsi, lorsque je parle d'une chaîne d'approvisionnement lente, je fais essentiellement référence au modèle standard tel qu'il a existé pendant des décennies, voire des siècles : les marchandises étaient méthodiquement transportées de A à B selon des méthodes traditionnelles de commande et de prévision. Puis nous, en tant que consommateurs, avons bouleversé ce modèle et avons déclaré : « Non, nous voulons cela en temps réel. Nous voulons ce que nous voulons, quand nous le voulons et comme nous le voulons. »

Nous savons tous que certains détaillants ont relevé la barre en démontrant qu’ils pouvaient livrer des marchandises en deux heures, voire en 24 heures. Toutes ces évolutions ont conduit à percevoir les chaînes d’approvisionnement comme lentes alors que, franchement, elles fonctionnent simplement comme elles l’ont toujours fait.

Quel rôle jouent les données IoT en temps réel comme input pour les modèles d’IA, et comment des technologies comme le BLE, la RFID et les identités numériques créent-elles une transparence évolutive dans la supply chain?

Ashley Burkle : Les données IoT en temps réel montrent ce qui se passe réellement dans la chaîne d’approvisionnement à cet instant précis. Elles remplacent le recours traditionnel à des données différées ou historiques, permettant ainsi des décisions opérationnelles plus rapides et mieux informées.
Des technologies telles que la RFID et le BLE jouent ici un rôle central, car elles attribuent des identités numériques à des objets physiques. Cela permet de suivre de manière cohérente les produits, les actifs et les stocks tout au long de la chaîne d’approvisionnement.

La RFID permet l'identification rapide et évolutive de grandes quantités d'articles, jetant ainsi les bases de la transparence des stocks. Le BLE complète ces capacités grâce au suivi de localisation en temps réel et à la technologie des capteurs, notamment pour la température, les mouvements ou les conditions environnementales.

Ensemble, ces technologies offrent une vue d'ensemble complète de la chaîne d'approvisionnement en répondant à trois questions clés : qu'est-ce que c'est, où est-ce et que lui arrive-t-il ?
Lorsque ces données sont collectées en continu et intégrées à des systèmes d'IA, il en résulte un système capable de traiter de grandes quantités de données en temps réel et de les traduire en recommandations d'action concrètes.

Cela donne aux entreprises la transparence et la flexibilité dont elles ont besoin pour gérer activement leurs processus, plutôt que de se contenter de réagir aux événements.

Que signifie exactement « que lui arrive-t-il » dans ce contexte? Parle-t-on ici de données capteurs, c’est-à-dire de l’état d’un produit dans la supply chain?

Ashley Burkle : Oui, exactement. Par « ce qu’il en est », j’entends principalement la couche supplémentaire de données de statut et d’environnement. Il ne s’agit donc pas seulement d’identifier de manière unique un produit ou un actif et de connaître son emplacement, mais aussi de comprendre ce qui lui arrive réellement dans la chaîne d’approvisionnement.

Par exemple, cela pourrait signifier : un produit se réchauffe-t-il alors qu’il devrait rester au frais ? Est-il exposé à la lumière alors qu’il faudrait l’éviter ? Est-il déplacé, stocké de manière incorrecte ou sort-il d’une zone définie ? Ce sont précisément ces informations qui fournissent le contexte supplémentaire.

Cela crée un tout nouveau niveau de transparence. On ne se contente plus d’observer un simple point de données statique, mais on acquiert une meilleure compréhension de son état, de son utilisation et des écarts potentiels. Cela s’avère particulièrement précieux lorsqu’il s’agit d’actifs réutilisables ou de marchandises sensibles.

Et c'est précisément là que réside l'un des principaux atouts du BLE : cette technologie ajoute une nouvelle dimension aux données collectées, complétant ainsi les questions classiques « Qu'est-ce que c'est ? » et « Où est-ce ? » par la question cruciale « Que lui arrive-t-il ? »

Comment la RFID et le BLE se complètent-ils dans la pratique?

Ashley Burkle : La RFID et le BLE sont souvent utilisés conjointement dans la pratique car ils possèdent des atouts différents et se complètent donc très bien.
La RFID est particulièrement efficace lorsqu’il s’agit d’identifier rapidement et à grande échelle de grandes quantités d’articles. Elle jette les bases de la transparence des stocks et permet aux entreprises de savoir exactement où se trouvent leurs produits.

Le BLE ajoute une dimension supplémentaire à cette vision. Outre la simple identification, cette technologie fournit des informations en temps réel sur la localisation et l’état des objets, telles que des données de mouvement ou des valeurs environnementales comme la température.

Ensemble, cela permet d’obtenir une vision nettement plus complète de la chaîne d’approvisionnement. Alors que la RFID répond à la question « Qu’est-ce que c’est ? », le BLE fournit des informations supplémentaires sur « Où est-ce ? » et, surtout, « Que lui arrive-t-il ? ».
En particulier lorsqu’elle est combinée à l’IA, cette technologie crée un système qui non seulement assure la transparence, mais offre également du contexte et permet un contrôle actif des processus.

Pourquoi le temps réel est-il si important?

Ashley Burkle : Le temps réel est si important parce que les entreprises ne peuvent véritablement contrôler ce qui se passe dans leur chaîne d’approvisionnement que si elles comprennent la situation au moment même où elle se produit. Les données différées ne montrent que ce qui s’est déjà passé. Elles aident à l’analyse, mais pas à une réponse immédiate.

De nombreux systèmes backend traditionnels traitent principalement les données sous forme de transactions. Ils indiquent qu’un événement a été enregistré, mais ne fournissent pas encore de contexte réel. C’est précisément là qu’intervient l’IA : elle peut analyser les données entrantes en temps réel et en tirer des informations immédiatement exploitables.

La véritable valeur ajoutée ne réside donc pas seulement dans la rapidité de la collecte des données, mais aussi dans la capacité à interpréter ces données immédiatement et à les traduire en actions. Cela permet aux entreprises de réagir plus rapidement, d’adapter leurs processus et de prendre des décisions éclairées.

Je pense que cela jouera également un rôle majeur dans le contexte du Digital Product Passport. Après tout, les mêmes données doivent être présentées différemment selon le public cible : d’une part pour les décisions opérationnelles au sein de l’entreprise, et d’autre part pour le consommateur final. L’IA peut fournir le contexte nécessaire à cet égard et combler le fossé entre ces perspectives.

Comment l’IA en temps réel transforme-t-elle les processus opérationnels, de la génération d’insights aux actions automatisées, dans des domaines comme la gestion des stocks, la prévention des pertes, la conformité, l’optimisation logistique et la gestion des exceptions?

Ashley Burkle : Les chaînes d’approvisionnement modernes sont devenues nettement plus complexes, principalement en raison des modèles omnicanaux et des attentes croissantes des consommateurs. C’est précisément pour cette raison que les données traditionnelles, qui sont décalées dans le temps, ne suffisent plus aujourd’hui. Les données IoT en temps réel offrent une transparence sur les stocks, les mouvements de marchandises et leur statut à un niveau qui était auparavant impossible.

L'IA transforme les processus opérationnels en traitant ces flux de données continus en temps réel et en en tirant des informations exploitables. Ainsi, les entreprises peuvent non seulement voir ce qui se passe dans leur chaîne d'approvisionnement, mais aussi identifier les écarts, les risques ou les goulots d'étranglement. Cela inclut, par exemple, les stocks mal stockés, les problèmes de chaîne du froid, les actifs perdus tels que les machines ou les conteneurs réutilisables, ainsi que d'autres perturbations qui ralentissent les processus.

La différence essentielle réside dans le fait que l'IA en temps réel va au-delà de la transparence. Elle jette les bases pour réagir plus rapidement, redéfinir les priorités et gérer les processus plus efficacement. C'est précisément là que réside sa valeur pour la gestion des stocks, la prévention des pertes, l'optimisation logistique et la gestion des exceptions. Dans certains environnements, cela peut également conduire à des actions automatisées, telles que des alertes, des escalades ou des mesures de suivi pilotées par le système dès que des écarts définis sont détectés.

Des leaders du secteur tels qu'Amazon et Lululemon ont déjà démontré comment la transparence fondée sur les données peut transformer les attentes du marché. L'IA aide les chaînes d'approvisionnement à répondre à ces attentes en traduisant les données opérationnelles en temps réel en informations exploitables.

Quelles conditions infrastructurelles, techniques et organisationnelles sont nécessaires pour mettre en œuvre avec succès des solutions de données en temps réel et passer de projets pilotes à des solutions d’entreprise évolutives?

Ashley Burkle : Lorsque l'on examine les solutions de données en temps réel du point de vue de l'utilisateur final, la première exigence est une infrastructure capable de capturer, de transmettre et de traiter les données en continu. Les exigences spécifiques dépendent fortement de la technologie choisie et du cas d'utilisation particulier.

Avec la RFID, l’accent est principalement mis sur une infrastructure capable d’identifier rapidement et de manière fiable de grandes quantités d’articles, comme des étiquettes compatibles, des lecteurs, des points de lecture définis et l’intégration avec des systèmes de niveau supérieur. Avec le BLE, une autre dimension entre en jeu. Ici, il faut également un environnement où les données de localisation ou de capteurs, telles que la température, le mouvement ou l’humidité, peuvent être capturées en temps réel et transmises aux systèmes existants.

Cependant, le matériel n’est pas le seul élément qui compte. Les entreprises ont également besoin de systèmes qui intègrent, traitent et rendent ces données exploitables. C’est souvent là que réside le véritable défi aujourd’hui : non pas dans la technologie elle-même, mais dans l’intégration et la coordination entre les services concernés.

La solution la mieux adaptée dépend des objectifs de l'entreprise. Lorsqu'il s'agit de suivre rapidement des stocks importants, la RFID est souvent le bon choix. Lorsque des conditions telles que les exigences de la chaîne du froid doivent être surveillées ou que des actifs réutilisables doivent être suivis en temps réel, le BLE est souvent plus adapté.

Une mise en œuvre réussie nécessite donc non seulement une infrastructure technique adaptée, mais aussi un cas d'utilisation clairement hiérarchisé, une évaluation réaliste du retour sur investissement attendu et une solution conçue pour être évolutive dès le départ. Dans la pratique, les entreprises constatent souvent qu'après la mise en œuvre, elles exploitent davantage de données et de cas d'utilisation que prévu initialement. C'est souvent là que réside la valeur ajoutée.

Enfin, il ne faut pas sous-estimer le facteur humain : la formation, la surveillance, les boucles de rétroaction et des processus opérationnels clairs restent des éléments essentiels de toute mise en œuvre réussie.

Comment les entreprises peuvent-elles se protéger des risques liés à la sécurité lorsque l’intelligence IA en temps réel soutient les processus?

Ashley Burkle : Lorsque nous parlons du rôle de l'IA dans la chaîne d'approvisionnement, l'accent est principalement mis sur l'extraction d'informations exploitables à partir de grands volumes de données opérationnelles, et non sur la prise de décisions autonomes par l'IA sans supervision. La responsabilité de l'interprétation, de l'évaluation et des actions opérationnelles incombe toujours aux humains.

Un facteur de protection clé est, avant tout, la qualité des données. Plus les données d'entrée sont de bonne qualité, fiables et à jour, plus les informations qui en découlent seront solides. Les données en temps réel issues des technologies IoT telles que la RFID et le BLE contribuent à améliorer considérablement cette base.

Dans le même temps, la sécurité doit être envisagée à plusieurs niveaux. Cela inclut la protection au niveau des étiquettes et des puces, l'authentification, le chiffrement et le traitement sécurisé des données une fois qu'elles sont transférées vers les systèmes d'entreprise et y sont traitées. La sécurité et la protection des données sont ici tout aussi importantes que la sécurisation de l'infrastructure IoT sous-jacente.

Une approche multicouche est donc cruciale : collecte sécurisée des données, transmission protégée, architectures système fiables et supervision humaine lors de l'évaluation et de la mise en œuvre. C'est précisément cette combinaison qui aide les entreprises à minimiser les risques liés à la sécurité, même lorsque l'IA soutient les processus en temps réel.