- 92 % des entreprises prévoient d’augmenter leurs investissements en IA, mais seulement 1 % se considèrent matures dans son déploiement.
- La qualité et la disponibilité des données en temps réel sont des conditions préalables essentielles pour exploiter pleinement le potentiel de l’IA.
- Le suivi des indicateurs clés de performance (KPI) permet de quantifier la valeur ajoutée de l’IA et de justifier les investissements.
- Le rôle stratégique des données conduit à la création de nouvelles fonctions et modèles organisationnels pour gérer l’IA dans l’entreprise.
Le problème ne réside pas dans l'IA, mais dans une méconnaissance de ses propres processus
L'intelligence artificielle, lorsqu'elle est associée à des données en temps réel, n'est plus une simple question technologique, mais un enjeu de gestion stratégique pour les entreprises. La pression pour agir est forte. Selon McKinsey, 92 % des entreprises prévoient d'augmenter leurs investissements dans l'IA au cours des trois prochaines années.
Dans le même temps, seulement 1 % des entreprises interrogées se décrivent comme véritablement « matures » dans leur mise en œuvre, c'est-à-dire des organisations où l'IA est déjà solidement intégrée aux processus et génère des résultats commerciaux tangibles.
Une grande partie du débat sur l’IA dans la chaîne d’approvisionnement se concentre sur les algorithmes et les applications. Dans la pratique, cependant, les performances sont limitées par la couche de données. Le point de vue d’Ashley Burkle s’appuie sur l’IoT, où des technologies telles que la RFID et le BLE génèrent les données précises en temps réel dont l’IA dépend pour fonctionner dans des environnements opérationnels.
Cet écart entre investissement et maturité se résume souvent à une question plus fondamentale : comprendre où l'IA peut apporter une valeur mesurable au sein des opérations existantes – et si les données sous-jacentes sont suffisantes pour la soutenir.
Historiquement, les données de la chaîne d'approvisionnement ont toujours été périodiques et différées, arrivant après que les événements se sont déjà produits. Les données IoT en temps réel changent cette dynamique en reflétant ce qui se passe au fur et à mesure que cela se déroule.
Ce n'est que sur cette base que la valeur de l'IA peut être évaluée, que des indicateurs pertinents peuvent être identifiés, et que les investissements peuvent être hiérarchisés et justifiés de manière significative.
Ashley Burkle, directrice des ventes et du développement commercial chez Identiv, indique clairement que la clé ne réside pas dans la technologie elle-même, mais dans la capacité des entreprises à rendre l'impact mesurable et à aligner systématiquement les décisions sur les résultats opérationnels. McKinsey montre également que le suivi d'indicateurs de performance clés (KPI) clairement définis pour les solutions d'IA figure parmi les pratiques ayant la plus forte influence sur les avantages économiques.
À propos d'Ashley Burkle
Ashley Burkle est directrice des ventes et du développement commercial chez Identiv, où elle s’intéresse particulièrement au rôle de l’IoT et des technologies d’identification dans les chaînes d’approvisionnement modernes. Forte de son expérience et de sa connaissance des récentes évolutions du secteur, elle considère l’IA comme l’un des enjeux les plus critiques pour les organisations aujourd’hui. Son travail porte sur la manière dont des technologies telles que la RFID et le BLE servent de sources de données fondamentales pour la prise de décision basée sur l’IA.
Elle met en avant à la fois les atouts et les considérations de déploiement de ces technologies, ainsi que les défis pratiques auxquels les organisations sont confrontées lors de leur mise en œuvre. L'un des axes principaux de son expertise est la transition des modèles historiques et prédictifs vers l'intelligence en temps réel dans la chaîne d'approvisionnement physique, ainsi que l'impact opérationnel concret que ce changement permet.
L'IA a atteint le niveau de la direction
Ashley Burkle affirme clairement que le sujet de l'IA a désormais atteint les plus hauts échelons. « Je pense que les membres des conseils d'administration et les décideurs ont pris conscience de la nécessité d'agir en matière d'IA. » Ceux qui hésitent trop longtemps risquent de se faire distancer par la concurrence. « Si vous n'agissez pas rapidement et ne restez pas à la pointe de l'innovation, vous êtes déjà en retard sur vos concurrents. »
Entre potentiel et incertitude
Dans le même temps, Mme Burkle constate une grande incertitude dans de nombreuses entreprises quant à l’intégration concrète de l’IA dans les processus opérationnels. Si le potentiel est énorme, c’est précisément ce qui rend le démarrage difficile. « Je pense qu’il existe une certaine incertitude quant à la manière dont nous pouvons utiliser l’IA et l’appliquer à nos processus opérationnels pour améliorer l’efficacité opérationnelle, réduire les coûts et, bien sûr, offrir une meilleure expérience à nos clients », explique-t-elle.
Cette multitude de possibilités soulève une question centrale à laquelle de nombreuses entreprises sont actuellement confrontées : « Par où commencer ? Que mettre en œuvre en premier ? Comment investir en premier lieu ? » Selon Mme Burkle, la plupart des entreprises sont encore en train de réfléchir à cette question de priorisation.
Pas de déploiement significatif de l’IA sans compréhension des processus
Elle estime que, dans la plupart des cas, le frein n’est pas l’IA en soi, mais le fait de savoir si les organisations disposent des données, des systèmes et de la coordination nécessaires pour l’appliquer précisément là où elle peut apporter des améliorations concrètes.
« Les entreprises qui réussissent à court et à long terme se concentrent sur le déploiement de l’IA là où elle améliore réellement leurs processus, en s’appuyant sur la chaîne d’approvisionnement existante et les données disponibles », explique Mme Burkle.
La qualité des données est ici cruciale. L'IA ne peut être efficace que si les informations sur lesquelles elle s'appuie le sont également. Si la collecte, le traitement et la qualité des données ne sont pas optimaux, la valeur ajoutée reste limitée.
Il en découle une condition préalable évidente : les entreprises doivent comprendre leurs propres processus en détail. Ce n’est que lorsque les flux de travail, les points faibles et les flux de données tout au long du cycle de vie du produit sont transparents qu’il est possible de déterminer de manière pertinente où l’IA peut apporter une réelle valeur ajoutée.
L'IA n'est plus un sujet de niche
L’IA ouvre un champ de possibilités immense, mais sans une compréhension claire de sa propre réalité opérationnelle, il devient difficile de décider par où commencer et quelles applications privilégier. Dans le même temps, la pression ne cesse de monter. L’IA n’est plus un sujet marginal, mais est devenue un facteur stratégique dans presque tous les secteurs.
« Les gouvernements, les entreprises et les marchés financiers en parlent, et les grands acteurs du marché comme Amazon démontrent très clairement à quel point l’IA est devenue centrale pour le développement futur des modèles économiques », explique Ashley Burkle. C’est pourquoi les fondements sont si cruciaux : « Quiconque souhaite intégrer l’IA avec succès doit d’abord comprendre ses propres processus. Ce n’est qu’alors que les données pourront être utilisées correctement, que des cas d’utilisation pertinents pourront être définis et que les investissements pourront être mis en œuvre de manière ciblée. »
Pour approfondir ces enjeux, Ashley Burkle aborde le rôle stratégique du RTLS, de l’IA et des données dans l’avenir de la gestion de la chaîne d’approvisionnement.
Comment le RTLS et l’IA modifient-ils les décisions stratégiques ? Comment les entreprises devraient-elles aborder ces opportunités futures ?
Ashley Burkle : Le RTLS et l’IA modifient fondamentalement la manière dont les décisions stratégiques sont prises dans les chaînes d’approvisionnement. Pendant de nombreuses années, les chaînes d’approvisionnement fonctionnaient de manière relativement similaire, mais cela a radicalement changé en peu de temps. C’est précisément là que l’importance du RTLS et de l’IA devient évidente.
Les entreprises s'éloignent d'un style de gestion axé sur les rapports pour s'orienter vers une intelligence opérationnelle en temps réel. Cela signifie que les décisions ne reposent plus uniquement sur la planification trimestrielle ou des prévisions statiques, mais bien davantage sur les données actuelles et ce qui se passe réellement dans l'entreprise à l'instant présent. Cela permet aux entreprises de réagir avec plus de souplesse et de prendre de meilleures décisions au quotidien.
Cela modifie bien sûr également la logistique. Au lieu de se contenter de réagir aux problèmes, les entreprises peuvent agir de manière plus proactive, ajuster les processus plus tôt et gérer les chaînes d'approvisionnement de manière globalement plus efficace. Lorsque l'IA vient s'ajouter à l'équation, cet effet est encore renforcé. L'IA peut analyser de grandes quantités de données plus rapidement, identifier des tendances et fournir des informations supplémentaires qui servent de base aux décisions humaines.
En fin de compte, il ne s'agit donc pas seulement de technologie, mais aussi d'un changement de mentalité au sein des entreprises, qui s'éloignent des anciens schémas bien établis pour s'orienter vers une culture où les décisions fondées sur les données, la transparence et l'adaptabilité jouent un rôle bien plus important.
Qui assumera à l'avenir la responsabilité stratégique des données en tant que facteur de production opérationnel, et comment les entreprises doivent-elles s'y préparer ?
Ashley Burkle : Nous nous souvenons tous de l’époque où le terme « big data » a fait son apparition et où il est devenu évident que les données prenaient de plus en plus le statut de facteur de production clé, au même titre que la main-d’œuvre, le capital et les matières premières. Leur valeur a fortement augmenté ces dernières années, en particulier dans les chaînes d’approvisionnement.
De nombreuses grandes entreprises ont déjà réagi en créant des postes tels que celui de directeur des données (Chief Data Officer) ou de directeur du numérique (Chief Digital Officer) et en mettant en place leurs propres départements de données transversaux. Selon la structure organisationnelle, ces équipes sont rattachées à différents services, mais leur mission principale reste la même : veiller à ce que les données soient collectées, gérées et exploitées de manière stratégique.
Le point essentiel ici est que les données ne peuvent plus être considérées de manière isolée au sein de chaque service. Aujourd’hui, elles circulent dans pratiquement toutes les fonctions d’une entreprise. Quiconque souhaite travailler de manière plus agile et davantage axée sur les données a donc besoin d’une structure centrale qui assume la responsabilité de l’utilisation des données, de leur qualité et, de plus en plus, de l’utilisation judicieuse de l’IA.
Je pense que nous verrons apparaître encore davantage de nouveaux rôles, de nouvelles responsabilités et de nouveaux modèles organisationnels à l’avenir. Mais quel que soit le titre, l’essentiel est le suivant : les entreprises doivent se préparer à un modèle opérationnel fondé sur les données, les boucles de rétroaction en temps réel et la collaboration interfonctionnelle.
Comment les entreprises peuvent-elles quantifier la valeur de l'IA en temps réel et ainsi justifier leurs investissements ?
Ashley Burkle : Les entreprises peuvent évaluer la valeur de l'IA en temps réel à l'aide d'indicateurs qu'elles connaissent déjà. Il s'agit, par exemple, d'une plus grande précision des stocks, d'une réduction des pertes, d'une amélioration de la rotation des actifs, d'une productivité accrue de la main-d'œuvre et d'un niveau de service amélioré.
L'avantage est que ces effets n'ont pas besoin d'être considérés isolément. Ils peuvent être mesurés à l'aide des mêmes indicateurs clés de performance (KPI) opérationnels que les entreprises utilisent traditionnellement pour évaluer leurs performances et leur efficacité, par exemple via des comparaisons d'une année sur l'autre ou en suivant des indicateurs de processus spécifiques.
En fin de compte, les entreprises devraient considérer ces investissements de la même manière que les autres projets d'innovation : avec des objectifs clairement définis, des résultats mesurables et un processus d'évaluation structuré. Une fois ce lien clairement établi, la valeur stratégique de l'IA en temps réel peut être très bien justifiée.
Dans quelle mesure le modèle économique de demain sera-t-il solide et autonome si l'IA et les capacités en temps réel constituent des facteurs décisifs ?
Ashley Burkle : Je pense que les entreprises qui réussiront à l'avenir aligneront systématiquement leurs modèles opérationnels sur l'intelligence des données en temps réel. Pour ce faire, elles utilisent l'IoT, la technologie des capteurs et l'IA afin de rendre leurs processus plus transparents et plus faciles à contrôler.
Les chaînes d'approvisionnement évoluent actuellement vers des modèles autonomes, avec des jumeaux numériques, une logistique prédictive et une infrastructure fluide basée sur des capteurs. Dans cet environnement, l'intelligence en temps réel devient le facteur décisif pour les décisions opérationnelles.
Cela les rend moins dépendantes d'événements ponctuels ou d'une planification rigide.
Dans le même temps, nous constatons que des technologies telles que l'IoT, l'identité numérique et l'IA convergent de plus en plus et transforment fondamentalement le fonctionnement des chaînes d'approvisionnement mondiales.
La période de la COVID a été un bon exemple de l’importance de l’adaptabilité. Les entreprises qui ont su réagir rapidement, par exemple grâce à des modèles de livraison flexibles ou à des structures d’exécution alternatives, ont connu un succès nettement plus grand. Cette évolution a montré à quel point la rapidité et la transparence sont cruciales dans la chaîne d’approvisionnement.
Je pense que l'IA sera la prochaine avancée majeure dans ce domaine. Les entreprises qui déploient stratégiquement ces technologies et les intègrent dans leurs processus construiront les modèles d'affaires les plus robustes et les plus indépendants à long terme.
