Max Henry and Anna Pourdeau break down a France Supply Chain report on 13 generative AI use cases. Companies prioritize natural language queries of planning systems (76%) and better data quality (72%). Three deployment models exist: public models like ChatGPT, private cloud solutions, and ERP-integrated systems, each with tradeoffs on privacy, cost, and technical dependency.
Bienvenue à La Supply, le podcast qui décrypte la logistique, les achats, leurs technologies et les tendances de la supply chain en France et à l'international. Avec Max Henry et ses invités, connectez-vous à l'avenir de la supply chain.
Bonjour à toutes et à tous, bienvenue dans La Supply. Aujourd'hui, on plonge dans un sujet fascinant: l'impact de l'IA générative sur la supply chain. Un thème au cœur des débats, mais surtout au cœur des transformations actuelles. Avec moi pour cet épisode, Anna Pourdeau.
Bonjour Max, bonjour à toutes et à tous. Et oui, aujourd'hui on va décoder ensemble le tout dernier rapport sur l'IA générative et son impact sur la supply chain. 13 cas d'usage clés ont été identifiés par France Supply Chain et on va voir lesquels sont les plus prometteurs.
13 cas d'usage, mais au final on parle d'un véritable changement de paradigme. L'intelligence artificielle générative n'est pas juste un gadget. Elles redessinent la manière dont on planifie, gère les risques et automatise certaines tâches. Mais alors concrètement, comment les entreprises s'en emparent?
Justement, ce qui ressort du rapport, c'est que certaines applications sont déjà très prioritaires. En tête de liste, l'interrogation des systèmes de planification en langage naturel. 76% des entreprises interrogées classent cela comme une priorité élevée. On parle de pouvoir demander directement en est une commande sans passer par des requêtes complexes.
Un game changer pour la gestion des stocks. Et juste derrière, on trouve l'amélioration de la qualité des données transactionnelles. 72% des répondants placent cet usage en haut de la liste. C'est logique, qui n'a jamais eu des problèmes avec des codes douaniers erronés ou des adresses mal renseignées?
Oui, tout le monde dans la logistique a déjà eu ce casse-tête. Mais il y a d'autres cas très intéressants. L'analyse de documents internes et externes, ou encore la restitution des facteurs influençant une prévision. Imagine un outil capable d'expliquer en langage naturel pourquoi une demande va exploser sur un marché donné.
Précisément, et c'est là que l'intelligence artificielle générative devient une alliée stratégique. Elle ne se contente plus d'exécuter, elle explique, et cela change tout. Mais au-delà des cas d'usage, Il y a une vraie question: quelle solution choisir?
Bonne question. Le rapport distingue 3 grandes typologies: les modèles publics comme ChatGPT, les modèles privés déployés sur un cloud sécurisé, et les solutions directement intégrées aux logiciels métiers comme Oracle ou Microsoft Copilot.
Et chaque option a ses avantages et ses limites. Les modèles publics sont accessibles et peu coûteux, mais posent des problèmes de confidentialité. Les modèles privés sont plus sécurisés mais nécessitent des ressources techniques pointues, et les solutions éditeurs sont pratiques mais créent une dépendance technologique.
Il y a aussi une question d'adoption. Certaines entreprises sont encore frileuses à intégrer ces outils, surtout face à des réglementations qui évoluent sans cesse. Mais d'autres prennent une longueur d'avance, notamment dans le secteur industriel où la planification et la prévision de la demande sont critiques.
Justement, parlons d'exemples concrets. Certaines entreprises utilisent déjà l'intelligence artificielle générative pour analyser les avis clients en temps réel et ajuster leur production. D'autres l'emploient pour automatiser les tests applicatifs et la génération de code, réduisant ainsi le temps de mise sur le marché de nouveaux produits.
Et il ne faut pas oublier le support client. Un chatbot basé sur l'intelligence artificielle générative peut traiter une grande partie des questions de premier niveau, laissant les opérateurs humains se concentrer sur des problématiques plus complexes.
Oui, et cela permet une meilleure expérience utilisateur tout en optimisant les coûts. Mais il y a aussi des limites, notamment la consommation énergétique et la nécessité d'avoir des données de qualité pour bien entraîner ces modèles.
En résumé, l'intelligence artificielle générative offre des opportunités incroyables pour la supply chain, mais elle demande une vraie stratégie d'implémentation et une bonne gestion des risques.
Absolument. Merci de nous avoir suivis dans La Supply. Dites-nous en commentaire quels cas d'usage vous semblent les plus prometteurs, et on se retrouve très bientôt pour un nouvel épisode.
