IA appliquée aux opérations : jugée sur l'EBITDA, pas sur la démo

Avant de parler IA, corrigez vos données de base.

Master data, nomenclatures, gammes, délais. L'IA n'est pas une solution magique posée sur des fondations défaillantes — sur de mauvaises données, elle ne fait qu'industrialiser l'erreur. C'est moins vendeur qu'un démonstrateur prédictif, mais c'est ce qui distingue un projet qui tient d'un pilote qui meurt.

Et l'enjeu n'est pas technologique, il est managérial.

L'IA ne remplacera pas les opérationnels ; elle remplacera ceux qui refusent de l'utiliser. Les entreprises qui gagnent ne « déploient » pas de l'IA — elles augmentent leurs équipes avec. C'est une question d'adoption et de conduite du changement bien plus que d'algorithme.

Quels processus offrent le meilleur ROI pour une automatisation ou l'IA ?

Ceux où la donnée existe déjà, est fiable, et où une décision répétitive se prend mal ou trop tard : prévisions, réapprovisionnement, planification, reporting de pilotage. Je commence par cartographier vos processus selon deux axes — valeur du gain potentiel et propreté des données disponibles — et je vise les croisements à fort ROI rapide. On évite soigneusement les projets « vitrine » sans impact P&L.

Combien pouvons-nous réduire nos coûts sur 12 à 24 mois, et sur quelles hypothèses ?

Aucune estimation honnête sans avoir vu vos données et vos flux. Ce que je peux dire : les gains les plus solides que j'ai pilotés portaient sur le stock et le BFR (un stock matière divisé par 4 sur un site), les coûts de transport (de 8 % à moins de 5 % du CA ailleurs) et le temps administratif (une heure par jour rendue). J'avance toujours par hypothèses explicites et chiffrées, que vous pouvez challenger — pas par un pourcentage marketing.

Comment prioriser les projets pour des résultats rapides sans perturber les opérations ?

En commençant petit, là où le risque est faible et le gain visible, pour créer la preuve et l'adhésion. On sécurise les données du périmètre, on déploie un premier outil utile, on mesure, puis on étend. L'objectif est d'éviter le grand projet « big bang » qui perturbe tout et que personne n'adopte.

Comment intégrer l'IA avec notre ERP, WMS, TMS sans créer de complexité supplémentaire ?

En partant de l'existant, pas en empilant une couche de plus. Mon réflexe est de connecter et de fiabiliser ce que vous avez déjà (j'ai construit des outils directement reliés à l'ERP) avant d'introduire un nouvel outil. Chaque brique ajoutée doit retirer de la complexité quelque part, sinon elle n'a pas sa place.

Comment éviter que l'IA reste un projet pilote sans véritable adoption ?

C'est le point qui fait échouer la majorité des projets, et il est managérial, pas technique. J'implique les équipes opérationnelles dès le départ, je conçois des outils qui leur font gagner du temps visiblement (pas qui les surveillent), et je mesure l'usage réel autant que le résultat. Un outil qu'on n'utilise pas a un ROI nul, aussi brillant soit-il.

Si nous ne faisons rien pendant trois ans, quel risque face aux concurrents qui investissent ?

Le risque n'est pas de « rater l'IA » — c'est de laisser se creuser un écart de coûts et de réactivité difficile à rattraper. Pendant que vous tenez vos stocks et vos délais à la main, un concurrent qui a fiabilisé ses données et augmenté ses équipes décide plus vite et sert mieux à coût égal. Mais l'inverse est vrai aussi : se précipiter sur des POC sans fondations ne protège de rien. Le bon mouvement, c'est de commencer maintenant par les bases, pas de courir après la mode.