Questions fréquentes des dirigeants industriels.

Ceux où la donnée existe déjà et est fiable, et où une décision répétitive se prend mal ou trop tard : prévisions, réapprovisionnement, planification, reporting de pilotage. Je croise valeur du gain potentiel et propreté des données disponibles pour viser les chantiers à ROI rapide, et j'écarte les projets « vitrine » sans impact sur le compte de résultat.

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

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'inverse du grand projet « big bang » que personne n'adopte.

Rarement là où on les cherche. Le goulot réel est souvent une donnée fausse en amont — paramètre ERP jamais revu, prévision instable, règle de planification contournée — plutôt qu'une machine. Je remonte à la cause par un diagnostic terrain ; éliminer un goulot, c'est d'abord rétablir une discipline, ensuite seulement l'automatiser.

Les deux ne s'opposent pas — c'est la course aveugle au 99 % qui les oppose. En segmentant les références selon leur demande réelle, en fiabilisant les prévisions et en renégociant les délais fournisseurs, on baisse le stock et on sert mieux. Exemple : stock matière passé de 3,2 M€ à 800 K€ pendant que le taux de service gagnait 8 à 10 points.

Peu, mais les bons. Pour chaque indicateur, je demande quelle action il déclenche et qui la prend : un KPI qui ne déclenche aucune décision est de la décoration. On garde une poignée d'indicateurs qui répondent à « que se passe-t-il, pourquoi, que fait-on ».

Réellement, mais à une condition : que vos données de base soient propres (historiques, délais, nomenclatures). Sur des fondations défaillantes, un modèle prédictif produit une erreur plus rapide et plus crédible, donc plus dangereuse. Je sécurise d'abord le socle — souvent les premiers gains viennent de là — avant de déployer l'IA là où elle apporte un vrai delta.

Avec deux leviers : un système d'alerte fiable sur les points de tension (stock bas, dérive des forecasts) qui déclenche une action, pas un tableau de plus ; et des scénarios de simulation « what-if » pour tester une décision avant de la subir. L'imprévu ne disparaît pas, mais on passe de la réaction d'urgence à l'anticipation pilotée.

Oui, et c'est l'un des usages les plus rentables. Modéliser l'effet d'un changement de paramétrage, d'un niveau de stock ou d'une règle de planification avant de l'appliquer évite des erreurs coûteuses. À condition, là encore, que les données qui nourrissent la simulation soient fiables.

C'est la toute première chose à vérifier, et la réponse est souvent « pas encore ». Priorité au master data, aux nomenclatures, aux gammes et aux délais : l'IA n'est pas une solution magique posée sur des fondations défaillantes. Corriger ces bases produit déjà des gains, et conditionne la réussite de tout le reste.

En partant de l'existant plutôt qu'en empilant une couche de plus. Mon réflexe est de connecter et 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.

Ils augmentent avec le degré d'automatisation et de connexion entre systèmes, et doivent être posés dès la conception, pas après. Cela relève d'une expertise dédiée que je mobilise en complément ; mon rôle est de m'assurer que gouvernance et sécurité sont traitées en amont d'un projet, pas découvertes en cours de route.

Les métiers à forte composante de saisie et d'extraction de données changent le plus — mais le bon cadrage n'est pas « remplacer », c'est « augmenter ». Quand un technicien récupère une heure par jour d'extraction manuelle, ce temps va à l'analyse et à la décision. L'accompagnement se joue dès le départ : impliquer les équipes, concevoir des outils qui leur font gagner du temps visiblement, pas qui les surveillent.

C'est ce qui fait échouer la majorité des projets, et le problème est managérial, pas technique. J'implique les opérationnels dès la conception, je vise un gain de temps concret et immédiat, 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.

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 : un concurrent qui a fiabilisé ses données et augmenté ses équipes décide plus vite et sert mieux à coût égal. L'inverse est vrai aussi — se précipiter sur des POC sans fondations ne protège de rien. Le bon mouvement : commencer maintenant par les bases, pas courir après la mode.