La bonne question n’est pas « où mettre de l’IA ? ». C’est : où mes équipes perdent-elles des heures sur des tâches répétitives à faible valeur ? L’automatisation utile part de là — d’un problème opérationnel mesuré, pas d’une démonstration. Après 20 ans à piloter des supply chains industrielles, voici les quatre chantiers où elle paie vraiment, et les trois où elle ne sert à rien.
Les quatre qui paient
1. L’extraction de données et le reporting. C’est le gisement le plus évident. Sur un site, un technicien passait chaque matin une heure à extraire des données pour alimenter des fichiers Excel. Une connexion directe à l’ERP et des tableaux de bord à mise à jour automatique ont supprimé l’extraction : une heure par jour rendue à l’analyse, et une lecture commune des chiffres pour tous les services. Le temps qualifié retourne à la décision, pas à la saisie.
2. Les alertes sur les points de tension. Stock bas, dérive des prévisions, commande en retard : ces signaux se surveillent mal à la main. Un système d’alerte fiable qui déclenche une action — pas un tableau de plus à consulter — fait passer de la réaction dans l’urgence à l’anticipation. La nuance est là : un bon dispositif d’alerte ne vous donne pas plus de chiffres, il vous dit quand agir.
3. Les comparaisons et arbitrages récurrents. Attribuer une tournée de transport au bon transporteur à service équivalent, comparer des coûts, choisir un réapprovisionnement : des décisions répétitives, prises trop souvent à l’estime. Outillées, elles deviennent objectives et rapides. Sur une plateforme, la comparaison systématique des transporteurs a contribué à ramener les coûts de transport de 8 % à moins de 5 % du CA.
4. Les analyses de cohérence. Confronter les prévisions client aux stocks projetés, repérer les écarts avant qu’ils ne deviennent des ruptures ou du sur-stock : un travail de recoupement fastidieux que la machine fait en continu, là où un humain ne le fait que ponctuellement.
Le point commun de ces quatre cas : la donnée existe déjà, elle est fiable, et une décision répétitive s’y prend mal ou trop tard. C’est exactement là que l’automatisation a un retour sur investissement chiffrable.
Les trois où l’IA n’apporte rien
1. Les arbitrages de direction. Décider d’un investissement, trancher entre deux priorités industrielles, embarquer une équipe dans un changement : ça ne se délègue pas à un algorithme. La machine éclaire, le dirigeant décide. Confondre les deux, c’est se tromper de chantier.
2. Tout ce qui repose sur une donnée fausse en amont. Si vos master data, vos nomenclatures ou vos délais sont faux, automatiser ne fait qu’industrialiser l’erreur — plus vite, et avec plus d’assurance. Sur de mauvaises fondations, un modèle prédictif produit une erreur plus crédible, donc plus dangereuse. On corrige d’abord les bases ; souvent, les premiers gains viennent de là.
3. Les problèmes d’organisation déguisés en problèmes d’outil. Un mauvais processus digitalisé devient un mauvais processus plus rapide. Numériser le désordre au lieu de le corriger ne règle rien. Avant de brancher quoi que ce soit, la vraie question est : ce que cet outil va produire mérite-t-il d’être produit, et déclenchera-t-il une action ?
Par où commencer
Petit, là où le risque est faible et le gain visible. 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. Et on juge le résultat là où il compte : sur le stock, le BFR, le service, la productivité. Sur l’EBITDA, pas sur la qualité de la démo.
Une tâche répétitive vous coûte des heures et vous vous demandez si elle vaut un chantier ? Échangeons 30 minutes — on distingue ensemble ce qui relève d’un vrai ROI et ce qui n’est qu’une démo.