La réussite d’une chaîne d’approvisionnement autonome dépend d’une collaboration sécurisée entre les agents IA

L’IA ne change pas seulement ce que les logiciels d’entreprise peuvent faire, mais aussi la façon dont les employés les utilisent. Aujourd’hui, la question est : comment faire collaborer les agents IA sur la planification, les achats, la production et la logistique sans que leurs décisions aient des conséquences indésirables ?

« Créer un agent, ce n’est plus si compliqué ; la complexité réside surtout dans tout ce qui va avec », affirme Bart Van der Biest, General Manager, SAP Benelux. Je pense notamment à la sécurité, aux autorisations et à la gouvernance, mais aussi à une plateforme permettant à différents agents de collaborer de manière contrôlée… »

Concrètement, si un fournisseur est en panne, un agent IA peut non seulement signaler le problème, mais aussi identifier les commandes concernées, calculer l’impact sur la production et la logistique, et proposer des alternatives.

L’IA passe du stade du conseil à celui de l’action, estime Marcel Bron, Head of Supply Chain Management, SAP Benelux. À mesure que les agents exécutent davantage de tâches de manière autonome, ils peuvent également, dans des limites prédéfinies, mettre en place des actions de suivi. C’est ainsi que se construit, étape par étape, une chaîne d’approvisionnement plus autonome.

« Aujourd’hui, les agents ne dirigent plus chaque action individuellement, mais définissent les objectifs et les cadres dans lesquels les agents peuvent agir, et interviennent quand c’est nécessaire. »

Une seule décision a des répercussions sur plusieurs processus

Une plus grande autonomie rend d’autant plus important d’examiner l’impact des décisions sur l’ensemble de la chaîne. Une décision qui semble logique au sein d’un processus peut avoir des conséquences indésirables ailleurs dans la chaîne d’approvisionnement.

« En cas de problème de livraison, par exemple, un agent peut proposer un fournisseur moins cher ou plus rapide, mais qui ne dispose pas de la certification requise », explique Marcel Bron.

Il compare cela au fameux effet « bullwhip » : un écart relativement faible au début de la chaîne d’approvisionnement peut avoir des répercussions de plus en plus importantes en aval. Si plusieurs agents IA agissent de manière autonome et s’appuient sur les décisions des uns et des autres, un tel effet peut d’ailleurs se propager plus rapidement tout au long de la chaîne. C’est pourquoi, selon SAP, il est important que les agents n’optimisent pas seulement leur propre tâche, mais qu’ils comprennent aussi ce que leurs décisions impliquent pour les autres processus.

Des agents isolés à l’orchestration

Ça demande plus que des agents isolés. La prochaine étape, ce n’est pas d’équiper chaque maillon de la chaîne d’approvisionnement d’un agent IA dédié, mais de faire collaborer et coordonner ces agents à travers les processus.

« Si vous ne vous occupez que d’une partie de la planification, comment allez-vous orchestrer ta production ? Ou si vous ne gérez qu’une partie du transport, comment allez-vous orchestrer votre entrepôt ? », questionne Marcel Bron.

Une approche de bout en bout s’impose, où les organisations ne gèrent pas la planification, les achats, la production et la logistique séparément. Par exemple, un changement dans la planification doit pouvoir être immédiatement examiné en tenant compte de ses conséquences sur les stocks, la capacité de production et le transport. Et comme les chaînes d’approvisionnement ne s’arrêtent pas aux murs de l’entreprise, cette collaboration peut aussi s’étendre aux fournisseurs et autres partenaires.

Quelle marge de manœuvre accordez-vous à un agent ?

L’orchestration à elle seule ne suffit pas. Plus les agents gagnent en autonomie, plus la question de savoir quelles décisions ils sont réellement autorisés à prendre eux-mêmes prend de l’importance.

Un agent peut-il se contenter de proposer une alternative ou doit-il aussi mettre en œuvre une action de suivi ? Quand faut-il une validation humaine ? À quelles données et à quels systèmes un agent a-t-il accès ? Et que se passe-t-il quand les agents parviennent à des conclusions contradictoires ? Des garde-fous clairs, des autorisations et la traçabilité deviennent donc des conditions indispensables à une plus grande autonomie. « On doit pouvoir retracer tout ce qui est fait », souligne Marcel Bron.

Le contexte de l’entreprise joue aussi un rôle important. Un agent doit non seulement disposer de données, mais aussi savoir, par exemple, quels accords contractuels s’appliquent, quel stock est disponible, quelles certifications sont requises et qui est habilité à prendre une décision donnée.

Selon SAP, c’est là qu’il y a une différence importante entre l’IA générale et l’IA d’entreprise. L’IA d’entreprise est intégrée aux données, aux processus et aux règles métier d’une organisation. Pour ça, SAP utilise notamment son Knowledge Graph, qui permet aux agents d’accéder au contexte au sein des applications d’entreprise.

« Autonome » ne veut pas dire « sans contrôle » ​

Pour SAP, la chaîne d’approvisionnement autonome ne signifie donc pas que les entreprises doivent laisser l’IA prendre le plus de décisions possibles. Au contraire, on s’oriente vers un modèle où les agents peuvent effectuer davantage de tâches opérationnelles, tandis que les entreprises définissent les limites dans lesquelles ça se passe. « L’humain ne disparaît pas ! C’est lui qui fixe les objectifs, définit les limites dans lesquelles les agents peuvent agir, évalue les exceptions et reste en fin de compte responsable de la gestion de l’entreprise. »

La prochaine étape vers une chaîne d’approvisionnement autonome ne consiste donc pas à multiplier les agents IA. Ce qui fera la différence, c’est la capacité des entreprises à faire collaborer ces agents entre les différents processus, sans pour autant perdre le contrôle de leur chaîne d’approvisionnement.