Pendant près de deux ans, je ne me suis pas consacré au développement de solutions d’IA. J’ai fait ce qui conditionne tout le reste : fiabiliser les données.

À l’époque, nous faisions rapidement monter en puissance notre plateforme Track & Trace et j’étais convaincu que le gros du chantier serait côté IA : les modèles, les algorithmes, l’optimisation. En réalité, ce ne fut pas le cas. Près de 80 % des efforts ont été consacrés à un chantier beaucoup moins visible, mais déterminant : la consolidation et la fiabilisation de l’infrastructure de données. Corriger les erreurs de traitement. Résoudre les incohérences. Mettre en place la collecte d'indicateurs opérationnels qui, jusque-là, n’étaient pas enregistrés, voire pas mesurés.

Ce n’était pas un travail particulièrement valorisant. Mais il était indispensable. Car avant de pouvoir déployer des solutions intelligentes fondées sur les données, il faut d’abord disposer de données suffisamment fiables, structurées et exploitables. 

Ce constat s’observe aujourd’hui dans l’ensemble des secteurs. Dans l’ensemble du secteur, un constat s’impose de plus en plus nettement : la majorité des projets d’IA échouent moins en raison des limites intrinsèques des modèles que du manque de fiabilité des données sous-jacentes qui les alimentent. De récents travaux de recherche permettent désormais de quantifier ce problème. Jusqu’à 95 % des projets d’IA générative appliquées à la chaîne d’approvisionnement n’ont pas généré de retour sur investissement durable. Non pas à cause des modèles. Mais en raison de données fragmentées, de systèmes cloisonnés et d’une orchestration encore trop dépendante d’interventions manuelles. 

Le problème n’était pas l’IA. Le problème, c’était la gouvernance des données.

Ce que les modèles ne peuvent pas compenser

L’idée selon laquelle de meilleurs modèles pourraient compenser des données imparfaites est encore très répandue. En pratique, le phénomène inverse se produit. Les systèmes d’IA sont particulièrement capables de générer des réponses en apparence fiables, y compris lorsqu’elles sont fondées sur des données d’entrée incomplètes ou inexactes.

Appliqué à la chaîne d'approvisionnement, ce problème dépasse largement le cadre technique : il devient un véritable risque opérationnel.

Dans la plupart des environnements, les flux de données restent rarement parfaitement fluides, cohérents et maîtrisés. Elles demeurent confinées dans des systèmes cloisonnés : un système de gestion d’entrepôt (WMS) ici, une plateforme d’étiquetage là, et des mises à jour dans l’ERP qui interviennent avec une certaine latence par rapport aux événements réels. Si l’on ajoute de l’IA par-dessus un socle fragmenté, on n’apporte pas davantage de clarté : on donne simplement plus d’ampleur aux zones d’incertitude déjà présentes.

À grande échelle, une réponse inexacte peut souvent s’avérer plus préjudiciable qu’une absence totale de réponse. Les entreprises qui obtiennent des résultats concrets sont celles qui ont compris qu’il fallait inverser la logique habituelle : poser les fondations d’abord, et développer l’IA ensuite. Elle n'ont pas commencé par l'IA. Elles ont d’abord traité les fondamentaux : la manière dont les données sont créées, collectées et interconnectées au sein du système d’information.

Où résident les données opérationnelles

Dans la chaîne d’approvisionnement, l’une des sources de données les plus fiables, et pourtant fréquemment sous-exploitée, est aussi l’une des plus présentes : l’étiquette. Chaque fois qu’une étiquette est imprimée ou scannée, elle enregistre une information à forte valeur opérationnelle : Une identité. Un emplacement. Un mouvement. Un statut. Ce ne sont pas des données abstraites : ce sont des signaux opérationnels, capturés en temps réel tout au long du parcours des produits, de la fabrication à la distribution, jusqu’à la préparation et l’expédition des commandes.

Au fil du temps, ces événements constituent un historique continu au niveau de l’unité, retraçant le parcours de chaque article. Voilà ce qu’est un véritable jumeau numérique : non pas un référentiel statique, ni une simple déclaration émanant d’un fournisseur, mais une chronologie dynamique des événements, retraçant ce qui s’est effectivement produit à chaque étape. Il se constitue progressivement, par l’accumulation de milliers d’événements de capture de données, cohérents et systématiques.

On n’assemble pas un tel historique du jour au lendemain. Avec le temps, il devient un avantage qui s’inscrit dans la durée : un patrimoine de données que les concurrents auront du mal à répliquer.

Cette dynamique ne relève plus seulement d’un choix stratégique, elle est aussi renforcée par une pression extérieure de plus en plus forte. Les exigences réglementaires, qu’il s’agisse de GS1 Sunrise 2027, des règles de traçabilité de la FDA ou des projets relatifs au passeport numérique des produits (Digital Product Passport) dans l’UE, obligent les entreprises à accorder une importance accrue à l’intégrité des données. L’échéance n’est donc plus théorique.

Pour autant, la conformité n’est que le mécanisme qui impose le changement. C’est une fois fiabilisées que ces données révèlent leur véritable valeur : ce qu’elles permettent enfin d’accomplir.

Transformer des données fiables en résultats concrets

Lorsque le socle de données est fiable et robuste, les usages peuvent se traduire en applications concrètes. Les anomalies peuvent être identifiées dès les premiers signaux, avant que les perturbations ne se propagent dans la chaîne. Il devient possible de faire émerger des tendances dans les performances des fournisseurs qu’un rapport statique ne permettrait pas de mettre en évidence. La gestion des stocks peut alors passer d’une logique réactive à une approche prédictive du positionnement.

Même de faibles gains de performance peuvent se traduire par des bénéfices concrets. Les ruptures de stock représenteraient à elles seules une perte annuelle de chiffre d’affaires estimée entre 4 et 7 % pour de nombreuses entreprises. Le problème ne vient pas de la modélisation, mais du manque de visibilité induit par une qualité de données insuffisante. C’est dans cette direction que se poursuit désormais la réflexion.

L’IA agentique s’affirme rapidement comme la prochaine frontière technologique : des systèmes composés de multiples agents coordonnés, capables d’opérer entre environnements edge (périphérie) et cloud. Mais ces systèmes sont encore plus tributaires de la qualité et de la cohérence des données qui les alimentent. Ils ne se limitent pas à l’analyse des données : ils les utilisent pour déclencher des actions. Ce qui accroît significativement les enjeux (et les risques associés).

La question stratégique à se poser

Avant d’engager un investissement dans l'IA, il est pertinent de marquer un temps d’arrêt et de se poser une question simple : Si vos données opérationnelles actuelles étaient injectées aujourd’hui dans un modèle, pourriez-vous réellement faire confiance aux résultats produits ? Si la réponse est négative, il ne s'agit pas d'un échec. C'est un point de départ.

Parce que les entreprises qui créent aujourd’hui de la valeur grâce à l’IA ne sont pas celles qui ont attendu des modèles plus performants. Elles ont engagé en amont le travail le plus exigeant : mettre en place un socle de données suffisamment robuste pour rendre possibles les prochaines étapes. C’est sur cette base que tout le reste peut se construire.

—

Gus Rivera est directeur technique chez Seagull Software. Il possède plus de 20 ans d’expérience dans la création d’entreprises, la constitution d’équipes et le développement de produits logiciels cloud innovants. Il est l’architecte en chef de notre plateforme Track & Trace de traçabilité des articles et de suivi des stocks. Gus dirige également les équipes d’ingénierie logicielle, de gestion du cloud et d’assistance de Seagull.