Par: Andrew McKinzie, Tower Research Ventures | 24 février, 2025
L’occasion en contexte
L’intelligence artificielle (IA) permet aux entreprises d’adopter une nouvelle perspective en ce qui concerne l’approvisionnement, autant au niveau de la méthode que de ce qui le compose.
Il est difficile d’imaginer une entreprise qui ne se soucie pas de ce qu’elle achète. Les fabricants doivent avoir les bons composants pour fabriquer leurs produits, et avoir confiance en la fiabilité de ces derniers. Autrement, leurs produits ne fonctionneront pas. Ils se soucient donc beaucoup des composants dans leur approvisionnement. Et dans bien des cas, les clients finaux s’en soucient également. Pour utiliser un exemple simple, si votre restaurant préféré venait à changer de fournisseur pour un ingrédient clé de votre plat préféré, ou si votre chaîne hôtelière préférée venait à changer les oreillers qu’elle utilise, il est fort probable que vous le remarqueriez, car ces éléments comptent pour vous, de ce qu’ils ont une influence sur votre expérience de repas et de séjour. Le restaurant ou l’hôtel pourrait même vous perdre en tant que client fidèle à la suite d’un changement de fournisseur.
Pourtant, de nombreuses entreprises, de différentes envergures, considèrent l’approvisionnement comme un service non stratégique dans leur quête de marges brutes plus élevées. L’art de l’approvisionnement peut leur sembler n’être qu’un nivellement des prix vers le bas à l’échelle de tous les fournisseurs. Pour une petite entreprise, la marche à suivre est souvent d’accorder la priorité aux fournisseurs les moins chers pour gérer de façon proactive ses besoins en trésorerie, alors que pour une entreprise de taille moyenne qui cherche à croître, il s’agit d’abord et avant tout de réduire ses approvisionnements afin de libérer de l’argent supplémentaire pour réinvestir dans la croissance, et pour une grande entreprise, de consolider les fournisseurs afin de mieux tirer parti de son envergure pour exercer sur eux son pouvoir d’établissement des prix. Garder le contrôle sur les marges est un aspect important de la gestion de toute entreprise.
L’occasion offerte par l’IA
Pour retracer brièvement l’évolution des technologies d’approvisionnement, avant l’arrivée de l’IA, les principaux développements se concentreraient surtout sur les communications d’affaires, l’unification des données, et la mise en correspondance entre fournisseurs et acheteurs.L’échange de données informatisé (ÉDI) est venu permettre une communication plus efficace avec les fournisseurs. Les systèmes de planification des besoins en matières (PBM) ont permis de synchroniser les calendriers de production avec les calendriers d’approvisionnement. Les systèmes de planification des ressources d’entreprise (PRE) ont quant à eux permis d’intégrer d’autres services commerciaux au processus, créant ainsi un système de dossiers et une source maîtresse d’exactitude relativement aux transactions au sein d’une entreprise. Internet a permis de mettre en place des plateformes de marché C3E (cybercommerce interentreprises) pour les fournisseurs et les acheteurs, avec des catalogues de produits et des demandes de propositions. Les solutions infonuagiques SaaS (logiciels-services) sont venues réduire le coût de mise en œuvre des technologies, et se concentraient pour leur part sur des outils d’approvisionnement dédiés.
L’occasion offerte par l’IA tire parti de ces données et de ces systèmes pour ce qui est d’exécuter les flux de travail liés aux transactions d’approvisionnement.Pour utiliser une analogie, si l’infrastructure PRE développée au cours des quatre dernières décennies était un châssis de voiture, les systèmes d’IA d’aujourd’hui pourraient être considérés comme le moteur de cette voiture, faisant avancer les processus d’approvisionnement et effectuant le travail des équipes d’approvisionnement.
Un bref aperçu du flux de travail d’approvisionnement
Le travail d’une équipe d’approvisionnement est principalement de déterminer les besoins de son entreprise, de rechercher des fournisseurs qui peuvent répondre à ces besoins, puis d’établir des dialogues avec ces derniers et d’en assurer la gestion.
Évaluation des besoins
La première étape consiste à communiquer avec les différents responsables des unités commerciales afin de déterminer les biens et services dont elles ont besoin, le moment où elles en ont besoin, et le budget qu’elles ont de disponible. C’est ce qu’on appelle l’« évaluation des besoins » ou le « processus de demande d’achat », dont l’aboutissement est un document contenant des détails tels que spécifications, quantités et échéanciers.
Découverte, validation et sélection des fournisseurs
L’équipe d’approvisionnement prend ensuite ce formulaire et entame un processus consistant d’abord à découvrir des fournisseurs potentiellement pertinents, puis à vérifier la convenance de ces fournisseurs et, finalement, à sélectionner un fournisseur. Selon la taille du besoin d’approvisionnement à combler, l’équipe d’approvisionnement peut décider de soumettre le contrat à divers fournisseurs, auquel cas le processus peut être formalisé sous la forme d’une « demande de propositions ». Elle évalue ensuite les fournisseurs selon des critères de prix, de qualité, de capacités, de réputation et de disponibilité, pour ne nommer que ceux-ci parmi une foule de facteurs importants pour l’entreprise. Ce processus implique beaucoup de communications dans les deux sens entre l’équipe d’approvisionnement et les fournisseurs.
Gestion des fournisseurs
Une fois qu’un fournisseur a été approuvé et que le contrat a été signé, l’équipe d’approvisionnement est responsable de gérer la relation avec ce fournisseur, ce qui implique de communiquer régulièrement avec lui au sujet des expéditions, des inspections, ainsi que de tout problème, y compris toute solution potentielle.
Paiement des fournisseurs et comptabilité
La gestion des besoins d’approvisionnement quotidiens à l’échelle de tous les fournisseurs peut impliquer de nombreuses tâches demandant de saisir des données, notamment la création de bons de commande, le rapprochement des factures, les vérifications visant à confirmer que les commandes sont exécutées conformément aux contrats, et les communications à travers l’ensemble de l’entreprise pour s’assurer que les différents services sont satisfaits. Il peut y avoir des discussions fréquentes entre l’équipe d’approvisionnement et les services de comptabilité et des comptes fournisseurs, pour s’assurer que les fournisseurs sont payés conformément aux modalités de paiement et que le grand livre de l’entreprise reflète avec exactitude les articles achetés et payés selon les classifications de dépenses de l’entreprise.
Ces étapes du flux de travail d’approvisionnement sont décrites ci-dessous :
- Évaluation des besoins
- Découverte de fournisseurs
- Validation des fournisseurs
- Demande de propositions et sélection des fournisseurs
- Contrats et intégration des fournisseurs
- Communications avec les fournisseurs
- Achats
- Approbations, limites, et autorisations
- Inspections des produits
- Réception des produits
- Triple rapprochement (bon de commande, facture, preuve de réception)
- Documentation et mise à jour du système de dossiers
- Clôture des bons de commande
- Paiements et gestion du fonds de roulement
- Mise à jour des balances d’inventaire
- Écritures comptables dans le grand livre
Applications pratiques de l’IA dans le flux de travail
Sommaire
À chaque étape du flux de travail d’approvisionnement, il y a des occasions d’utiliser l’IA pour rationaliser les processus, augmenter les flux de travail et accroître l’efficience. L’IA peut être utilisée pour trouver des fournisseurs et communiquer avec eux, comparer les prix des articles entre fournisseurs et les domaines Web à l’aide de recherches alimentées par de grands modèles de langage (GML); négocier avec les fournisseurs; résumer les contrats et suggérer des améliorations du libellé des contrats; accéder aux systèmes de dossiers pour analyser le rendement des fournisseurs; traiter les bons de commande et les factures dans le processus de comptes fournisseurs; automatiser la saisie de données dans les systèmes PRE; et analyser des sommes énormes de données puis générer des prévisions sophistiquées à partir de celles-ci, entre autres cas d’utilisation.
Détails
Pendant le processus de demande d’achat et d’approvisionnement, il arrive souvent aux équipes, avant même de pouvoir entamer les flux de travail d’approbation et de prise de décision, de trouver que les fournisseurs sont lents à réagir et qu’il est pénible de négocier avec eux. Ces va-et-vient de communications peuvent retarder les activités d’approvisionnement et augmenter la durée des cycles d’approvisionnement. Aujourd’hui, les GML peuvent automatiser le processus d’approbation des demandes en utilisant des règles basées sur les données, et les robots de clavardage GML avec mesures d’encadrement peuvent générer des communications avec les fournisseurs, recommander des négociations de prix, et même, dans certains cas, aller jusqu’à exécuter des contrats de façon autonome.
Une fois qu’un fournisseur a été approuvé et que le contrat a été signé, l’équipe d’approvisionnement doit gérer le cycle de vie de ce contrat. La vie d’un contrat se passe bien souvent toute entière dans un long document en format PDF rarement réexaminé ou analysé, jusqu’à ce que vienne le temps de le renouveler. Les systèmes d’approvisionnement traditionnels utilisés pour classer et stocker les contrats n’ont pas la capacité de numériser ces documents et d’en extraire les termes clés qu’un humain chercherait à y trouver en priorité, comme les montants, les dates, les occasions de renouvellement, et les exceptions et autres détails spécifiques dans les passages en petits caractères. Il faut des heures aux équipes pour passer les contrats au peigne fin avec les fournisseurs pour en extraire ces informations aujourd’hui. Les GML peuvent analyser les modalités et les échéanciers des contrats, automatiser les rappels pour les renouvellements, et même aider à rédiger de nouveaux contrats. Ils peuvent également identifier les risques cachés dans le libellé ou les modalités d’un contrat qui pourraient avoir une incidence négative sur la chaîne d’approvisionnement ou la structure de coûts de l’entreprise.
L’IA peut s’occuper de ce qui suit :
- Demandes d’achat et approvisionnement : générer des communications avec les fournisseurs, recommander des négociations de prix, et exécuter des contrats de façon autonome dans certains cas
- Cycle de vie des contrats : analyser les modalités et les échéances des contrats, automatiser les rappels pour les renouvellements, aider à rédiger de nouveaux contrats, et signaler les risques cachés
- Gestion des fournisseurs : analyser les contrats passés avec des fournisseurs, et extraire les modalités clés des programmes de remises afin que les équipes d’approvisionnement puissent optimiser leurs dépenses auprès des fournisseurs
Avec les méthodes traditionnelles de faire les choses, les équipes d’approvisionnement avaient une grande difficulté à gérer efficacement la totalité de leurs relations avec leurs fournisseurs, à faire le suivi du rendement de ceux-ci, ainsi que de la disponibilité des produits et des stocks en réserve, et à faire également le suivi des dépenses en les alignant avec les programmes de remises, tout en assurant la conformité aux réglementations. Papier et manuels, ces flux de travail sont lourds de texte et ne sont par ailleurs souvent effectués que de façon réactive, lorsque des perturbations impliquant des fournisseurs se produisent. Les GML peuvent de leur côté rapidement aider à analyser les contrats des fournisseurs pour y trouver des éléments comme les quantités de produits promises, les passer au crible pour déterminer si un fournisseur est responsable d’une pénurie touchant un bien spécifique, et en extraire les modalités clés des programmes de remises afin que les équipes d’approvisionnement puissent optimiser leurs dépenses auprès des fournisseurs. Par exemple, pendant les ruptures de stock de l’ère de la COVID, de nombreux détaillants d’articles comme le papier hygiénique et les préparations pour nourrissons se sont retrouvés contraints d’explorer d’autres options de fournisseurs. Les systèmes basés sur les GML auraient pu permettre aux équipes d’approvisionnement de traiter les factures de leurs fournisseurs d’alors pour ces articles, de les rapprocher rapidement avec les quantités spécifiées dans les contrats, et déterminer de façon proactive les ruptures de stock potentielles avant même qu’elles ne se produisent. Ces systèmes auraient permis aux équipes d’approvisionnement de garder une longueur d’avance sur les problèmes tout en explorant d’autres options de fournisseurs. Les GML auraient également permis aux équipes d’approvisionnement d’analyser les documents de qualification des fournisseurs pour des articles comme les masques et les cotons-tiges, et de les rapprocher avec la documentation sur les normes de sécurité de manière à s’assurer que les fournitures étaient conformes aux normes du Centre pour le contrôle et la prévention des maladies (CDC) avant de les acheter. Rendue possible par les GML, cette fonctionnalité pourrait permettre aux équipes d’approvisionnements de traiter rapidement les documents, de répondre de manière proactive aux perturbations touchant l’approvisionnement, et d’agir en tant que partenaires stratégiques pour leur entreprise.
Cela dit, malgré l’organisation de documents fournie par les systèmes d’approvisionnement actuels, une importante saisie manuelle de données reste nécessaire. Des équipes entières sont chargées de téléverser dans les systèmes les bons de commande, les factures, les contrats avec les fournisseurs et les détails à l’appui, ainsi que d’entrer et de vérifier manuellement des renseignements. Il arrive souvent que ces renseignements soient éparpillés à travers de multiples sources, comme des courriels, des chaînes WhatsApp, des feuilles de papier, des notes autocollantes, des dossiers manuscrits, et des feuilles Excel, pour ne nommer que celles-ci. Documenter dans un système tous ces renseignements relatifs aux relations avec les fournisseurs est un véritable défi à relever efficacement, et présente un risque non négligeable d’erreur humaine. Ici encore, les systèmes basés sur l’IA peuvent aider, et être formés pour automatiser ces tâches répétitives. Les modèles de reconnaissance optique de caractères et de vision artificielle peuvent être utilisés pour extraire les renseignements clés des factures et prendre des données non structurées, puis les analyser et les structurer dans des champs PRE, tandis que les GML peuvent générer des bons de commande avec des invites et entrer des données dans les systèmes en suivant des instructions. Ces outils peuvent lire et traiter des courriels, des factures et des contrats fournisseurs et remplir des champs PRE avec des renseignements tirés de données non structurées. Le travail qu’il faut pour entrer tous ces renseignements dans les systèmes PRE et les maintenir de manière précise et en temps opportun peut ainsi être effectué en une fraction du temps. Ce faisant, les entreprises peuvent bénéficier d’une image plus fluide et à jour de leur flux de travail d’approvisionnement, de la découverte jusqu’au paiement.
Les systèmes PRE sont conçus pour relier l’information qu’ils contiennent à tous les services d’une entreprise, mais il reste que bien souvent, des données résident en silos. Il arrive que les services de l’approvisionnement, des finances, des opérations, ou d’autres encore stockent et gèrent leurs données séparément, dans des lecteurs, des dossiers et des systèmes distincts. La dispersion des données et l’utilisation de différents formats de données peuvent rendre difficiles le traitement, l’analyse et la transformation des données en renseignements exploitables. Aujourd’hui, assembler manuellement ces données fragmentées pour en tirer des renseignements exploitables peut prendre beaucoup de temps, ce qui limite le potentiel de visibilité en temps réel de la performance et des besoins d’approvisionnement de l’entreprise. Les GML, de leur côté, peuvent aider à analyser efficacement ces données dans différents formats et emplacements, et les unifier dans un lac de données centralisé afin que les données puissent être utilisées pour des analyses alimentées par l’IA et autres automatisations de données. Par exemple, une chaîne de restaurants pourrait synchroniser les données de son service des finances, comme les données de commandes en ligne, les données de point de vente, et les ventes historiques et ventes prévues, avec des données d’exploitation comme l’achalandage et les taux d’occupation, dans un lac de données, lequel pourrait ensuite être interrogé par des GML afin de déterminer de quelles fournitures et de quels ingrédients il pourrait être nécessaire de s’approvisionner en quantités plus ou moins élevées dans des emplacements spécifiques. Ou encore, le service des opérations d’une entreprise de détail pourrait transmettre des informations sur une diminution imprévue de stocks dans un magasin, et l’équipe d’approvisionnement pourrait ensuite tirer parti des GML pour rechercher efficacement des fournisseurs pour les articles manquants dont le magasin a besoin et commander des articles de remplacement. En rendant possibles ces types d’actions, les GML peuvent transformer des données statiques et cloisonnées en un système PRE unifié et riche en renseignements exploitables.
L’IA peut s’occuper de ce qui suit :
- Saisie de données : lire et traiter des courriels, des factures et des contrats fournisseurs, et remplir des champs PRE avec des renseignements tirés de données non structurées
- Analyse de données : transformer des données statiques et cloisonnées en un système PRE unifié et riche en renseignements exploitables
- Vérification des prix : extraire des détails de niveau catégorie enfouis au milieu de descriptions d’articles dans des catalogues de fournisseurs, et identifier des substituts identiques potentiels d’autres fournisseurs, avec leurs prix respectifs
- Prévisions : analyser les tendances saisonnières et générer des prévisions précises et dynamiques
Bien que les systèmes PRE et les systèmes d’approvisionnement permettent un niveau élémentaire de suivi et de contrôles des dépenses, ils manquent souvent d’analyses avancées pour optimiser les occasions d’économies à l’échelle des catégories et des fournisseurs, et ils ne possèdent pas de mesures de contrôle pour empêcher l’approvisionnement d’ingrédients ou d’articles spécifiques. À l’opposé, les plateformes d’approvisionnement alimentées par GML peuvent permettre d’effectuer de puissantes vérifications de prix en extrayant des détails de niveau catégorie enfouis au milieu de descriptions d’articles dans des catalogues de fournisseurs, et identifier des substituts identiques potentiels d’autres fournisseurs, avec leurs prix respectifs. Par exemple, une chaîne d’entretien automobile pourrait utiliser la recherche alimentée par GML pour identifier le même lubrifiant qu’elle utilise actuellement, offert par un nouveau fournisseur à un prix beaucoup moins élevé. Ou encore, une clinique médicale pourrait trouver des articles de substitution moins chers pour des articles non durables comme les gazes, les ouates et les onguents, chez d’autres fournisseurs auprès desquels elle n’avait jusque-là jamais acheté ces articles. Les entreprises peuvent également mettre en place des systèmes basés sur des règles sémantiques pour empêcher que leurs équipes d’approvisionnement ne recherchent ou n’achètent certains types d’articles à proscrire. Pour reprendre l’exemple de la clinique médicale, il pourrait arriver que celle-ci veuille éviter les produits en latex. L’équipe d’approvisionnement de la clinique pourrait spécifier « pas de latex » ou « sans latex », et un système de recherche GML exclurait systématiquement les articles contenant du latex des résultats de recherche pour tous les types de produits.
Les entreprises font rarement, voire jamais confiance aux prévisions d’affaires générées par les systèmes PRE et les systèmes d’approvisionnement, et formulent plutôt des prévisions financières indépendantes. Cela est dû au fait que la fonctionnalité de prévision des systèmes PRE repose sur des données statiques, tout particulièrement pour les stocks, ce qui peut mener à avoir ou des stocks excessifs, ou des stocks insuffisants de certains produits. Les modèles d’apprentissage machine, en revanche, peuvent intégrer des données en temps réel relativement aux données historiques dans un système PRE, et les utiliser pour générer des prévisions sophistiquées. Par exemple, les entreprises qui doivent composer avec la saisonnalité peuvent tenir compte des tendances de la saison actuelle, les analyser en fonction des tendances de la saison précédente, et produire des évaluations plus précises et dynamiques de leurs besoins. Un tel cas dans le domaine médical est le stockage de certains types de médicaments contre les allergies saisonnières.Bien qu’un médecin puisse savoir qu’au printemps, il est généralement nécessaire de faire provision de certains médicaments contre les allergies pour répondre aux cas d’allergies liées au pollen, il n’aura probablement pas une idée précise du moment exact de le faire et cherchera à éviter de se tromper en commandant trop tôt ou trop tard. S’il fallait qu’il commande trop tôt, il devra assumer le coût des stocks de médicaments inutilisés. À l’opposé, s’il fallait qu’il commande trop tard, il pourrait arriver que certains médicaments se retrouvent en rupture de stock en raison de pics de demande. Les modèles d’apprentissage machine pourraient dans ce cas analyser la demande saisonnière de la clinique et offrir des prévisions précises pour le moment où la clinique devrait commander des stocks afin de mieux répondre aux besoins.
Conclusion
Il y a une occasion d’améliorer le processus d’approvisionnement à travers l’ensemble de l’environnement commercial. De l’automatisation des communications internes et externes jusqu’à l’augmentation des capacités de recherche de fournisseurs et de négociation avec ceux-ci, en passant par l’extraction de renseignements à partir de contrats pénibles à reparcourir et l’amélioration des capacités de prévision, l’intelligence artificielle peut rendre possible une plus grande efficience et de meilleurs résultats.
Dans cet océan de possibilités, comment décider quel flux de travail mériterait d’être innové, quel produit devrait être développé, sur quels secteurs les efforts devraient être concentrés, et quel modèle d’affaires devrait être utilisé? Tower Research Ventures a développé des perspectives et des cadres entourant ces questions à partir de centaines de conversations avec des experts et des entrepreneurs sectoriels. Si vous travaillez dans ce domaine, nous serions ravis de discuter avec vous. Veuillez communiquer avec Tower Research Ventures à l’adresse ventures@tower-research.com.
Voici, à ce jour, quelques-uns des placements de TRV liés à l’approvisionnement :
À propos de Procurement Sciences
Procurement Sciences IA aide les entrepreneurs gouvernementaux à découvrir les bons contrats pour leur entreprise grâce à des outils d’IA avancés qui établissent des mises en correspondance basées sur des capacités uniques et des réussites passées. Cette plateforme permet aux clients de prendre des décisions éclairées grâce à l’analyse des occasions alimentées par l’IA, et elle offre des calculateurs de soumission ou de non-soumission, ainsi que des analyses d’agences et de concurrents. Elle simplifie le processus de demandes de propositions grâce à des outils d’IA qui guident les clients dans la création de stratégies gagnantes convaincantes, de propositions conformes et d’évaluations efficaces des risques, et qui améliorent les propositions à l’aide d’outils d’IA qui examinent et affinent les ébauches, effectuent des vérifications de conformité et fournissent des recommandations d’amélioration. Au-delà de l’étape de la proposition, Procurement Sciences IA aide les clients à apprendre et à croître grâce à des outils d’IA qui analysent les comptes rendus, évalue les motifs de dispute, et suit les indicateurs, les récurrences et les tendances clés.
À propos de Mentium
Mentium est une plateforme d’automatisation des paiements alimentée par l’IA conçue pour les expéditeurs, courtiers et entreprises d’affacturage. La technologie de Mentium saisit et centralise les documents sur de multiples canaux : courriels, systèmes PRE, systèmes de gestion du transport (SGT), ÉDI, etc.; elle se fait une compréhension de ces documents et des structures de données à l’aide d’un grand modèle de langage exclusif; elle automatise les flux de travail manuels, y compris les vérifications, la saisie de données, l’envoi d’alertes, les demandes d’approbations, etc.; et elle comprend une fonction d’autoapprentissage pour améliorer continuellement la précision et l’automatisation en fonction des actions et des données des utilisateurs. La plateforme permet également de générer de nouvelles perspectives, ainsi que d’identifier les anomalies, les tendances relatives aux paiements, et les problèmes liés aux paiements.
À propos d’Assembli
Assembli développe des produits d’IA natifs qui améliorent l’efficacité et la rentabilité des entreprises de construction.
Les opinions exprimées dans ce document sont uniquement celles de l’auteur (ou des auteurs), telles qu’elles étaient au moment de leur publication initiale, et ne reflètent pas nécessairement les opinions de Tower Research Ventures LLC ou de ses affiliés. Elles ne sont pas destinées à fournir, et ne doivent pas être considérées comme, des conseils en investissement, et aucune information contenue ici ne constitue une offre d’achat ou de vente de titres, ni ne doit être utilisée comme base pour l’achat ou la vente d’un investissement. Les informations contenues ici n’ont pas été et ne seront pas mises à jour ou révisées pour refléter les informations qui pourraient devenir disponibles ultérieurement, ni pour tenir compte des circonstances existantes ou des changements survenus après la date de préparation. Certaines informations contenues dans le présent document sont basées sur des sources publiées et non publiées. L’information n’a pas été vérifiée de façon indépendante par TRV ou ses représentants, et l’exactitude ou l’exhaustivité de ces renseignements n’est pas garantie. Votre lien vers ou utilisation de tout site Web tiers se fait à vos propres risques. Tower Research Ventures décline toute responsabilité quant aux produits ou services offerts ou aux renseignements contenus sur tout site Web tiers.