Pourquoi les praticiens ont raison d'ignorer cette vision « AI Era » pour la Supply Chain
Lorsque une quarantaine de professeurs et de représentants de l’industrie publient une « déclaration de vision » pour la Supply Chain à l’ère de l’AI, on pourrait s’attendre à quelque chose qui aide un véritable professionnel de la Supply Chain à prendre de meilleures décisions lundi matin.
Le document auquel je pense est Supply Chain Management in the AI Era: A Vision Statement from the Operations Management Community par Maxime Cohen, Tinglong Dai, Georgia Perakis et trente-neuf co-auteurs. Il annonce, dans son résumé, que la communauté de gestion des opérations (OM) a « un rôle et une responsabilité importants » non seulement dans la transformation de la Supply Chain par l’AI, mais aussi pour s’assurer que les Supply Chains derrière l’AI soient « durables, résilientes et équitables ». Il développe ensuite un cadre en cinq niveaux — intelligence, exécution, stratégie, humain, infrastructure — et passe en revue une vaste littérature en OM et AI sous ce prisme.
Sur le papier, cela semble prometteur. En pratique, c’est une illustration quasi parfaite des raisons pour lesquelles les praticiens de la Supply Chain ont raison d’ignorer l’essentiel de la production académique dans notre domaine.
Dans mon récent livre Introduction to Supply Chain, je définis la Supply Chain comme la maîtrise des options en situation d’incertitude dans le flux de biens physiques et j’argue que, dans une économie de marché, l’objectif pratique de la Supply Chain est d’augmenter le taux de rendement ajusté au risque de l’entreprise sur chaque ressource rare qu’elle touche — capital, capacité, temps, goodwill. Tous les désiderata habituels — taux de service plus élevés, délais de livraison plus courts, transport plus écologique, employés plus satisfaits — n’ont d’importance que dans la mesure où ils contribuent au profit à long terme exprimé en devises fortes. La Supply Chain n’est pas une philosophie morale ; c’est une économie appliquée qui survit ou périclite selon ses comptes.
Mis à l’épreuve de ce critère, cette « déclaration de vision » coche presque toutes les cases d’avertissement auxquelles j’ai fini par me méfier dans les écrits académiques sur la Supply Chain : le signalement de vertu supra-économique, des cadres qui n’affectent pas les décisions réelles, un raz-de-marée de citations autoréférentielles, et la croyance persistante qu’une couche supplémentaire de modélisation des séries temporelles couplée à un AI moderne rétablira en quelque sorte le paradigme de la planification qui a déjà échoué aux praticiens depuis des décennies.
Permettez-moi d’expliquer pourquoi.
Vertus supra-économiques et l’éthique des bilans d’autrui
La phrase la plus révélatrice de tout l’article apparaît dans le résumé :
“La communauté OM a un rôle et une responsabilité importants pour guider non seulement la manière dont l’AI transforme la Supply Chain, mais aussi la façon dont les Supply Chains qui permettent l’AI sont conçues pour être durables, résilientes et équitables.”
La conclusion répète le même trio de vertus, déclarant que l’OM devrait nous guider vers des Supply Chains « plus résilientes, équitables et durables ».
Remarquez ce qui se passe ici. Avant de nous indiquer à quoi servent les Supply Chains, les auteurs nous disent quels adjectifs elles doivent satisfaire : durables, résilientes, équitables. Aucun objectif économique explicite n’est jamais mentionné. Le profit, la productivité du capital, le rendement ajusté au risque — n’apparaissent, le cas échéant, que de manière indirecte. L’article suppose simplement que « l’efficacité » et « la résilience » coexistent avec un ensemble d’objectifs moraux privilégiés, et qu’il appartient à la communauté OM de les promouvoir simultanément.
Dans le chapitre 4.4.5 de mon livre, « Objectifs supra-économiques », j’utilise ce terme — supra-économique — précisément pour désigner ce schéma : des appels à des finalités qui dépasseraient, prétendument, de simples considérations monétaires et justifieraient ainsi de passer outre la discipline des prix, des coûts et des coûts d’opportunité. Parfois, le ton est moralisateur (« l’entreprise devrait promouvoir une démarche sociale au-delà du service aux clients ») ; parfois, il est apocalyptique (« une catastrophe imminente exige un sacrifice immédiat de la rentabilité »). Dans les deux cas, l’opération est la même : le calcul économique est discrètement relégué, tandis que la préoccupation privilégiée de l’auteur est élevée au-dessus de celui-ci.
Le problème n’est pas que la durabilité ou l’équité soient sans importance. Le problème est que la rareté ne disparaît pas simplement parce que nous les invoquons. Chaque palette, heure-homme et pièce consacrées à un objectif se fait au détriment d’un autre. Comme je le dis dans le livre : faire appel à une finalité supérieure « ne dissout pas la rareté ; il s’agit simplement de renommer les compromis … il n’existe aucune alternative aux profits et aux pertes ».
Si les émissions de carbone comptent, elles doivent être intégrées dans le calcul en tant que coûts — via les prix du carbone, les régulations, le comportement des clients ou le risque pour la marque — de sorte que des décisions alternatives puissent être comparées dans une unité commune. Si l’équité est importante, nous devons préciser de qui il s’agit, à quel prix et avec quelles conséquences, encore une fois de manière à pouvoir se refléter dans les décisions et être audité ultérieurement. Sinon, nous ne faisons qu’orner la discussion avec des adjectifs.
Pourtant, l’article de vision de l’AI Era se contente de déclarer que les Supply Chains « doivent » être durables et équitables, sans jamais préciser ce que signifient opérationnellement ces termes, qui en assume le coût, et combien. Dans la section sur la santé, par exemple, il est indiqué que les Supply Chains de livraison doivent fonctionner sous des « contraintes strictes de sécurité et d’équité ». D’un point de vue éthique, cela peut sembler rassurant ; d’un point de vue de la Supply Chain, c’est creux. À quel point « assez sûr » est-il suffisant ? L’équité pour quels groupes de patients, à quel coût en termes de capacité perdue, et comparée à quelles alternatives ? Pas de chiffres, pas de prix, pas de compromis.
Pire encore, l’article présente ces objectifs supra-économiques comme une responsabilité de la communauté OM sur les bilans d’autrui. Il est une chose pour un parlement de fixer des impôts ou des normes de sécurité après un débat démocratique. Il en est tout autre pour des universitaires de dire aux gestionnaires qu’ils ont l’obligation de concevoir des Supply Chains « équitables » sans quantification explicite de la redistribution entre qui et vers qui. Le premier relève de la politique ; le second n’est, au mieux, que du paternalisme et, au pire, une invitation discrète à trahir le devoir fiduciaire envers les actionnaires, les détenteurs d’obligations, les employés et les clients qui ne partagent peut-être pas les mêmes priorités.
Une fois que l’on accepte que n’importe quelle cause puisse prétendre à une priorité supra-économique, il n’existe aucun principe limitant. Comme je le note dans le livre, l’histoire est jonchée d’entreprises qui se sont alignées avec enthousiasme sur des causes plus tard reconnues comme désastreuses — allant du recrutement ouvertement discriminatoire au soutien charitable à l’eugénisme — munies à l’époque d’un impressionnant « consensus scientifique ». Dans chaque cas, le calcul économique a été subordonné à une rhétorique supra-économique ; dans chaque cas, des ressources ont été gaspillées alors qu’elles auraient pu être utilisées pour mieux servir les clients.
Le signalement de vertu supra-économique n’est pas une simple parure inoffensive. C’est un échec éthique en soi, car il obscurcit le jugement concernant les compromis tout en dépensant des ressources qui n’appartiennent pas aux auteurs à allouer. Une « vision » de la Supply Chain qui commence et se termine par un tel signalement apprend à la prochaine génération de praticiens qu’ils doivent optimiser pour des adjectifs plutôt que pour les conséquences en devises fortes que leurs décisions entraîneront.
Cadres, niveaux et l’apparence de profondeur
Le deuxième signe distinctif de cet article est son engouement pour les cadres et les références.
Après le résumé, les auteurs annoncent qu’ils structureront leur discussion autour de cinq « niveaux » d’interaction entre l’AI et la gestion de la Supply Chain : intelligence, exécution, stratégie, humain et infrastructure. Chaque niveau obtient ensuite sa propre section, et le reste de l’article est organisé autour de cette classification.
Il n’y a rien d’intrinsèquement incorrect dans la taxonomie. La question est toujours : quelles décisions changent parce que nous disposons maintenant de cette taxonomie particulière plutôt qu’une autre ? Si, demain, nous réduisions les cinq niveaux à trois, ou les divisions en huit, un bon de commande, un transfert ou un prix serait-il différent ? Les auteurs n’essaient jamais de répondre à cela. Le cadre fonctionne comme un classeur pour des idées préexistantes ; il ne devient pas un instrument de choix.
Les praticiens ont déjà vu ce scénario. Dans Introduction to Supply Chain, je consacre quelques pages à expliquer comment la « planification » est devenue la bannière marketing des systèmes d’entreprise dans les années 1990, même lorsqu’ils ne contenaient guère plus que de la prévision des séries temporelles et des formules de stock de sécurité basiques. Les fournisseurs d’ERP, suivis par ceux d’APS, ont rebaptisé la tenue de registres générique en « planification intégrée », puis « planification avancée » et, plus récemment, en « jumeaux numériques » et « tours de contrôle ». La terminologie a changé ; les tableurs et les flux de travail administratifs sous-jacents ne l’ont pas été.
L’architecture à cinq niveaux présentée dans cet article donne l’impression d’une certaine profondeur, mais il n’existe aucune preuve qu’elle conduise à des décisions différentes, à une meilleure automatisation ou à une amélioration économique. Une taxonomie qui n’altère pas ce qui se passe sur le plancher de l’entrepôt ou lors des réapprovisionnements est, du point de vue d’un praticien, une simple ornementation, et non un progrès.
Il en va de même pour la liste de références et la manière dont elle est utilisée. L’article insiste sur le fait qu’il est le fruit d’un « processus collaboratif étendu » impliquant 42 chercheurs, praticiens et leaders technologiques, dont beaucoup contribuent également au prochain livre des auteurs AI in Supply Chains: Perspectives from Global Thought Leaders. Les références se penchent ensuite lourdement sur ce même cercle : de multiples citations de Cohen, Dai, Perakis et leurs co-auteurs, ainsi qu’un ensemble de documents de travail récents et d’articles en voie de publication par l’équipe d’auteurs.
Encore une fois, il n’y a rien d’illégitime à citer ses propres travaux. Le problème est que l’ampleur même de la liste est présentée comme une forme de preuve en soi. Les praticiens se voient offrir un défilé de titres — « Comment le machine learning transformera la gestion de la Supply Chain », « Utiliser l’AI pour détecter les achats paniques », « Les grands modèles de langage pour l’optimisation de la Supply Chain » — sans qu’on leur dise comment chacun de ces éléments fonctionne lorsqu’il est appliqué à des données d’entreprise complètes, désordonnées, générant des décisions non surveillées et étant évalués sur le profit et la perte réels.
Si vous gérez un réseau d’usines et d’entrepôts, vous ne vous souciez pas du nombre de documents qui existent sur un sujet. Ce qui vous importe, c’est de savoir s’il existe une recette numérique que vous pouvez déployer sur vos enregistrements, sous vos contraintes, qui rendra les bons de commande, les transferts et les prix de demain meilleurs en termes de liquidités que ceux d’hier. Pour cela, une mise en œuvre sur le terrain bien documentée, avec des résultats économiques complets et des limites claires, vaut plus d’une douzaine de déclarations de vision et cinquante citations.
L’article de l’AI Era offre le premier cas seulement sous une forme anecdotique et superficielle. Une section sur « Machine Learning Optimal » mentionne deux études de cas Fortune‑150 où une société de conseil aurait amélioré les taux de service et réduit les coûts de stocks. Le lecteur n’obtient aucune base de référence, aucun contre-factuel, aucun détail sur le capital total employé ou sur le profil de risque avant et après. Dans d’autres « projecteurs » industriels, on nous dit que JD.com a constitué une solide équipe d’analystes et utilisé l’AI pour expliquer les prévisions aux dirigeants, ou que des organisations humanitaires peuvent utiliser l’AI pour un meilleur prépositionnement des stocks. Tout cela pourrait être vrai ; aucune de ces informations ne dépasse le niveau d’une brochure marketing.
De l’extérieur, cela ressemble à un circuit fermé : un cercle d’auteurs se citant mutuellement, ainsi que leurs étudiants, en soutien à un cadre sur lequel ils se sont déjà mis d’accord, le tout agrémenté d’anecdotes de praticiens ici et là. Pour les universitaires, cela peut être la manière dont un domaine signale son activité. Pour les praticiens, cela signifie que rien ici ne les aidera à décider combien acheter la semaine prochaine.
AI, prévision et l’ancien équilibre de la planification
Le cœur de l’article — le « niveau d’intelligence » — est consacré à l’AI elle-même. Ici, les auteurs décrivent comment le machine learning améliore la prévision, comment le reinforcement learning peut être utilisé pour le contrôle des stocks, comment un paradigme émergent appelé « decision‑focused AI » intègre des objectifs d’optimisation dans la fonction de perte, et comment les grands modèles de langage (LLMs) pourraient fournir des interfaces en langage naturel et un « raisonnement agentique via chain‑of‑thought » pour des problèmes complexes de Supply Chain.
Une grande partie de cela est techniquement exacte dans un sens étroit. Le machine learning peut, en effet, incorporer de nombreuses fonctionnalités ; le reinforcement learning peut, en effet, apprendre des politiques en simulation ; les LLMs peuvent, en effet, analyser et générer du texte autour des modèles d’optimisation. Le problème n’est pas de savoir si ces outils existent ; il s’agit de déterminer si leur utilisation, telle que présentée dans l’article, résout les véritables faiblesses structurelles du paradigme de la planification dans la Supply Chain.
Ce n’est pas le cas.
La prévision en est un bon exemple. Les auteurs écrivent que le machine learning « améliore la précision des prévisions », et que des prévisions de demande avancées peuvent s’appuyer sur « des centaines de variables dynamiques provenant à la fois de jeux de données internes et externes ». Plus tard, dans leur discussion sur le decision‑focused AI, ils reconnaissent que les chaînes traditionnelles « prédire‑puis‑optimiser » peuvent désaligner la prévision et la décision, et proposent d’entraîner les modèles directement sur les coûts des décisions en aval.
Tout cela progresse comme si le problème fondamental de la prévision de la Supply Chain était le manque de sophistication des modèles de séries temporelles. Ce n’est pas le cas.
Dans le livre, je consacre une section entière pour expliquer pourquoi le paradigme des séries temporelles est structurellement inadapté aux décisions commerciales. Une série temporelle réduit l’historique des transactions à une séquence de nombres indexée par des intervalles de temps. Cette représentation entraîne une perte d’information dans des aspects importants. Deux structures de demande peuvent produire des séries de ventes hebdomadaires identiques — l’une où mille clients indépendants achètent chacun une unité par semaine, et l’autre où un unique grand compte achète les mille unités. Dans le premier cas, la demande s’effondre lentement ; dans le second, elle peut s’effondrer du jour au lendemain. La série temporelle hebdomadaire ne les distingue pas, mais le risque de stocks est radicalement différent.
De même, un produit qui se vend à dix unités par semaine pourrait correspondre à dix petits paniers ou à un grand panier. La série temporelle est identique ; pourtant, la position de stock judicieuse diffère d’un facteur de quatre ou plus. La prévision des séries temporelles, aussi sophistiquée soit-elle, ne peut pas récupérer l’information que l’agrégation elle-même a détruite. Il ne s’agit pas d’ajouter plus de fonctionnalités ou des réseaux plus profonds ; la représentation est inadaptée à la décision.
Le document ne s’engage jamais dans cette critique structurelle. Il suppose simplement, comme d’innombrables articles l’ont fait auparavant, qu’une meilleure prévision des séries temporelles est un goulot d’étranglement central dans la supply chain et que le machine learning est la réponse naturelle. Le bref clin d’œil aux pertes axées sur la décision est incrémental : les modèles optimisent désormais une fonction de perte plus pertinente, mais ils sont toujours entraînés sur le même objet appauvri.
Pire encore, lorsque l’article aborde des critères de décision spécifiques, il se contente des suspects habituels : taux de service et coûts de stocks. OML est salué pour avoir « significativement » amélioré les taux de service et réduit les coûts de stocks dans des études de cas. La question économique sous-jacente — combien de capital devrait être affecté à quelles options, sous quel profil de risque — n’est jamais formulée explicitement.
Dans le livre, j’appelle les formules de stock de sécurité « stocks dangereux » et je note qu’elles constituent un test décisif pour révéler une incompétence flagrante dans la supply chain. Ces formules reposent sur le choix d’un taux de service cible — disons, 95 % — et sur le traitement de ce pourcentage comme s’il avait un lien intrinsèque avec le profit. Ce n’est pas le cas. Le taux de service est un substitut pour un compromis financier entre la douleur d’une rupture de stock et le coût de détention. À moins que nous ne tarifiions les deux côtés et ne calculions explicitement le compromis, viser « 95 % » ou « 97 % » relève de la numérologie. Comme je le remarque aussi, le taux de service est devenu un KPI “évadé” classique : un indicateur qui s’est affranchi de ses racines économiques et commande désormais l’organisation, alors que personne n’est obligé d’énoncer les prix réels.
L’article AI Era ne remet jamais en question cette culture des KPI ; il y intègre l’IA. Les prévisions sont améliorées ; les politiques de stocks peuvent être ajustées ; les taux de service deviennent un peu plus élevés et les stocks un peu plus bas — et l’on nous affirme que c’est un progrès. Il n’est fait aucune mention des taux de rendement ajustés au risque, de la manière dont les options sont évaluées face à une contrainte de fonds de roulement, ni de la façon dont la performance des modèles est jugée à la limite où les recommandations sont réécrites dans l’ERP et où l’argent circule réellement.
Le traitement des large language models est un autre exemple. L’article suggère que les LLM « promettent de rendre les outils de planification avancée plus accessibles » et qu’ils peuvent fournir des interfaces en langage naturel qui « démocratisent l’accès aux outils avancés de prise de décision ».
Dans le livre, j’affirme que les modèles de langage consomment généralement des ordres de grandeur de calcul en plus que les algorithmes spécialisés accomplissant la même tâche et qu’ils sont peu susceptibles d’être compétitifs pour le traitement numérique des données. Leur rôle légitime dans la supply chain est étroit : accélérer la rédaction et la maintenance de recettes numériques et de documentation, et extraire des caractéristiques à partir de textes non structurés. Les utiliser comme moteurs de prévision est explicitement contre-productif : ils sont « mal adaptés à la prévision des séries temporelles — ou à tout travail numérique » et offrent de mauvaises performances, à un coût élevé, comparativement aux modèles statistiques de base.
L’article de vision, encore une fois, se conforme à la mode : les LLM deviennent des solveurs de problèmes “agentifs” pouvant aider à ajuster les politiques d’apprentissage par renforcement et raisonner par chaîne de pensée sur des décisions complexes de supply chain. Il n’y a aucune discussion sérieuse sur la fiabilité numérique, le coût, ni sur le point fondamental que les générateurs de texte stochastiques constituent une très mauvaise base pour des engagements non surveillés impliquant des stocks de plusieurs millions de dollars.
Dénuée de son vernis IA, ce que propose l’article est le même équilibre de planification qui a dominé pendant des décennies : des prévisions sous forme de séries temporelles, des plans sous forme de regroupements de séries temporelles, des taux de service en tant que talismans, et des humains validant les résultats. L’IA est invitée à s’installer au sommet de cette pile en tant qu’amplificateur, et non pour contester ses prémisses.
Pourquoi les praticiens vont (et devraient) détourner le regard
Rien de tout cela n’aurait beaucoup d’importance si l’article n’était qu’un exercice académique. Mais il est explicitement présenté comme un guide pour les praticiens et les éducateurs. Ses auteurs concluent en appelant les chercheurs, les dirigeants de l’industrie et les universités, leur demandant de construire des programmes d’études axés sur la collaboration homme–IA, de développer des cadres de gouvernance pour des déploiements d’IA « éthiques » et de concevoir des supply chains qui renforcent la « résilience, la productivité et le bien-être social ».
La difficulté, c’est que le modèle mental sous-jacent ne quitte jamais le confort de la salle de séminaire.
Il n’est pas exigé que les techniques soient testées sur des jeux de données d’entreprise complets et désordonnés, générant des décisions non surveillées et étant évaluées par rapport à une référence en termes monétaires. Il n’est pas exigé que des préoccupations supra-économiques soient traduites en prix, en réglementations ou en risques quantifiés avant d’être autorisées à primer sur le profit. Il n’est pas exigé que les cadres soient justifiés par les changements concrets qu’ils induisent dans les émissions — ce qui est acheté, déplacé et tarifé — et non par le nombre de diapositives qu’ils peuvent remplir.
Dans le chapitre 6.2 de mon livre, en abordant l’intelligence générale et le rôle du logiciel dans la supply chain, je souligne que de nombreux modèles publiés traitent les choix de conception cruciaux — objectif, contraintes, options admissibles — comme implicites. Ils opèrent dans des énigmes nettes et délimitées tout en laissant de côté la partie désordonnée, celle pour laquelle les entrepreneurs sont réellement rémunérés. Le remède est conceptuellement simple, bien que difficile en pratique : énoncer l’objectif économique en termes monétaires, énumérer les options admissibles, définir les conditions d’arrêt, puis décomposer le travail en sous-problèmes délimités que les machines peuvent résoudre.
La déclaration de vision AI Era ne fait pas cela. Elle part d’adjectifs non tarifés, s’appuie sur une classification, passe en revue une littérature principalement rédigée par ses propres auteurs et leurs pairs, puis appelle à davantage de la même chose sous la bannière de l’IA. Elle est éloquente, sincère et, pour quiconque tente de gérer une supply chain, presque complètement à côté de la plaque.
C’est pourquoi les praticiens ignorent ce type de travaux. Non pas parce qu’ils sont anti-intellectuels, mais parce qu’ils ont appris, souvent à leurs dépens, que des cadres sans fonctions objectives, des prévisions sans une discussion honnête sur les limites de représentation, une IA sans étalon économique, et une éthique sans prix convergent tous vers le même résultat : des présentations impressionnantes, des projets pilotes modestes, et aucune augmentation durable du taux de rendement de l’entreprise.
Si le milieu académique veut redevenir pertinent dans la supply chain, il devra renverser le schéma illustré si clairement par cet article. Commencez par l’économie, et non par des adjectifs. Traduisez les préoccupations — environnementales, sociales ou autres — en compromis explicites plutôt qu’en slogans moraux. Jugez les modèles sur leur performance avec des données désordonnées, sous de réelles contraintes, avec des décisions non surveillées et de l’argent en jeu. Acceptez que la planification par séries temporelles soit, pour de nombreux problèmes, une impasse, et que l’IA ne soit pas un engrais miracle pour un paradigme défectueux.
Jusque-là, les praticiens ne font pas que se donner le droit d’ignorer de telles déclarations de vision. Ils font preuve de prudence.
