Livre : Introduction à la supply chain (texte intégral)

Extrait brut du texte intégral du livre Introduction à la supply chain (septembre 2025) de Joannes Vermorel.
Cette page est destinée à la recherche dans le texte intégral. Pour une version mieux présentée, consultez cet aperçu en anglais.

1 Préliminaires

Toute la différence entre un mauvais économiste et un bon tient à ceci : le premier s’arrête à l’effet visible ; le second tient compte à la fois de l’effet que l’on voit et de ceux qu’il faut prévoir. Cette différence est immense [..] le mauvais économiste poursuit un petit bien présent qui sera suivi d’un grand mal futur, tandis que le véritable économiste recherche un grand bien futur au risque d’une légère difficulté présente. Ce qu’on voit et ce qu’on ne voit pas (1850), Frédéric Bastiat

La supply chain est une abstraction : un outil intellectuel qui coordonne les efforts d’un grand nombre de personnes pour livrer des biens physiques à faible coût et de manière fiable. Cet instrument a été conçu pour maîtriser l’incroyable complexité de notre civilisation industrialisée. La supply chain ne se voit ni ne se touche. Les usines, les entrepôts, les navires et les camions, aussi visibles soient-ils, ne sont pas la supply chain. Celle-ci réside dans le réseau d’attentes qui relie ces actifs. La supply chain est une intention, pas une chose.

Au cours des deux dernières décennies, l’automatisation est devenue une préoccupation centrale de la supply chain. Si le 20^e siècle fut celui de la mécanisation du travail physique, le 21^e est résolument celui de la mécanisation du travail intellectuel. La complexité de la plupart des grandes supply chains dépasse déjà largement ce que peuvent prendre en charge les responsables les plus consciencieux. Il faut donc aborder et comprendre la supply chain de manière à tirer le meilleur parti des possibilités offertes par les ordinateurs modernes.

Aborder la supply chain est une tâche ardue. Elle est à la fois abstraite, exigeant une réflexion sur des notions comme le temps ou la nature humaine, et concrète, demandant de prêter attention à des détails ordinaires tels que le tonnage maximal d’un conteneur ou les jours fériés d’un pays. Le plus difficile, comme le relevait justement Bastiat, est de concevoir ce qui ne peut être vu, mais seulement prévu. De fait, les liens entre l’économie et la supply chain sont profonds.

Nous avons donc besoin d’une définition précise de la supply chain, qui servira de fondement aux chapitres suivants.

La supply chain est à la fois un domaine d’étude et une pratique d’entreprise. Le domaine d’étude est descriptif : il décrit le flux de biens physiques en mettant au jour ses principes et propriétés intrinsèques. L’objectif est d’élaborer une théorie prédictive qui évalue les conséquences immédiates et à long terme de chaque facteur influençant ce flux. Certains leviers, comme l’émission d’un bon de commande à un fournisseur, sont sous le contrôle de l’entreprise ; d’autres, comme la réception d’une commande d’un client, ne le sont pas. En définitive, ces conséquences déterminent la rentabilité à long terme de l’entreprise.

La pratique d’entreprise est prescriptive. Elle vise à concevoir l’organisation et les méthodes les mieux adaptées pour orienter le flux de biens physiques au sein de l’entreprise, et potentiellement au-delà. L’objectif est de déterminer les perspectives, outils et pratiques généralement souhaitables pour améliorer les supply chains. À l’inverse, les pratiques généralement préjudiciables à la rentabilité doivent être reconnues comme telles. Naturellement, l’approche prescriptive s’appuie sur l’analyse descriptive : comprendre les conséquences des décisions doit guider l’entreprise vers de meilleurs choix.

1.1 Décisions

Une décision affecte une ressource rare à un usage précis, excluant ainsi des possibilités jusque-là disponibles. Par exemple, lorsqu’une entreprise dépense de l’argent pour acheter une unité supplémentaire d’un produit, cet argent ne peut plus servir à un autre usage. À terme, l’entreprise aura besoin de fonds pour de nouveaux achats ; elle pourra éventuellement les récupérer en cédant le produit précédemment acquis ou en l’affectant à un autre usage. Pour l’instant, cet argent reste engagé du fait de la décision. Les décisions de supply chain sont le sous-ensemble des décisions économiques qui concernent le flux de biens ; de nombreux choix économiques n’impliquent aucun flux de ce type.

Toutes les ressources sont rares, pas seulement l’argent. Les stocks sont une autre ressource fondamentale en supply chain. Par exemple, une unité expédiée d’un entrepôt vers un magasin ne peut être expédiée vers aucun autre. L’entreprise pourra, à terme, réapprovisionner l’entrepôt avec le même produit, voire y faire revenir l’unité initiale depuis le magasin. Mais, au moins pour l’instant, cette unité de stock est engagée du fait de la décision.

Les décisions de tarification jouent également un rôle crucial en supply chain. Fixer le prix d’un produit établit une condition de marché pour son échange et exclut, de fait, les autres prix possibles pour cette vente. Bien que la demande du marché comporte toujours une part d’incertitude, le prix choisi exprime la valeur que l’entreprise attribue à ses stocks. Au fil du temps, les entreprises peuvent adapter leurs stratégies de prix pour les ventes suivantes en fonction des réactions du marché.

Toute action délibérée qui modifie ce qui circule, où, quand ou en quelle quantité est une décision de supply chain. Émettre un bon de commande, programmer un camion, affecter un conteneur entrant à un entrepôt plutôt qu’à une plateforme de cross-docking, ou baisser le prix d’un article à faible rotation : toutes ces actions remodèlent le flux physique dans les délais opérationnels. Elles relèvent donc pleinement de la supply chain.

À l’inverse, les initiatives dont l’influence est seulement lointaine — financer la R&D fondamentale, commander une campagne publicitaire, prospecter une nouvelle zone géographique — peuvent finir par affecter le flux, mais au terme de plusieurs étapes intermédiaires. Leur portée est stratégique plutôt qu’opérationnelle ; elles se situent donc hors du périmètre traité ici. En pratique, la frontière est nette : parmi les centaines de leviers qu’un planificateur actionne chaque semaine, seuls quelques-uns résistent à une classification immédiate. Et pour ces rares cas, l’étiquette — supply chain ou non — a un effet négligeable sur la rentabilité.

Ce qui fait généralement obstacle à cette reconnaissance n’est pas la difficulté d’analyse, mais la tradition de l’entreprise. Au fil des décennies, les entreprises ont réservé certains leviers — prix, merchandising, choix d’assortiment — au domaine exclusif du marketing ou des ventes, les bannissant ainsi des discussions sur la supply chain. Pourtant, ces mêmes leviers façonnent la demande et, par extension, tous les mouvements de biens en aval. Dans les pages qui suivent, ils seront traités là où la logique les place : pleinement dans le périmètre de la supply chain.

1.2 Optionalité

Une décision se prend parmi des options concurrentes. Or, rien ne garantit qu’une entreprise dispose de plusieurs options. Par exemple, si elle n’a identifié qu’un fournisseur pour un produit, ses choix se limitent à la date et à la quantité de la commande auprès de ce fournisseur. Si celui-ci se révèle trop peu fiable ou trop cher, l’entreprise peut être contrainte de cesser de commander, au grand dam probable de l’entreprise comme de ses clients. Il est donc crucial de cultiver des options favorables. L’optionalité est essentielle, car toute prévision produite par une entreprise comporte intrinsèquement une incertitude irréductible, quelle que soit la technologie employée.

Les options de supply chain sont limitées par les moyens — et, par extension, les coûts — nécessaires pour les établir. L’attention des dirigeants, et plus généralement celle de l’organisation, est une autre ressource rare à allouer avec soin. Disposer de plusieurs fournisseurs fiables est préférable, mais encore faut-il les identifier, les qualifier et conclure des contrats avec eux pour pouvoir passer commande à temps. Selon les circonstances, cette attention peut être mieux investie dans l’approfondissement de la relation avec le fournisseur actuel, qui est peut-être aussi le meilleur.

Considérer les options inutilisées comme de simples frais généraux à réduire est naïf et erroné. Il peut arriver qu’une entreprise surinvestisse dans l’optionalité, avec des rendements décroissants lorsque les options supplémentaires n’apportent pas de bénéfices proportionnels. Ces surinvestissements restent néanmoins peu fréquents, même si maintenir des options peut paraître coûteux à un observateur extérieur.

De nombreuses options sautent aux yeux, mais sont écartées pour des raisons pratiques. C’est ce qui se produit chaque fois qu’une option est difficile à évaluer. Par exemple, un réseau comptant de nombreux magasins peut déceler des occasions ponctuelles de rééquilibrer ses stocks en choisissant l’itinéraire optimal d’un camion qui charge et décharge successivement des marchandises. Pourtant, si ce rééquilibrage doit être planifié à la main, ou avec des outils génériques inadaptés, l’explosion combinatoire déborde rapidement les personnes comme les tableurs. Faute de logiciel d’optimisation spécialisé capable de passer en revue des millions de permutations d’itinéraires en quelques secondes, cette catégorie d’options est discrètement écartée comme « trop complexe » et n’atteint jamais le stade de la décision.

Plus souvent, les options ne sont évaluées que par intermittence, essentiellement parce que l’entreprise dispose d’une attention ou d’outils limités. Par exemple, elle peut ne passer commande à un fournisseur qu’une fois par semaine, non parce que le cycle hebdomadaire présente des contraintes ou des avantages intrinsèques, mais simplement parce que préparer des commandes quotidiennes prendrait trop de temps. Évaluer chaque jour ne signifie pas commander chaque jour : cela signifie examiner quotidiennement la possibilité de commander, même si aucune commande n’est passée la plupart des jours.

1.3 Biens physiques

La supply chain concerne le flux de biens physiques. Retirez les biens, et il ne reste guère que de la finance et du négoce. Ce métier s’articule autour de trois mouvements récurrents : d’abord, l’argent est converti en biens, sous la forme d’unités de stock achetées aux fournisseurs ; ensuite, ces biens sont traités — inspectés, stockés, transportés ou transformés ; enfin, ils sont reconvertis en argent, soit par la vente directe, soit par leur consommation dans la production d’autres produits et services.

Ce processus est destiné à se répéter indéfiniment, mais jamais exactement de la même manière, car chaque aspect du flux évolue au fil du temps. Seule l’existence du flux demeure constante, aussi longtemps que l’entreprise existe.

Les biens physiques imposent des contraintes incontournables. Toute action les concernant — acheter, déplacer, transformer — consomme de l’argent ; mais toute inaction — conserver, attendre, stocker — prélève elle aussi son tribut implicite. L’argent est dépensé, que les biens circulent ou restent immobiles. Le seul levier consiste à choisir la combinaison d’actions et d’inactions qui minimise le coût total tout en préservant l’optionalité. Ces réalités deviennent invisibles lorsque les biens sont réduits à des repères électroniques dans les systèmes de trading modernes. Le trader à haute fréquence qui négocie du cuivre n’a pas à se soucier de l’endroit où repose le métal, de sa protection contre l’oxydation ou le vol, ni de son adéquation à la limite de poids brut d’un conteneur de vingt pieds. Le praticien de la supply chain doit, lui, composer avec chacune de ces contraintes, et le marché récompense les entreprises qui maîtrisent aussi bien les coûts explicites de l’action que les coûts implicites de l’inaction.

La manutention des biens physiques est soumise à la matière, à l’énergie, à l’espace et au temps. Les caisses ne traversent pas les murs, les palettes ne peuvent dépasser la capacité de levage des chariots élévateurs, et un navire parti de Shanghai hier n’accostera pas demain à Rotterdam. En revanche, la couche informationnelle qui pilote ces mouvements est, à toutes fins pratiques, élastique : un ordinateur portable ordinaire peut explorer des millions de permutations par seconde, et un modeste cluster cloud peut en maîtriser des milliards.

Élastique ne signifie pas simple. Transformer des données brutes en informations exploitables est terriblement difficile : le bruit, l’ambiguïté et le volume même des données se conjuguent pour brouiller la vue. Pourtant, chaque minute qu’un planificateur passe à attendre l’actualisation d’un rapport, chaque lot de réapprovisionnement retardé par les « limites du système », signale un défaut de conception. Le goulot d’étranglement devrait se trouver dans l’acier et le gazole, pas dans une requête SQL.

Les délais rendent ce contraste évident. Un algorithme qui calcule des recommandations d’approvisionnement pour un millier de SKU en cinquante millisecondes est instantané face aux deux semaines nécessaires à la fabrication des biens et aux six semaines nécessaires à leur traversée de l’océan. Par rapport aux atomes, les bits se déplacent à la vitesse de la lumière ; tout délai de décision qui devient significatif au regard du délai physique est un gaspillage inutile.

L’échelle conduit au même constat. Énumérer dix millions de cartons coûte quelques centimes de stockage et quelques millisecondes de processeur. Les héberger exige des hectares de rayonnages, des parcs de convoyeurs et des armées d’opérateurs. Lorsqu’un projet est déclaré « bloqué par les volumes de données », le remède n’est jamais davantage de chariots élévateurs : c’est toujours une meilleure modélisation des données et un logiciel plus léger.

En somme, le facteur limitant d’une supply chain bien gérée devrait être la réalité elle-même : mètres cubes, kilowatts, jours calendaires. Chaque fois que le point de blocage se situe dans le cockpit numérique — tableaux de bord qui se figent, optimiseurs qui dépassent leur temps imparti, planificateurs qui « ne voient pas » les options —, la direction a repéré une occasion d’amélioration facile à saisir. Éliminer les frictions de décision n’a rien de cosmétique : c’est le principal levier par lequel l’informatique moderne tire davantage de rendement des mêmes ressources rares.

1.4 Variabilité

Toute décision de supply chain est un pari sur l’état de l’entreprise et de son marché au moment où les biens circuleront effectivement. Puisque déplacer ou transformer des atomes prend toujours du temps — parfois des heures, souvent des jours —, la décision doit porter sur un avenir fondamentalement incertain. Cet avenir peut correspondre aux hypothèses actuelles ou s’en écarter radicalement, transformant un plan soigneusement élaboré en perte ou, tout aussi aisément, en aubaine inattendue.

Par exemple, lorsqu’une entreprise commande à un fournisseur d’outre-mer, elle doit composer avec plusieurs incertitudes. Les délais de production et de transport sont intrinsèquement imprévisibles, puisque ni le fabricant ni le transporteur ne sont entièrement fiables. En outre, la quantité de marchandises reçue peut être réduite par des dommages aléatoires en cours de transport. Enfin, la disposition future des clients à payer pour ces biens reste incertaine ; la situation est encore compliquée par l’absence d’influence de l’entreprise sur les stratégies de prix de ses concurrents pendant et après la livraison.

Une brève comparaison entre le processus de fabrication pris isolément et la supply chain dans son ensemble éclaire la nature de la variabilité. Dans l’atelier, tout écart par rapport à l’épaisseur nominale d’une tôle d’acier, à la pureté d’un réactif ou au rythme d’un bras de préhension et de dépose est un défaut. La variabilité est un ennemi que l’on peut toujours vaincre, moyennant un prix. Ce prix ne cesse de baisser à mesure que les capteurs, les actionneurs et les algorithmes rapprochent le contrôle de l’échelle atomique ; l’industrie des semi-conducteurs en est une preuve suffisante. Avec assez de capital, la dispersion résiduelle autour de la moyenne visée peut être rendue arbitrairement faible. En supply chain, la situation est inverse : la demande, les délais, la fiabilité des fournisseurs et les initiatives des concurrents résultent d’innombrables agents indépendants dont aucun dispositif technique ne peut supprimer le comportement. Aucune somme d’argent ne permet d’acheter un avenir déterministe. La seule attitude rationnelle consiste à s’attendre à la variabilité, à cultiver des options et à concevoir des décisions qui transforment l’incertitude en bénéfice plutôt qu’en perte.

Les supply chains sont en effet exposées au monde extérieur à une échelle qui dépasse de loin celle d’un environnement de fabrication fermé. Aucune entreprise ne peut s’isoler entièrement des forces extérieures, qu’elles proviennent de clients, de fournisseurs, de régulateurs, d’armées ou de concurrents. Aux facteurs humains s’ajoutent les événements naturels — tempêtes de neige, inondations, feux de forêt, tsunamis, séismes et pandémies — qui continuent de perturber les supply chains, même si le bilan humain de ces catastrophes a, fort heureusement, nettement diminué au cours du siècle dernier.

Contrairement au processus de fabrication, où la variabilité est toujours nuisible dans l’ensemble, la variabilité en supply chain peut souvent devenir un avantage concurrentiel. Prenons un producteur d’eau en bouteille qui installe délibérément une capacité de remplissage très supérieure à sa demande moyenne. La plupart du temps, les lignes supplémentaires restent à l’arrêt. Mais lorsqu’une canicule survient — un épisode qui ne touche que quelques étés par décennie —, l’entreprise peut augmenter brutalement sa production du jour au lendemain, tandis que ses concurrents rationnent leurs stocks. Le pic temporaire de volume, associé au supplément de prix que les consommateurs acceptent de payer sous une chaleur accablante, rembourse largement cet acier jusque-là dormant. La capacité excédentaire est ici une option achetée à l’avance précisément pour tirer parti d’une météo extrême : un cas d’école de variabilité transformée en bénéfice.

En somme, chaque fois que la variabilité crée des risques, elle ouvre simultanément des possibilités. En réalité, les risques et les opportunités en disent davantage sur les intérêts propres de l’observateur que sur leur nature intrinsèque. Les voyagistes qui organisent des excursions sur l’Etna ont tout intérêt à ce que l’activité du volcan se poursuive. Pour eux, contrairement aux habitants de l’antique Pompéi, un volcan actif n’est pas une catastrophe, mais une source de revenus essentielle.

1.5 Maîtrise

Maîtriser une supply chain consiste à cultiver des options favorables tout en engageant juste assez de ressources pour rester rentable aujourd’hui et résilient demain. Cette maîtrise n’est jamais le fait d’un planificateur solitaire ; elle prend forme grâce au travail coordonné de nombreuses disciplines agissant de concert.

Même dans les organisations bien coordonnées, cinq caractéristiques tenaces rendent les supply chains difficiles à maîtriser : l’intangibilité, la médiation, la complexité, la connectivité et le caractère épineux. Les pages qui suivent examinent chacune de ces caractéristiques et montrent comment transformer un obstacle en levier d’avantage concurrentiel.

Tous les actifs visibles — usines, camions, palettes, jusqu’aux personnes — ne comptent pour la supply chain qu’à travers l’intention qui les anime. La supply chain est donc fondamentalement intangible : un ensemble d’attentes concernant de futurs échanges de biens, d’argent et de services.

Considérons une bouteille de lait posée sur une étagère de supermarché. Aussi tangible soit-elle, sa présence ne se justifie que par deux paris qui se recouvrent. Le distributeur parie qu’un client achètera la bouteille avant qu’elle ne se périme ; le client parie que le distributeur maintiendra le rayon approvisionné. Ces paris restent silencieux lorsqu’ils réussissent et ne se font douloureusement entendre que lorsqu’ils échouent : lorsque le lait se périme ou que le rayon est vide.

Cette intangibilité est le premier obstacle à la maîtrise. Les attentes n’apparaissent jamais au bilan ; il faut les déduire de leurs symptômes : ruptures de stock, surstocks, dérive des délais, érosion des marges. Comme les économistes, les praticiens de la supply chain progressent en faisant émerger les hypothèses latentes enfouies dans chaque MOQ, chaque cycle de réapprovisionnement, chaque calendrier promotionnel. La maîtrise ne commence qu’une fois ces hypothèses explicitées, quantifiées et remises en question.

Les supply chains modernes ne peuvent être observées directement : toute observation passe par la médiation d’enregistrements logiciels. Ce que les planificateurs lisent comme des stocks physiquement présents, des commandes fournisseurs en cours ou des quantités en transit n’est qu’une représentation numérique, assemblée par un paysage applicatif constitué au fil des décennies. Point crucial, ce paysage n’est pas issu d’une expérience scientifique conçue pour recueillir les données les plus pertinentes, contrairement à ce que suggèrent de nombreux travaux universitaires. C’est un assemblage hétéroclite d’outils construits pour faire fonctionner les opérations jour après jour. Ce paysage dicte donc à la fois la visibilité du flux et le vocabulaire employé pour le décrire ; les atomes eux-mêmes restent hors de portée de l’observation directe.

Les praticiens s’inquiètent souvent des inexactitudes numériques — une erreur de comptage lors d’un inventaire tournant, un code-barres scanné en retard —, mais ces erreurs restent mineures et généralement circonscrites. Le véritable danger est la dérive sémantique. Un champ qui signifiait confirmed_order hier peut, après un correctif de l’éditeur ou un contournement improvisé par un utilisateur, recouvrir demain quelque chose de très différent, tout en conservant le même libellé. Les significations changent plus vite que les comptages, et les distorsions se multiplient à mesure que les données passent d’un système à l’autre. Chaque enregistrement est donc une hypothèse sur la réalité, et non la réalité elle-même ; il doit être revalidé en permanence.

La complexité des supply chains dépasse de loin les capacités d’un seul esprit, quels que soient les efforts consentis. Même des entreprises modestes jonglent désormais avec des centaines de milliers de SKU (unités de gestion de stock). Une partie de cette prolifération est accidentelle : réglementations héritées du passé, processus improvisés, logiciels mal rafistolés. Mais une part toujours plus grande est intentionnelle : une complexité délibérément introduite parce qu’elle enrichit la proposition de valeur.

L’e-commerce en donne une illustration frappante. Livrer une brosse à dents dans un studio exige l’organisation de la tournée du dernier kilomètre, le suivi du colis et la logistique des retours, autant d’étapes absentes du dépôt d’une palette dans un hypermarché. Ces couches supplémentaires sont indéniablement complexes, mais elles épargnent au client un déplacement et justifient donc un supplément de prix. Dans l’aviation, les motoristes ne vendent plus du matériel : ils vendent de la « puissance facturée à l’heure », en s’alignant parfaitement sur ce que valorisent les compagnies aériennes, tout en transférant la variabilité de la maintenance au réseau MRO du fabricant. De même, une marque de mode qui élargit son assortiment de 1 000 à 10 000 SKU complique ses achats, son stockage et ses démarques, mais ce choix accru élargit sa clientèle potentielle et renforce la fidélité.

Cette complexité essentielle justifie son coût, car elle crée une valeur pour le client qui peut être monétisée, à condition de la maîtriser de façon rentable. Le reste — particularités de conformité, SKU fantômes, vestiges de politiques anciennes — constitue une complexité accidentelle qui mérite d’être éliminée. Distinguer les deux, supprimer l’accidentelle et exploiter l’essentielle est l’un des grands défis de la supply chain au 21^e siècle.

Les supply chains fonctionnent comme des systèmes au sens formulé par Russell Ackoff : la performance de l’ensemble naît des interactions entre ses parties, et non de l’excellence isolée de chacune. Elles sont donc intrinsèquement interconnectées. Toute décision, si petite soit-elle, se répercute dans l’ensemble du réseau. Prenons une seule unité de stock dans un entrepôt régional. Dès qu’un planificateur l’affecte au magasin A, tous les autres magasins perdent instantanément cette option. Un soulagement local — éviter une rupture au magasin A — peut simultanément préparer des pénuries futures dans les magasins B, C et D. Cette tension à somme nulle est structurelle, car chaque produit, fournisseur, camion et minute d’attention managériale puise dans les mêmes réserves finies de ressources.

Les forces économiques amplifient ces interdépendances. Les clients attendent que des articles complémentaires soient disponibles ensemble ; les transporteurs proposent des tarifs au camion complet, pas à la palette ; un convoyeur n’amortit son capital que lorsque les volumes sont regroupés. Tenter d’« optimiser » un nœud isolément ne fait que déplacer les coûts ou les risques ailleurs dans la supply chain. Ce raisonnement mécanique, qui divise pour régner et convient si bien aux machines, échoue pour les supply chains, car il ignore les boucles de rétroaction qui lient les décisions dans le temps et dans l’espace.

La maîtrise exige donc une pensée systémique : évaluer chaque levier à l’aune de son influence sur l’ensemble du flux, aujourd’hui comme demain. Seule une entreprise qui considère l’allocation des stocks des entrepôts, la programmation des camions, les règles de réapprovisionnement et les prix comme des facettes d’un même espace de décision peut transformer l’interdépendance en avantage plutôt qu’en handicap.

Les problèmes auxquels les supply chains sont confrontées sont épineux, au sens technique donné par Rittel et Webber au terme anglais wicked, sans connotation morale : ce sont des difficultés qui se transforment dès que l’on intervient. Un problème épineux n’a ni formulation nette ni solution définitive, et chaque « correction » remodèle le système même qu’elle cherche à réparer.

Une illustration concrète le montre clairement. Supposons qu’une entreprise annonce une prime liée à une « précision des prévisions de 94 % ». Dès que les revenus des planificateurs dépendent de ce chiffre, le plus court chemin consiste à raccourcir les horizons, à regrouper les SKU ou à gonfler les stocks de sécurité jusqu’à ce que les calculs donnent le résultat souhaité. Le besoin en fonds de roulement s’envole, le service se dégrade, mais le tableau de bord reste au vert. La mesure est devenue la cible et a donc cessé d’être une bonne mesure : la loi de Goodhart mise à nu.

Le paradoxe est profond. La gestion de la supply chain a besoin d’objectifs numériques explicites pour que les optimiseurs — souvent des logiciels insensibles aux intérêts personnels — puissent les poursuivre sans relâche. Mais, dès qu’un objectif est annoncé, il crée de nouvelles incitations pour les employés, les fournisseurs et même les concurrents à jouer avec les règles. Aucune prescription ne reste optimale longtemps, et toute règle évidente, statique ou prévisible sera mise en échec à mesure que les agents s’adapteront. Le caractère épineux des problèmes renverse donc l’espoir académique naïf de couples bien ordonnés « problème + résolution » : la maîtrise consiste à réexaminer continuellement les objectifs aussi bien que les algorithmes qui les poursuivent.

1.6 Pour conclure

La définition trompeusement compacte de la supply chain recèle une perspective radicale. Dès lors que chaque levier qui fait circuler les biens est représenté par des données, les décisions n’attendent plus qu’un planificateur clique sur « OK » : elles peuvent être exécutées, auditées et affinées par des algorithmes qui fonctionnent jour et nuit, à un coût marginal négligeable. L’automatisation, entendue comme une prise de décision pilotée par logiciel, sans intervention humaine, s’apprête à faire pour les cols blancs chargés de l’ordonnancement ce que la chaîne de montage a fait pour le travail manuel.

Loin de n’être qu’un arbitrage sur le coût du travail, cette automatisation ouvre des perspectives de productivité que les organisations prisonnières de leurs tableurs peinent à imaginer. Beaucoup d’entreprises emploient aujourd’hui davantage d’analystes occupés à entretenir des feuilles de calcul que d’opérateurs à manipuler des cartons. Pourtant, un seul moteur de décision peut les devancer les uns comme les autres, en réduisant radicalement les délais et les erreurs tout en libérant des talents rares pour des défis nouveaux, d’un ordre supérieur.

Plus encore, le logiciel peut parcourir des espaces de décision que les humains n’exploreront jamais. Réviser les prix en continu lors de pics de demande viraux, réacheminer des conteneurs en pleine traversée maritime ou rééquilibrer les stocks à l’échelle d’un continent toutes les heures devient concret dès lors que le goulot d’étranglement est le calcul, et non la patience humaine. Tout comme l’e-commerce a réinventé le commerce de détail plutôt que perfectionné la vente par téléphone, l’optimisation sans intervention humaine transformera les supply chains au lieu de simplement accélérer les procédures d’hier.

La littérature quantitative sur la supply chain accumulée depuis l’UNIVAC I (1951) regorge d’algèbre intimidante et d’algorithmes voraces en pétaoctets. Pourtant, elle ne parvient toujours pas à exploiter l’informatique moderne pour produire des résultats tangibles en supply chain. Sa sophistication se trompe de cible : elle optimise ce qui est facile à compter plutôt que ce qui est économiquement décisif, s’accroche à des prévisions ponctuelles fragiles et s’effondre devant la prolifération combinatoire des options réelles. En manquant sa cible, elle réduit les gigaflops aujourd’hui presque gratuits à un bruit de fond, tandis que les planificateurs continuent de se débattre avec leurs tableurs. Les prescriptions qualitatives sur le leadership n’ont pas fait mieux : les bibliothèques sont pleines de « manuels » de supply chain que peu de dirigeants lisent et dont moins encore tireraient profit.

La forte présence de praticiens autodidactes dans les grandes entreprises est un symptôme frappant de ce vide. La société n’accepte, à juste titre, aucun chirurgien autodidacte : l’écart entre amateurs et experts formés est trop grand pour risquer des vies humaines. Pourtant, lorsque des stocks valant des milliards sont en jeu, les entreprises s’en remettent couramment à des planificateurs qui ont assemblé leur savoir-faire à partir de traditions internes et de billets de blog. La comparaison est saisissante et souligne combien la discipline reste peu développée.

Les méthodes dominantes ne se sont pas contentées de décevoir : elles ont, dans bien des cas, activement induit en erreur, promouvant une précision illusoire et des prouesses sur tableur à la place d’une science capable de passer à l’échelle. Leurs insuffisances, ainsi que la voie pour les dépasser, sont examinées sans détour dans le dernier chapitre de ce livre.

Les chapitres qui suivent rassemblent les fondements scientifiques nécessaires pour inscrire la maîtrise de la supply chain dans le logiciel et rendre possible l’optimisation sans intervention humaine que les dirigeants de demain tiendront pour acquise. Remplacer le folklore par une science précise, directement exploitable par ordinateur, est la condition préalable pour transformer la variabilité et l’optionalité, de sources récurrentes de difficultés, en gains reproductibles.

2 Histoire

Les définitions de la logistique, de la supply chain et du supply chain management (SCM) divergent : certains limitent la « supply chain » au flux physique de biens et réservent le « SCM » à la coordination ; d’autres considèrent ces termes comme synonymes. Éditeurs, consultants et praticiens les déforment encore pour flatter les organigrammes et les argumentaires commerciaux ; un bref détour historique aide à comprendre la fragmentation qui en résulte.

Les idées relatives à la supply chain se situent entre deux pôles : la netteté euclidienne et le jargon changeant de l’IA. Les étiquettes changent chaque décennie ; la tâche sous-jacente — maîtriser l’optionalité dans le flux de biens physiques — reste la même. Revendiquer une expertise en logistique, en recherche opérationnelle, en supply chain ou en optimisation d’entreprise en dit souvent davantage sur le point de vue de celui qui la revendique que sur le domaine lui-même.

Ce chapitre poursuit un double objectif. Il retrace d’abord la manière dont l’étiquette imprécise et toujours changeante de supply chain est née de notions antérieures, telles que la logistique et la recherche opérationnelle, montrant que son sens actuel reste provisoire. Il illustre ensuite l’esprit de contradiction qui traverse la suite du livre. Chaque mot à la mode est ici rapproché des incitations qui l’ont fait naître. Les éditeurs clament la nouveauté pour vendre des licences ; les consultants reconditionnent les idées d’hier pour vendre des présentations ; les dirigeants, soucieux de ne pas prendre de retard, adoptent le vocabulaire avant d’en éprouver la substance. Maintenir cette posture sceptique protège les praticiens contre des mirages coûteux tout en laissant émerger les innovations authentiques.

2.1 Du début des années 1800 aux années 1900 d’avant-guerre

Bien avant l’apparition des termes « logistique » ou « supply chain », l’activité elle-même faisait vivre toutes les cités-États. Rome dépendait des flottes céréalières africaines, Amsterdam des convois de bois de la Baltique et Edo des barges de riz dont les horaires suivaient les marées favorables. Chaque cas posait la même énigme durable : combler, jour après jour, l’écart spatial entre production et consommation dans un contexte d’incertitude. Le défi demeure ; le jargon et les outils analytiques changent. Les premières tentatives mathématiques systématiques n’apparurent qu’à la fin du 18^e siècle : c’est cette histoire que nous abordons maintenant.

Si l’ère moderne de la supply chain consiste à rechercher des améliorations opérationnelles par l’analyse, elle commence à cette période. En 1781, le mathématicien français Gaspard Monge publia son Mémoire sur la théorie des déblais et des remblais, dans lequel il proposait de minimiser le travail nécessaire au déplacement de la terre pour niveler un terrain présentant à la fois des reliefs et des creux.

Le terme logistique, autrefois employé indifféremment avec celui de supply chain, prit forme dans un contexte militaire durant la première moitié du 19^e siècle. Son premier emploi attesté — logistique — figure dans le Précis de l’Art de la Guerre (1830) de l’officier suisse Antoine-Henri Jomini¹. La logistique consistait à déplacer les ressources — personnes, équipements, matériaux — au bon endroit et au bon moment. Elle affinait la notion ancienne d’intendance militaire, qui remontait à l’Antiquité.

En 1840, la poste britannique adopta l’« Uniform Penny Post », une première démonstration civile de ce que nous appellerions aujourd’hui la recherche opérationnelle. Le mathématicien et ingénieur Charles Babbage établit des tableaux de coûts montrant que la distance ne contribuait que marginalement aux dépenses postales ; les véritables facteurs étaient la collecte, le tri et la distribution finale. Fort de ces constats quantitatifs, le Parlement accepta un tarif uniforme national d’un penny par lettre, décision qui accrut radicalement le volume du courrier et, par extension, la portée du commerce. L’étude de Babbage préfigurait l’analyse moderne des supply chains en substituant la mesure et l’optimisation au folklore. Ses travaux ultérieurs sur des machines à calculer programmables — qui culminèrent avec la machine à différences — visaient à automatiser précisément les tableaux statistiques qu’exigeaient ses travaux sur la poste.

En 1888, l’économiste Francis Ysidro Edgeworth, d’ascendance irlandaise et espagnole, formula une idée connue plus tard sous le nom de « problème du marchand de journaux ». Présentée pour la première fois dans sa Mathematical Theory of Banking, elle décrivait la difficulté de déterminer le niveau de stock optimal lorsque les excédents doivent être éliminés à la fin d’une période, comme c’est le cas chaque jour pour les journaux invendus. Cette contribution associait l’analyse statistique des risques à la résolution de problèmes opérationnels, une perspective qui ne deviendrait dominante qu’environ un siècle plus tard.

L’essor d’une classe moyenne détentrice d’actions aux États-Unis à la fin du 19^e siècle fit à son tour naître les premiers prévisionnistes économiques. Parmi ces pionniers, Roger Babson et Irving Fisher devinrent célèbres au début du 20^e siècle. Ils promouvaient des méthodes quantitatives d’allocation des ressources aux particuliers et aux entreprises, un esprit que l’on retrouve dans de nombreuses offres modernes de logiciels d’entreprise. Ils furent aussi des pionniers des techniques de prévision statistique par séries temporelles.

L’évolution de l’économie dans la première moitié du 20^e siècle suscita de nombreuses méthodes destinées à résoudre de petits casse-tête opérationnels. Plusieurs des solutions proposées débouchèrent sur des théories et des formules qui deviendraient des dogmes persistants de la supply chain. Par exemple, la formule de la quantité économique de commande (EOQ), un incontournable de la supply chain, fut introduite en 1913 par Ford Harris et popularisée dans les années 1930 sous le nom de formule de Wilson.

2.2 La Seconde Guerre mondiale et les développements d’après-guerre

Au déclenchement de la Seconde Guerre mondiale, le domaine revint à ses racines militaires. La Grande-Bretagne réunit près de 1 000 hommes pour ce qui devint la recherche opérationnelle, définie par l’armée britannique comme « une méthode scientifique visant à fournir aux services de direction une base quantitative pour les décisions concernant les opérations placées sous leur contrôle ». Cet effort produisit des résultats éclatants : moins de tirs d’artillerie pour abattre les avions ennemis et de meilleures chances de survie pour les navires et les avions britanniques.

Portée par son prestige acquis pendant la guerre, la recherche opérationnelle se développa rapidement dans les milieux universitaires. L’avènement de matériel informatique programmable à usage général permit à la communauté d’explorer des méthodes dont le calcul à la main aurait été totalement impraticable. Les limites du matériel cantonnèrent l’essentiel des recherches des années 1950–60 aux problèmes statiques ou stationnaires, supposés inchangés au fil du temps. Par exemple, déterminer l’emplacement d’entrepôts pour desservir un réseau de magasins de détail, si l’on suppose la demande constante, est un problème stationnaire. À l’inverse, optimiser les processus d’allocation en entrepôt et les itinéraires d’expédition est dynamique, car ces problèmes sont sensibles aux fluctuations de la demande, des délais, du trafic, de la disponibilité des chauffeurs, de la maintenance des camions, etc. Les problèmes dynamiques dépassaient les capacités du matériel de l’époque et furent largement laissés de côté.

Bien que la recherche opérationnelle eût initialement captivé les responsables d’entreprise, son attrait commença à décliner dans les années 1970. Dans les années 1980, le prestige hérité de la guerre s’était estompé et les intérêts des entreprises avaient changé². Les années 1970 apportèrent de nouvelles avancées, notamment du matériel informatique capable d’exploiter les codes-barres³. Associés à la base de données relationnelle de Codd de 1970, les codes-barres allaient remodeler les supply chains et leur paysage numérique au cours des décennies suivantes. Cette convergence donna naissance au système de gestion des stocks, l’un des premiers précurseurs des logiciels d’entreprise modernes.

Dans les milieux du logiciel, la « gestion » désignait alors les tâches courantes des cadres de premier niveau. Le « système de gestion » était conçu pour remplacer entièrement le cadre. Bien que leur travail fût largement administratif, ces cadres appartenaient à une main-d’œuvre instruite, capable de tenir des registres méticuleux et exacts. De plus, ces cols blancs occupaient des fonctions dont l’autorité et le prestige dépassaient ceux des ouvriers chargés de déplacer physiquement les marchandises.

Avec l’émergence des systèmes de gestion, les éditeurs de logiciels comprirent rapidement que la gestion de la supply chain recouvrait deux aspects distincts : la tenue des registres et la prise de décision. La tenue des registres consiste à suivre électroniquement les niveaux de stock et à traiter les tâches administratives courantes. La prise de décision consiste à déterminer les commandes et les allocations de stocks optimales pour l’entreprise. Les éditeurs visaient initialement à automatiser le rôle du cadre ; la tenue des registres s’y prêta aisément, mais la prise de décision se révéla beaucoup plus complexe, bien au-delà des capacités du matériel des années 1970.

Néanmoins, la « tenue des registres » n’avait pas l’attrait de la « gestion ». Les éditeurs de logiciels optèrent pour le terme le plus vendeur, même au détriment de la clarté, parce qu’il renforçait l’image de leur produit. Par la suite, l’industrie du logiciel adopta largement le terme « management » dans le nom de ses systèmes : WMS (warehouse management system, système de gestion d’entrepôt), CRM (customer relationship management, gestion de la relation client), PLM (product lifecycle management, gestion du cycle de vie des produits), etc.

L’omniprésence du « management » finit par diluer le prestige du titre de « manager ». Dans les années 2020, ce titre implique souvent de ne gérer que soi-même, comme dans les fonctions de project manager, office manager ou account manager. À l’inverse, les employés qui détiennent une véritable autorité hiérarchique bénéficient généralement d’intitulés plus précis que « manager ». On leur attribue plutôt des titres tels que « lead » ou « leader ».

Ainsi, le « supply chain management » désigne les activités des cadres au sens traditionnel de l’entreprise, c’est-à-dire des personnes investies d’une autorité formelle. La « supply chain » a en revanche un sens plus large, désignant à la fois la pratique et le domaine universitaire.

2.3 Des années 1980 au début des années 2000

Dans les années 1980, les éditeurs de logiciels élargirent leur périmètre au-delà des stocks pour couvrir les commandes, les paiements, les salaires, etc. Les logiciels distribués n’étaient pas encore économiquement viables pour les éditeurs. Ainsi, lorsqu’une entreprise acquérait un système pour tenir ses registres de stocks et un autre pour ses salaires, l’intégration ultérieure des deux systèmes était généralement jugée impraticable. Les éditeurs réunirent donc les fonctions dans un unique monolithe sur ordinateur central.

Après sa renommée d’après-guerre, la logistique avait perdu de son prestige face à la finance et au marketing. Un aphorisme sans détour, qui circulait alors dans les grandes entreprises de biens de consommation, résumait la hiérarchie en vigueur : « Les gens intelligents vont au marketing, les gens fiables à la production, et ceux qui n’ont aucune de ces deux qualités à la logistique. » Bien qu’elle fût manifestement teintée d’une rivalité amicale entre métiers de l’entreprise, cette formule traduisait la perception largement partagée d’un déclassement de la fonction logistique.

Une explication tient au fait que, jusque dans les années 1980, la logistique était largement empirique. La promesse initiale de la recherche opérationnelle, qui devait transformer la logistique en une science analytique moderne, s’était estompée. En 1979, Russell Ackoff, pionnier américain de la recherche opérationnelle en entreprise, résuma la situation dans son article The Future of Operational Research is Past :

La recherche opérationnelle est morte, même si elle n’a pas encore été enterrée. Je pense également qu’elle a peu de chances de ressusciter, car les raisons de sa disparition sont si mal comprises […] La vie de la RO [recherche opérationnelle] aura été brève. Elle est née ici à la fin des années 1930. Au milieu des années 60, elle avait été largement acceptée dans les milieux universitaires, scientifiques et managériaux. À mon avis, ce gain s’est accompagné d’une perte de son esprit pionnier, de son sens de la mission et de sa capacité d’innovation. La survie, la stabilité et la respectabilité ont pris le pas sur le développement, et son déclin a commencé.

Dans les années 1980, la prise de décision stagna tandis que la tenue des registres prospérait ; à la fin de la décennie, de nombreuses entreprises avaient numérisé leurs opérations transactionnelles. Les enregistrements électroniques ouvrirent de nouvelles façons de suivre les opérations ; de simples totaux et moyennes, recalculés en permanence, commencèrent à remodeler les pratiques des entreprises.

Après des débuts modestes au commencement du 20^e siècle, les cabinets de conseil étaient devenus des géants de l’entreprise au début du 21^e siècle. Parmi de nombreuses causes, la diffusion des enregistrements électroniques dans les années 1980 donna un élan considérable au conseil en management.

Malgré le constat banal selon lequel les consultants semblent n’avoir d’autre occupation que de se débattre avec des tableurs et des diapositives⁴, la justification de leur rôle dans l’entreprise est qu’ils vendent de l’impact. Ces enregistrements électroniques créèrent de nombreuses possibilités d’améliorer divers processus sans recourir à une sophistication analytique particulière.

Le défi permanent du conseil est la différenciation. Les barrières à l’entrée étant faibles, il est difficile de maintenir une offre qui reste distincte de celles de la concurrence. Il n’est donc guère surprenant que les consultants trouvent très séduisante la possibilité d’influencer l’évolution du langage de l’entreprise. Une manœuvre désormais classique consiste à inventer — ou du moins à adopter — de nouveaux termes toutes les quelques années pour renouveler l’offre et la marque. L’autorité acquise en apparaissant lié à un mot nouveau et à la mode crée un avantage concurrentiel très recherché, du moins jusqu’à ce que les concurrents l’imitent inévitablement.

Le terme Supply Chain Management (SCM) fut créé en 1982 par Keith Oliver, logisticien britannique devenu consultant. Celui de Sales and Operations Planning (S&OP) fut créé en 1985 par Richard Ling, ingénieur logiciel américain devenu consultant. Ces deux perspectives s’articulent autour de la recherche d’un alignement de bout en bout entre les différentes fonctions de l’entreprise. Ces deux pratiques seraient restées abstraites sans la disponibilité croissante d’enregistrements numériques dans les entreprises.

Soutenues par les éditeurs de logiciels, les pratiques prônées par les consultants se diffusèrent et exigèrent de nouvelles compétences. Les directeurs logistiques devinrent responsables de la production de prévisions par séries temporelles et du réglage des paramètres de taux de service, comme l’illustre la formule du stock de sécurité. Ces nouvelles responsabilités, plus analytiques, marquaient une rupture importante avec le rôle traditionnel des directeurs logistiques, qui étaient avant tout des chefs de terrain capables de diriger de grandes équipes de magasiniers et de chauffeurs routiers — ce qui n’est pas une mince affaire.

Dans les années 1990, les grands éditeurs intégrèrent un éventail déconcertant de processus de tenue des registres dans des monolithes logiciels. Par souci de clarté, ces produits auraient dû être nommés ERM (« Enterprise Resource Management », gestion des ressources de l’entreprise) ; cette terminologie ne s’imposa pourtant jamais. Le matériel informatique avait alors tellement progressé que la prise de décision n’était plus considérée comme un problème insoluble. Les entreprises clientes comprirent rapidement que, malgré les promesses, ces outils se limitaient à la tenue des registres.

Néanmoins, de nombreux éditeurs commencèrent — ou recommencèrent — à investir dans les aspects décisionnels de la supply chain. Ils souhaitaient éviter d’être confondus avec leurs concurrents spécialisés dans la tenue des registres et différencièrent donc leurs offres. C’est pour cette raison que les éditeurs, aidés d’analystes du marché, créèrent le terme ERP (Enterprise Resource Planning, planification des ressources de l’entreprise). Dans les logiciels d’entreprise, la « planification » devint le cri de ralliement signalant une capacité de prise de décision. En effet, avec un plan directeur descendant jusqu’au niveau le plus détaillé grâce aux progrès du matériel informatique, chaque décision devient, en théorie, une simple question d’exécution administrative⁵. En pratique, les modules de planification combinaient des prévisions ponctuelles par séries temporelles avec une optimisation déterministe des stocks. L’intention était de fournir une solution technologique qui remplacerait entièrement, d’un seul coup plutôt que progressivement, le cadre de premier niveau.

Bientôt, les éditeurs concurrents qualifièrent leurs produits d’ERP, quelle que fût la maigreur de la planification qu’ils proposaient réellement. Certes, les produits d’entreprise sont intrinsèquement complexes, puisqu’ils visent à couvrir un vaste éventail de scénarios ; cette opacité touche souvent les clients, voire les éditeurs eux-mêmes. Les éditeurs disposaient donc d’une liberté considérable pour choisir les capacités à mettre en avant dans leurs supports marketing. On pourrait même soutenir qu’une simple prévision des ventes par moyenne mobile relève de la « planification », justifiant ainsi l’étiquette ERP. De nombreux éditeurs profitèrent de ce tour de passe-passe sémantique.

À partir des années 1990, de nouveaux éditeurs se concentrèrent exclusivement sur la prise de décision, se positionnant comme une couche analytique au-dessus de la couche transactionnelle offerte par les ERP — que l’on aurait sans doute dû appeler ERM. Dans le contexte de la supply chain, ces éditeurs se répartissaient globalement en deux camps : l’algorithmique et l’investigation. Les deux exploitaient les mêmes enregistrements électroniques présents dans les systèmes d’entreprise préexistants.

Le camp algorithmique se concentrait sur les techniques de prévision par séries temporelles ainsi que sur les techniques d’optimisation des stocks sous-jacentes au paradigme de la planification. Puisque les ERP revendiquaient déjà la planification, il était difficile de vendre un supplément de « planification » ; les nouveaux éditeurs, aidés d’analystes, créèrent donc le terme « Advanced Planning System » (APS), système de planification avancée. Autrement dit : « Oui, votre ERP propose déjà de la planification, mais notre solution complémentaire propose de la planification avancée. »

Le camp de l’investigation se concentrait sur la production de rapports destinés à aider les responsables à prendre de meilleures décisions. Les ERP proposaient déjà du « reporting d’entreprise » ; les éditeurs de logiciels, toujours avec l’aide des analystes, popularisèrent donc la « business intelligence » (BI) pour cette catégorie d’outils⁶. Sur le plan technique, les cubes multidimensionnels de la BI marquaient une rupture notable avec le modèle relationnel de Codd apparu deux décennies plus tôt.

2.4 Considérations actuelles

En 2025, les héritiers des deux camps — algorithmique et de l’investigation — restent actifs. Dans le camp algorithmique, la planification intégrée de l’entreprise est promue en mettant l’accent sur l’apprentissage automatique, présenté comme un successeur supérieur aux techniques statistiques antérieures. Dans le camp de l’investigation, certains mettent en avant des concepts comme les « jumeaux numériques de la supply chain » ou les « tours de contrôle de la supply chain », censés éclairer la direction des entreprises.

Tout cela montre que l’habillage créatif de produits existants avec les derniers mots à la mode — une pratique qui remonte aux années 1970 — reste répandu. Le cas des capacités de « planification » n’était qu’une escarmouche mineure dans l’histoire des logiciels d’entreprise. Le matériel et les logiciels informatiques ont progressé à un rythme impressionnant au cours des 70 dernières années. Du fait des progrès constants du matériel, l’obsolescence technologique constitue sans doute aujourd’hui la plus grande menace pour les éditeurs de logiciels d’entreprise. Le matériel plus récent rend réalisables des prouesses autrefois impossibles, mais exige généralement une refonte complète du logiciel pour exploiter ses capacités. Face à cette réalité, il est bien plus facile — et moins coûteux — de rebaptiser son offre que de la repenser entièrement pour tirer pleinement parti des dernières avancées technologiques.

Les éditeurs de logiciels rencontrent une manifestation concrète du classique dilemme du prisonnier. Collectivement, ils gagneraient à communiquer de façon plus honnête et transparente sur leurs produits. Faire des promesses impossibles à tenir entraîne inévitablement des problèmes coûteux pour les deux parties. Pourtant, si un éditeur exagère ses affirmations davantage que ses concurrents, il acquiert un avantage stratégique sur le marché en rendant sa solution plus séduisante pour les clients. Promettre trop et livrer trop peu sont donc des conséquences peu surprenantes de la dynamique des logiciels d’entreprise.

L’inflation lexicale gagna bientôt l’organigramme lui-même. Les directeurs supply chain apparurent au début des années 2000 : parfois, il s’agissait simplement de rebaptiser le directeur logistique en poste ; parfois, c’était un rôle nouvellement créé pour promouvoir l’analyse transversale. Dans les années 2020, les directeurs logistiques s’occupaient rarement d’analyses prédictives sophistiquées, tandis que les directeurs supply chain géraient rarement les opérations quotidiennes des entrepôts.

Bien que l’analyse avancée — apprentissage automatique et optimisation mathématique — soit disponible depuis environ trois décennies, son adoption dans les directions supply chain reste l’exception ; les tableurs dominent encore la prise de décision.

Aujourd’hui, un logisticien s’occupe de l’entreposage et du transport. Lorsque la logistique est externalisée, les prestataires sont appelés « prestataires logistiques tiers » (3PL) et reçoivent un ordre électronique pour chaque mouvement de stock. Ironiquement, bien que la logistique ait été fondée à l’origine sur le principe du déplacement des ressources au bon moment et au bon endroit, les 3PL tirent profit des inefficacités : ils facturent les mouvements de stock et la durée de stockage. Ainsi, plus les mouvements sont nombreux et les durées de stockage longues, plus le chiffre d’affaires du logisticien est élevé.

2.5 Perception dominante

Au cours de la dernière décennie, le terme « supply chain » est devenu de plus en plus courant dans les médias grand public. Dans l’actualité, une « supply chain » désigne un réseau d’entreprises spécialisées qui coopèrent — parfois très étroitement — pour fournir des produits sophistiqués, comme des semi-conducteurs ou des automobiles. Les nouvelles concernant une « supply chain » proviennent généralement d’événements négatifs — comme un incendie catastrophique dans un port — qui touchent non seulement une entité, mais se propagent aussi dans un réseau d’entreprises interdépendantes, amplifiant l’impact initial.

Les journalistes s’interrogent fréquemment sur ce qu’il faudrait faire pour empêcher que de tels problèmes se reproduisent. Bien que légitime, cette perspective néglige l’absence de toute autorité centrale gouvernant ces « supply chains ». En effet, dans ce contexte, une supply chain se compose de nombreuses entreprises non coordonnées. De plus, l’introduction d’une autorité — par exemple par une intervention de l’État — aggraverait probablement la situation, car cette autorité ne disposerait pas des informations nécessaires pour allouer efficacement les ressources. Comme Friedrich Hayek le soulignait dans The Use of Knowledge in Society (1945), les connaissances pertinentes sont largement dispersées entre d’innombrables individus, au sein d’entreprises distinctes. Aucune autorité unique ne peut jamais exploiter pleinement cette information décentralisée, et toute tentative d’imposer un « capitaine » conduit inévitablement à une mauvaise allocation des ressources.

Ces défaillances qui font l’actualité sont des propriétés émergentes de la division du travail dans l’économie. Toute division du travail comporte une fragilité inhérente ; si un segment hautement spécialisé vacille, les répercussions se propagent à l’ensemble de l’économie. La seule alternative à cette fragilité consiste à renoncer à la division du travail, une proposition déraisonnable. En effet, cela augmenterait considérablement le coût des biens physiques consommés au quotidien, du rouleau de papier toilette au smartphone. Les immenses avantages de la division du travail sont bien compris depuis des siècles ; leur première formalisation remonte au 19^e siècle, avec les travaux de David Ricardo et sa loi des avantages comparatifs.

Pourtant, la division du travail caractérise également les marchés : les individus échangent précisément parce que la spécialisation profite aux deux parties. Les « supply chains » observées par les médias ne sont que des groupes d’entreprises étroitement dépendantes les unes des autres, qui émergent grâce aux avantages concurrentiels conférés par leurs spécialisations respectives.

Les supply chains sont également confondues avec l’externalisation, perçue comme un « vol » d’emplois au profit de la pauvre Ruritanie et au détriment de Westonia, plus riche. Pourtant, dans les contextes modernes, l’accès à une main-d’œuvre bon marché à l’étranger n’est que rarement autre chose qu’une préoccupation secondaire. Si les supply chains visaient uniquement à accéder à la main-d’œuvre la moins chère, l’Afrique serait un partenaire de premier plan des nations avancées en matière de supply chain. Or, c’est l’inverse qui se produit : les nations avancées commercent principalement entre elles. Les pays les moins développés — souvent ceux dont la main-d’œuvre est la moins chère — sont largement absents du commerce mondial.

En pratique, les besoins en infrastructures, en technologie et en capitaux éclipsent généralement les seules considérations de main-d’œuvre. Par exemple, l’essor de la conteneurisation dans les années 1950–60 réduisit considérablement les coûts du transport maritime, mais exigea aussi des modernisations portuaires massives que seuls les pays dotés d’importants investissements en capital et de cadres réglementaires stables pouvaient financer. Plus récemment, l’électronique à forte valeur nécessite une robotique avancée, des normes de qualité rigoureuses, une alimentation électrique fiable et des compétences d’ingénierie spécialisées : autant de complexités qui relèguent au second plan l’avantage de salaires légèrement inférieurs. Ainsi, les pays dotés de réseaux logistiques solides, de systèmes juridiques fiables et d’une masse critique de savoir-faire technique bénéficient d’importants volumes d’échanges avec des nations de développement comparable, tandis que les régions dépourvues de ces atouts restent souvent largement à l’écart des possibilités offertes par la supply chain moderne.

2.6 Perspectives

La terminologie de la supply chain reste mouvante, et les éditeurs sont plus actifs que jamais. Certains cabinets de conseil prônent la supply chain « agile », « dynamique » et « holistique », ainsi que la « conception de la supply chain ». Certains abandonnent même entièrement le suffixe « supply chain », comme dans flowcasting ou Demand Driven Material Requirements Planning (DDMRP). Tous ces paradigmes traitent de problèmes similaires, bien que leurs méthodes et leurs techniques diffèrent sensiblement.

Étant donné que plus d’un million d’articles scientifiques et plus de dix mille livres ont été publiés au cours des 70 dernières années, le domaine de la « supply chain » est généralement considéré comme mature. Pourtant, les entreprises continuent de s’appuyer sur des heuristiques dans des tableurs qui n’ont guère de rapport avec les théories dominantes de la supply chain.

On pourrait incriminer l’ignorance des praticiens face à cette vaste littérature ; l’accusation est difficilement tenable. La plupart des grandes entreprises présentes à l’international subissent une pression concurrentielle féroce. Compte tenu du peu d’évolution de la théorie dominante au cours du dernier demi-siècle, affirmer que les entreprises persistent dans l’ignorance défie la crédulité.

Une proposition plus simple est que la théorie dominante est inadéquate : la pratique s’en écarte parce que la théorie est défectueuse et que les bénéfices escomptés ne se matérialisent pas. Autrement dit, malgré l’abondance de sa littérature, la supply chain reste à un stade préscientifique où les connaissances ne produisent pas de résultats cohérents et prévisibles.

En soixante-dix ans, les couches de tenue des registres ont fait des bonds en avant — lecture de codes-barres, bases de données en temps réel, registres dans le cloud —, mais les règles qui décident quoi acheter, fabriquer, déplacer ou stocker ressemblent encore aux manuels du milieu du siècle. Les progrès ont été spectaculaires du côté des transactions ; du côté des décisions, ils sont au point mort. La racine du problème n’est pas technique, mais épistémique : le domaine ne dispose pas d’un moyen robuste de distinguer les connaissances durables des doctrines à la mode.

Expliquer — et, à terme, combler — cet écart exige une pause dans le récit historique. Le chapitre suivant passe donc de la chronologie à l’épistémologie. Avant de prescrire des remèdes, nous examinerons comment les affirmations sont produites, à qui profitent les différents récits et quelles épreuves les idées doivent réussir avant de régir le sort d’une seule palette. Ce n’est qu’une fois ces exigences explicitées que le progrès de la prise de décision — interrompu depuis cinq décennies — pourra véritablement reprendre.

3 Épistémologie

Améliorer une supply chain commence par améliorer les connaissances qui la guident. Ce chapitre passe donc de la mécanique du déplacement des biens à la question épistémique qui précède toute recommandation : Comment décidons-nous qu’une idée concernant la supply chain mérite d’être crue, financée et déployée ? Répondre à cette question ne relève pas de la philosophie oiseuse ; c’est le seul rempart contre les doctrines à la mode, les présentations léchées et les algorithmes « éprouvés » qui absorbent régulièrement les budgets sans améliorer les performances.

Les connaissances en supply chain sont particulièrement sujettes à l’erreur. L’incertitude brouille la boucle de rétroaction entre décision et résultat ; les incitations récompensent les récits assurés plutôt que les vérifications rigoureuses ; et la seule latence physique des flux mondiaux rend les expériences contrôlées rares. Ainsi, les tableurs dominent encore la pratique quotidienne, tandis que les revues et les livres débordent de théories qui se prétendent — sur le papier — supérieures. La tension est épistémique, non technique : nous manquons d’une méthode robuste pour distinguer les connaissances durables de l’engouement passager.

Ce chapitre poursuit donc trois objectifs :

1. Classification. Nous situons la supply chain sur la carte des connaissances — comme une branche appliquée de l’économie — et montrons pourquoi la confondre avec les mathématiques, la sociologie ou la simple tenue des registres conduit à un échec systématique.

2. Validation. Nous examinons ce qui constitue une preuve dans un domaine où les essais randomisés sont rares, où les scénarios contrefactuels dominent et où la réussite se mesure en bénéfices plutôt qu’en élégance ou en consensus.

3. Corruption. Nous analysons comment les acteurs — universitaires, consultants, éditeurs de logiciels —, malgré leurs bonnes intentions, déforment involontairement la chaîne de production des connaissances, et présentons des garde-fous qui en préservent l’intégrité face à des incitations antagonistes.

Tout au long de ce livre, le singulier « supply chain » désigne la discipline, tandis que le pluriel « supply chains » renvoie aux flux concrets gérés par les entreprises. Le rôle de la discipline est de doter toute supply chain particulière — et non un archétype idéalisé — de décisions qui augmentent le bénéfice à long terme dans l’incertitude. À l’inverse, étendre le terme à des marchés entiers fait dériver le propos vers l’économie générale et brouille la perspective pratique retenue ici.

À la fin de ce chapitre, le lecteur disposera d’un critère pour juger toute affirmation ultérieure, qu’elle soit algorithmique, organisationnelle ou technologique : Cette idée permet-elle d’allouer les ressources rares de façon plus rentable lorsque la variabilité et les incitations antagonistes sont prises en compte ? Établir ce critère est le préalable aux analyses qui suivent.

3.1 Économie

La supply chain doit être comprise comme une branche appliquée de l’économie, et non comme une discipline autonome. Négliger cette hiérarchie est peut-être l’erreur épistémique la plus fréquente — et la plus grave — de la littérature. Cette seule erreur explique en grande partie pourquoi les connaissances dominantes en supply chain se révèlent stériles en pratique.

Malheureusement, l’économie elle-même est souvent mal comprise, alors que ses idées fondamentales sont assez simples. L’économiste britannique Lionel Robbins a donné ce qui est généralement considéré comme la définition classique de l’économie :

La phrase de Robbins est d’une densité trompeuse ; chaque mot compte. Les ressources englobent bien davantage que l’argent. Les heures d’usine, les emplacements de palettes, la capacité des camions, l’attention des cadres, et même la bonne volonté d’un fournisseur en font partie. Tout ce qui peut être employé pour satisfaire un besoin — ou réservé pour en satisfaire un autre — entre dans les comptes de l’économiste.

La rareté est la contrainte universelle. Dans toute société, les désirs dépassent les moyens, qu’il s’agisse d’un domaine médiéval manquant de terres arables, d’une économie planifiée contrainte par des quotas d’acier ou d’une startup financée par le capital-risque qui lutte contre l’épuisement de sa trésorerie. La rareté n’est pas une singularité du capitalisme ; c’est la condition humaine.

Les usages alternatifs expriment la morsure du coût d’opportunité. Une tonne de cuivre étirée en câbles électriques ne peut pas aussi être emboutie en douilles de cartouches ; une heure d’attention d’un planificateur consacrée à poursuivre une expédition en retard ne peut pas affiner l’assortiment de la saison suivante. Toute allocation oppose son veto aux allocations concurrentes, et ce bénéfice sacrifié est le prix caché de chaque choix.

Parce que ces trois éléments — ressources, rareté et usages alternatifs — persistent aussi bien sous le féodalisme que sous le socialisme ou le capitalisme, l’économie reste valide quel que soit l’ordre social. Les mécanismes qui résolvent la rareté diffèrent — prix, files d’attente, décrets —, mais le calcul sous-jacent des arbitrages ne change pas. La pratique de la supply chain doit donc reposer sur un socle économique, quels que soient les propriétaires de l’entreprise ou l’organisation des marchés.

Rapprochée de notre définition de la supply chain, la relation devient claire :

La supply chain est la maîtrise de l’optionalité face à la variabilité dans la gestion du flux de biens physiques.

La supply chain rejoint fondamentalement l’économie dans son traitement de la rareté. Ici, l’« optionalité » désigne les usages alternatifs que l’entreprise doit d’abord cultiver, puis exploiter. Chaque décision de supply chain utilise une ressource rare susceptible d’autres usages. Chaque article acheté entre en concurrence avec tous les autres achats possibles, et chaque article fabriqué avec les autres produits qui auraient pu utiliser les mêmes matériaux. De même, chaque site recevant une unité supplémentaire expédiée par l’entrepôt rivalise avec tous les autres sites pour ce seul article.

En résumé, si nous nous concentrions uniquement sur l’allocation des ressources rares, la supply chain ne se distinguerait pas de l’économie. Elle s’en écarte toutefois sur plusieurs points importants. Tout d’abord, la « maîtrise » désigne la recherche du bénéfice par les entreprises. La supply chain est une science appliquée ; contrairement au domaine plus vaste de l’économie, elle aspire à être prescriptive plutôt que simplement descriptive. Si l’économie explique pourquoi certains individus sont plus riches que d’autres, elle ne prétend pas les guider directement vers une plus grande richesse, sauf indirectement par une meilleure compréhension des mécanismes du marché.

En outre, le périmètre de la supply chain se limite au flux de biens physiques, un petit sous-ensemble de l’économie. Par exemple, les questions de propriété intellectuelle — brevets et droits d’auteur qui façonnent les choix de production — relèvent de l’économie, sauf lorsqu’elles contraignent la production malgré la disponibilité de ressources physiques suffisantes.

De plus, ce périmètre se resserre encore avec l’élément de variabilité ; sans variabilité, une question cesserait de relever de la supply chain. Considérons, par exemple, un processus d’entrepôt qui peut être presque parfaitement automatisé, en fixant une borne supérieure stricte au temps de prélèvement et d’emballage, à condition que le rythme des arrivées reste inférieur à un seuil. Dans de tels cas, la supply chain prend l’automatisation comme une donnée, sans examiner les décisions économiques qui l’ont rendue possible.

Il est essentiel de bien classer la supply chain, car la discipline est régulièrement abordée sous des angles erronés — mathématiques stériles, tenue administrative des registres ou banalités managériales —, alors que son véritable fondement est, et a toujours été, l’économie.

Contrairement à une idée répandue, l’économie est loin d’être une « science lugubre ». Certes, elle ne peut atteindre la certitude numérique de la plupart des sciences de la nature ; le libre arbitre des participants l’en empêche. Cela dit, de nombreux principes économiques peuvent être considérés comme aussi solidement établis que peut l’être toute théorie scientifique.

Prenons le cas bien documenté du contrôle des loyers. Lorsqu’un gouvernement plafonne les loyers en dessous du niveau d’équilibre du marché, plusieurs conséquences prévisibles s’ensuivent. Les propriétaires perdent l’incitation à entretenir ou à améliorer les logements existants, car ils ne peuvent récupérer ces coûts par des loyers plus élevés. Les promoteurs hésitent à construire, et des pénuries durables apparaissent. Les pénuries allongent les listes d’attente, réduisent le choix et dégradent la qualité des logements. De tels effets s’observent à maintes reprises dans des villes et à des époques différentes, illustrant la remarquable constance des principes économiques, quelles que soient les différences culturelles et temporelles.

Un mécanisme presque identique apparaît au sein des entreprises lorsqu’un produit est vendu en dessous de son prix d’équilibre sur le marché. Imaginons un fabricant d’électronique grand public qui lance une nouvelle console à un prix délibérément fixé 20 % en dessous du niveau d’équilibre, dans l’espoir de « ravir le client ». La demande dépasse instantanément la capacité de production à court terme. Les circuits de distribution sont dévalisés, des listes d’attente se forment et, fait particulièrement révélateur, des intermédiaires du marché gris, les revendeurs spéculatifs, achètent les rares consoles au prix catalogue pour les revendre en ligne au prix réel du marché. Ces intermédiaires captent intégralement la marge à laquelle l’entreprise renonce volontairement, tandis que les clients finaux paient toujours le montant le plus élevé. L’entreprise abandonne des recettes, frustre ses clients fidèles et ternit sa marque en paraissant désorganisée.

À moins que l’entreprise puisse augmenter sa production assez vite pour répondre à cette hausse inattendue, le remède économiquement fondé consiste à supprimer le plafond de prix qu’elle s’impose et à laisser les prix augmenter jusqu’à ce que la demande égale la capacité.⁷ Toute autre politique ne fait que subventionner un écosystème d’arbitragistes dont la seule contribution consiste à empocher la différence entre le prix contraint et le véritable prix d’équilibre.

Les lois de l’économie ne sont pas plus faciles à contourner que celles de l’électromagnétisme. Ne pas caractériser la supply chain comme de l’économie appliquée produit, au mieux, des théories et des pratiques que les praticiens ignorent à juste titre et, au pire, des décisions préjudiciables aux entreprises.

3.2 Mathématiques

Dans les milieux universitaires, une erreur courante consiste à considérer la supply chain comme une branche des mathématiques. Le livre Fundamentals of Supply Chain Theory (2019) de Snyder et Shen est un représentant canonique de cette voie erronée. Au cours des sept dernières décennies, malgré plus d’un million d’articles publiés⁸, la littérature universitaire sur la supply chain a peu contribué à la pratique réelle. À quelques exceptions près, les supply chains restent gouvernées par des tableurs. Une entreprise a davantage de chances de tirer un bénéfice de l’achat de billets de loterie que de l’adoption d’une quelconque technique d’optimisation des stocks « dont l’optimalité est démontrée ». Pourtant, des milliers de chercheurs semblent avoir consacré leur carrière à cette approche. Il est stupéfiant que la communauté ait persisté si longtemps dans une erreur aussi massive.

Lorsque la supply chain est traitée comme une branche des mathématiques, elle se réduit à une série de casse-tête mathématiques. Le modèle du marchand de journaux — où un vendeur décide du nombre d’exemplaires à stocker face à une demande incertaine, les invendus perdant toute valeur — en est l’un des exemples les plus anciens et les plus marquants. De même, la quantité économique de commande, définie comme la quantité commandée qui minimise la somme des coûts de détention et de passation des commandes sous une demande future constante, constitue un autre exemple classique. La résolution de ces casse-tête fait généralement appel à des méthodes analytiques, à la théorie des probabilités ou à des algorithmes.

Dans ce paradigme, le casse-tête de supply chain commence par une caractérisation formelle du flux physique des biens : les produits, les sites, les équations de demande et de délais, et les contraintes. À partir de cette formalisation, les auteurs dérivent une solution mathématique, idéalement dotée de propriétés démontrables ou, au minimum, une heuristique validée sur des données, souvent synthétiques.

La cohérence interne ne suffit pas ; il faut résister au contact de la réalité. Ce qui compte, c’est qu’une recette numérique résiste au contact des camions, des délais et des clients. Le critère que nous adoptons — et ses conséquences pour ce livre — est énoncé ci-dessous à la rubrique Réfutabilité.

En clair, une théorie qui ne survit qu’en refusant de s’exposer à la réalité ne nous apprend rien sur la façon dont roulent les camions, dont achètent les clients ou dont attendent les palettes. La cohérence interne ne garantit la justesse qu’à l’intérieur des murs érigés par les hypothèses ; dès que ces murs rencontrent le premier pic promotionnel ou le premier retard en douane, la politique « optimale » redevient une conjecture impossible à mettre à l’épreuve.

Lorsqu’ils sont traités comme une branche des mathématiques, les casse-tête de supply chain restent détachés des conditions réelles. Par exemple, sous quelques hypothèses — demande stationnaire, délai constant, biens non périssables, etc. —, on peut démontrer qu’une politique de réapprovisionnement est optimale. Aucune supply chain réelle ne peut contredire un tel résultat : il est impossible de concevoir une expérience qui le mette en cause. La solution repose uniquement sur la cohérence interne dérivée des hypothèses du problème.

Les partisans de cette approche feraient sans doute valoir que les casse-tête n’ont pas été choisis au hasard. Au contraire, ils ont été soigneusement conçus pour refléter fidèlement les défis des supply chains réelles. En outre, de nombreux articles affirment s’appuyer sur des jeux de données « réelles » et font état de tests rigoureux sur ces données.

La pratique oppose toutefois une réfutation claire et vigoureuse à cette proposition. Les entreprises n’utilisent pas ces méthodes supposément « optimales » pour gérer leurs supply chains et n’en adoptent aucune variante, pas même comme source d’inspiration. Si ces algorithmes avaient réellement de la valeur, la communauté connaîtrait des bouleversements semblables à ceux du logiciel, où les techniques supérieures — bases de données transactionnelles, cloud computing, deep learning — sont rapidement adoptées.

L’affirmation selon laquelle les entreprises ignoreraient ces méthodes « modernes » de supply chain ne résiste pas davantage à l’examen. Depuis la fin des années 1970, les éditeurs de logiciels d’entreprise ont intégré des milliers de ces méthodes à leurs offres. Elles sont pourtant invariablement abandonnées, les praticiens de la supply chain revenant rapidement à leurs tableurs.

En appliquant le rasoir d’Occam, l’explication la plus simple est que ces « casse-tête » mathématiquement élégants ne produisent aucun gain reproductible ayant une incidence sur le bénéfice dès qu’ils sont confrontés au désordre des opérations quotidiennes. Parce qu’ils ne réduisent pas le coût total et n’améliorent pas les taux de service de façon à compenser le poids de leur mise en œuvre, les praticiens les écartent tout à fait rationnellement et reviennent à des outils — même des tableurs — qui ont fait leurs preuves.

Enfin, une grande partie du « progrès » apparent dans cette branche des mathématiques peut être illusoire. La recherche est aussi vulnérable aux modes que toute autre branche du savoir. Dans les années 1960, les résolutions analytiques explicites des casse-tête de supply chain étaient en vogue ; dans les années 1990, les modèles paramétriques de séries temporelles gagnèrent en popularité ; et dans les années 2020, les simulateurs de Monte Carlo sont à la mode. Les auteurs qui se concentrent sur les engouements scientifiques du moment ne contribuent pas nécessairement à un progrès réel — ou à son absence — dans le domaine. De plus, les tendances antérieures sont qualifiées de « dépassées », indépendamment de ce que ces articles ont pu apporter aux supply chains réelles.

3.2.1 Réfutabilité

Ayant établi que la posture mathématique ne peut, à elle seule, piloter une supply chain, nous avons besoin d’un critère positif pour distinguer les connaissances qui méritent de gouverner le sort d’une palette de celles qui ne le méritent pas.

Une perspective décisive sur les théories complexes apparut dans la première moitié du 20^e siècle avec les travaux de Karl Popper⁹. Dans sa tentative, poursuivie toute sa vie, de caractériser la science, Popper introduisit le critère de réfutation empirique. Ce critère est central dans le présent livre. Une anecdote de sa vie permet de l’éclairer.

Dans le premier chapitre de son livre « Conjectures et réfutations » (1963), Popper explique comment ses expériences de jeunesse à Vienne, vers 1919, façonnèrent son idée de la réfutabilité comme marque distinctive de la science. Il observe que, tandis que la relativité d’Einstein faisait des prédictions audacieuses — et risquait d’être réfutée par l’observation —, le marxisme, comme la psychanalyse freudienne, était perpétuellement « sauvé » par des explications ad hoc dès qu’apparaissaient des preuves contraires. Les physiciens qui testaient la théorie d’Einstein accueillaient favorablement, et même recherchaient, la possibilité d’une réfutation, utilisant des observations — par exemple la déviation de la lumière des étoiles autour du Soleil lors d’une éclipse solaire — pour voir si la théorie résistait. Les physiciens recherchaient une exposition maximale à la réalité, en poursuivant les angles les plus susceptibles de mettre une théorie en pièces.

À l’inverse, les marxistes « immunisaient » leur doctrine contre la réfutation en réinterprétant les événements pour les faire correspondre à la théorie. Par exemple, la théorie marxiste prédisait que la révolution prolétarienne surviendrait d’abord là où les ouvriers d’usine étaient les plus nombreux, c’est-à-dire en Grande-Bretagne. Pourtant, la révolution eut lieu dans la Russie tsariste en 1917, l’un des pays les moins industrialisés d’Europe. Au lieu de rejeter la théorie comme réfutée, les marxistes en révisèrent l’interprétation pour expliquer pourquoi la révolution se produirait d’abord dans le pays le moins industrialisé.

Manifestement, ce sont les physiciens qui avaient la bonne posture intellectuelle. Leur disposition intellectuelle finirait par produire deux monuments de notre compréhension actuelle de l’univers, à savoir la relativité générale et la physique quantique. Deux théories qui se révélèrent extrêmement capables de faire des prédictions d’une portée empirique significative. À l’inverse, la théorie marxiste continuerait d’être indéfiniment réfutée par des dizaines de pays qui mirent en œuvre des réformes inspirées de cette doctrine et obtinrent ainsi des résultats économiques désastreux, laissant leurs économistes marxistes perplexes¹⁰.

Ces observations conduisirent Popper à formuler la réfutabilité. Celle-ci met en lumière l’asymétrie radicale, en science, entre le vrai et le faux. On ne peut jamais prouver qu’une théorie est vraie ; on peut seulement la réfuter. En effet, pour prouver exhaustivement une théorie — disons la relativité générale —, il faudrait vérifier que chaque corps céleste, partout et toujours, suit les lois qu’elle énonce. C’est évidemment totalement impossible. Au mieux, nous pouvons recueillir une longue série de mesures en accord avec la théorie, mais au-delà, nous ne pouvons qu’extrapoler sa validité au reste de l’univers. L’inverse est toutefois bien plus accessible : il suffit d’une seule paire de corps célestes¹¹ contredisant la théorie pour prouver qu’elle est fausse.

Ainsi, au mieux, nous pouvons seulement tenter de réfuter une théorie. Cependant, pour qu’une telle tentative puisse avoir lieu, la théorie doit s’exposer à un processus de validation empirique susceptible, en principe, d’échouer. Popper qualifiait ces théories de réfutables. Il s’ensuit que plus une théorie résiste longtemps à des attaques expérimentales incessantes, plus elle mérite notre confiance. À l’inverse, une théorie non réfutable ne peut être réfutée ; de telles théories n’appartiennent pas au savoir scientifique. La réfutabilité est aujourd’hui largement reconnue comme l’un des principes centraux de la science.

Revenons à la supply chain : la réfutabilité révèle ce qui ne va pas dans la posture purement mathématique, à savoir qu’elle est à l’abri de toute réfutation. Elle relève des mathématiques appliquées, et non des sciences de la nature. En conséquence, la justesse des recettes numériques issues de cette perspective est superficielle. Elle reflète simplement leur cohérence avec un ensemble initial d’hypothèses. Ces recettes restent entièrement à la merci de la justesse de leurs prémisses, mais aussi de problèmes encore plus banals.

La réfutabilité importe parce que la supply chain se juge au bénéfice, et non à l’élégance. Une recommandation dont on ne peut démontrer la fausseté lorsque les rayons restent vides ou que les stocks gonflent ne relève pas d’une science opérationnelle : c’est une mise en récit mathématique. La rigueur mathématique est indispensable, à condition que les prémisses se prêtent à la contestation empirique.

3.2.2 Les incitations du monde universitaire

Avant d’examiner des illustrations concrètes des hypothèses démesurées qui paralysent ces modèles, nous devons nous demander pourquoi le monde universitaire continue de les défendre. La réponse réside dans les incitations qui façonnent les carrières universitaires : les revues récompensent la nouveauté et l’élégance formelle, non l’impact opérationnel ; la recherche gravite donc naturellement vers des casse-tête publiables plutôt que praticables.

Dans The Future of Operational Research is Past (1979), Russell Ackoff recense une série de problèmes qui minent son domaine. En termes contemporains, la « recherche opérationnelle » est synonyme de « supply chain », et les critiques d’Ackoff restent entièrement pertinentes aujourd’hui. Ces problèmes comprennent :

1. Résoudre des problèmes inventés ;

2. Tenir l’objectif pour acquis ;

3. Ignorer les propriétés des systèmes ;

4. Supposer que l’avenir peut être connu ;

5. Être tourné vers soi-même, et de plus en plus ;

6. Le rationalisme pris pour la raison.

Plus de quatre décennies plus tard, il peut sembler stupéfiant que le monde universitaire néglige encore ces problèmes fondamentaux, surtout au vu de la grande réputation d’Ackoff. Ce comportement devient toutefois moins surprenant lorsque l’on considère les incitations.

Les universitaires sont principalement évalués selon deux axes étroitement liés. Viennent d’abord le volume des articles produits et leur impact au sein de la chambre d’écho universitaire, l’impact ne désignant ici guère plus que la fréquence à laquelle d’autres articles les citent. Que l’idée citée réduise un jour une facture d’approvisionnement, raccourcisse un délai ou évite une rupture de stock n’entre pas dans cet indicateur.

Le second axe est la performance pédagogique, qui se réduit en pratique à l’aptitude de l’enseignant à transmettre ces mêmes contenus orientés vers les citations à la prochaine cohorte d’aspirants chercheurs. Ce double critère crée une boucle autoréférentielle. Les intellectuels sont jugés uniquement sur leur capacité à convaincre d’autres intellectuels ; les cours sont assurés et les programmes écrits par ceux qui maîtrisent déjà l’art de persuader leurs pairs. L’efficacité empirique — la capacité d’une idée à résister au contact des chariots élévateurs, des droits de douane ou des clients — n’entre jamais dans l’équation.

En conséquence, les problèmes mathématiques qui cadrent avec le thème de la supply chain offrent un flot inépuisable d’énoncés et de résolutions publiables. Ajouter des contraintes, modifier les équations de demande, altérer la topologie du réseau ou incorporer des termes supplémentaires aux fonctions objectifs produit des variantes presque infinies. Chaque variante constitue une matière idéale pour une publication universitaire. De plus, les détails particuliers d’une entreprise disposée à partager des jeux de données, même modestes, peuvent apporter une perspective unique — et donc nouvelle — sur le sujet. Cela nourrit inévitablement l’illusion que résoudre un casse-tête isolé présente un intérêt pour le domaine dans son ensemble.

Ainsi, le monde universitaire traite sans relâche la supply chain comme une branche des mathématiques parce que c’est le moyen le plus expéditif, en temps investi, de faire publier des articles. De plus, ces articles arborent les signes à la mode de la « grande science », tels que les équations, les algorithmes et les résultats quantitatifs. En classant la recherche en supply chain parmi les mathématiques appliquées, les auteurs évitent les épreuves rigoureuses de réfutation auxquelles les sciences de la nature sont régulièrement confrontées.

Dans l’enseignement, puisque les promotions dépendent des évaluations des étudiants et des taux de réussite, les enseignants ont tout intérêt à présenter des contenus semblables à ceux que leurs collègues proposeront aux examens, privilégiant là encore la continuité plutôt que la confrontation à la réalité.

De plus, les mathématiques sont particulièrement faciles à enseigner, à condition que l’intervenant comprenne le sujet. Contrairement aux sciences de la nature, aucun compromis douteux n’est nécessaire pour faire tenir la présentation dans le temps imparti. L’intervenant peut simplement ajuster le nombre et la complexité des casse-tête à l’horloge.

En outre, lorsqu’il s’agit de noter, les casse-tête mathématiques sont on ne peut plus commodes. Leur nombre et leur complexité peuvent être ajustés précisément au contexte de l’examen, permettant une notation objective presque irréprochable avec un effort minimal. Malheureusement, cela produit des casse-tête qui ne ressemblent guère aux réalités désordonnées, ambiguës et complexes des véritables supply chains. Des intellectuels enseignent à de futurs intellectuels des contenus rédigés par des intellectuels du passé, sans aucun repère externe pour briser le cercle.

Aussi médiocres que soient les résultats pratiques de cette approche — traiter la supply chain comme des mathématiques appliquées —, elle répond toujours aux préoccupations persistantes de ceux qui cherchent à faire carrière dans le monde universitaire. Ainsi, comme l’illustre Ackoff, démontrer que cette approche de recherche est erronée ne suffit pas ; il faut s’attaquer aux incitations néfastes qui la sous-tendent dans le monde universitaire, une tâche entièrement hors du périmètre de ce livre.

Précisons qu’il n’y a rien de fondamentalement mauvais à utiliser le thème de la supply chain en mathématiques — ou dans des domaines tels que l’analyse, l’algorithmique et les statistiques — si une métaphore de supply chain illustre au mieux un problème mathématique. Considérons, par exemple, le célèbre problème des sept ponts de Königsberg, résolu par Leonhard Euler en 1736. Le défi consistait à concevoir un itinéraire à travers la ville qui emprunte chaque pont exactement une fois. Euler démontra qu’aucune solution n’existait, introduisit la notion de graphe et ouvrit ainsi la voie à la topologie.

Dans ces circonstances, un article n’a de valeur que s’il possède un mérite mathématique intrinsèque : révèle-t-il une vérité ou une structure cachée ? L’exposé est-il particulièrement élégant ? La méthode ouvre-t-elle la voie à la résolution d’autres problèmes mathématiques, apparemment sans rapport ? Sinon, le travail est jugé sans valeur. Le simple recours à un thème de supply chain ne peut conférer du mérite à un travail qui appartient fondamentalement au domaine des mathématiques.

Tout lecteur familier de la littérature sait que les articles de supply chain qui répondent à cette exigence sont extrêmement rares.

3.2.3 Les écueils des stocks de sécurité

Démontrer les insuffisances de la vaste littérature qui traite la supply chain comme des mathématiques est une tâche intimidante ; avec environ un million d’articles à contester, elle frôle l’insurmontable. C’est une illustration frappante de la loi de Brandolini, selon laquelle réfuter des absurdités exige généralement un effort supérieur d’un ordre de grandeur à celui nécessaire pour les produire.

Pour que la discussion reste abordable, nous nous concentrons sur un concept largement accepté — les stocks de sécurité — afin d’illustrer les insuffisances générales d’une approche mathématique de la supply chain.

Le stock de sécurité est le tampon nécessaire pour atteindre un taux de service souhaité pour un SKU donné, c’est-à-dire une unité de gestion de stock. Ici, le taux de service est défini comme la fréquence à laquelle une rupture de stock est évitée pendant une période donnée. Le modèle suppose que la demande pendant le délai suit une loi normale et que le délai est constant. Ces hypothèses donnent une formule explicite pour le stock requis.

Figure : Dans le modèle du stock de sécurité, le point de commande est fixé à la somme du stock de fonctionnement (demande moyenne pendant le délai) et du stock de sécurité (écart de la demande pendant le délai, multiplié par un coefficient).

Le calcul ne présentant qu’un intérêt historique, il est omis ici. Il suffit de dire que le modèle produit une formule explicite qui peut être calculée aisément dans un tableur, avec un effort minimal tant pour le programmeur que pour l’ordinateur.

Pourtant, les stocks de sécurité sont fondamentalement défectueux — « stocks dangereux » serait plus juste —, car cette mauvaise caractérisation produit de mauvais résultats. Seul point positif : les stocks de sécurité constituent un test simple pour déceler une incompétence grossière dans le domaine de la supply chain.

Les stocks de sécurité présentent trois problèmes majeurs, dont chacun suffit à empêcher des résultats satisfaisants lorsqu’ils sont appliqués à une supply chain réelle. Les deux premiers sont des erreurs de catégorie, tandis que le troisième est technique.

Le premier défaut — et le plus dommageable — est l’isolationnisme méthodologique. Les formules de stock de sécurité examinent chaque SKU comme s’il était le seul à solliciter les ressources du bilan, cherchant à calculer une quantité « optimale » pour cet article dans le vide. Pourtant, chaque unité supplémentaire immobilise de la trésorerie qui aurait pu financer le stock d’un autre produit ou être consacrée à un usage plus rentable. De fait, tous les SKU se disputent la même réserve finie de fonds de roulement, et tout modèle qui ignore cette rivalité reste aveugle aux arbitrages mêmes qu’il est censé orchestrer.

En dehors des microentreprises, aucune supply chain ne traite un seul SKU ; les entreprises en gèrent généralement des centaines, voire des milliers. De plus, réapprovisionner un SKU est fondamentalement différent de la gestion du réapprovisionnement de nombreux SKU. Les deux problèmes sont radicalement distincts. Les stocks de sécurité ne reconnaissent même pas que les SKU ne peuvent être traités isolément ; leur définition même esquive le problème à résoudre : l’allocation de l’argent aux stocks.

Deuxièmement, même si nous acceptons momentanément de traiter chaque SKU isolément, la recette du stock de sécurité reste désespérément incomplète. Elle repose sur le choix d’un « taux de service cible » — un pourcentage sorti de nulle part —, puis sur le traitement de ce nombre comme s’il possédait un lien intrinsèque avec le bénéfice. La formule n’explique jamais pourquoi 95 % devrait faire mieux que 92 % ou 97 % ; elle délègue simplement le jugement le plus difficile au bon vouloir de la direction et poursuit comme si la question était réglée.

Les partisans répondent parfois qu’un taux de service plus élevé améliorera « généralement » la rentabilité, mais corrélation n’est pas causalité. Fixez un taux trop haut et les stocks morts s’accumulent dès que la demande change ; fixez-le trop bas et les clients frustrés passent à la concurrence. Puisque les mathématiques autorisent toute cible entre 0 % et 100 %, le praticien se retrouve à son point de départ : face à la véritable question économique de la quantité de capital à engager et des articles auxquels l’affecter. L’appareil du stock de sécurité ne fait rien pour y répondre.

Le troisième et dernier défaut est la naïveté statistique. La demande réelle ne prend presque jamais la forme d’une cloche : elle est clairsemée pendant de longues périodes, puis bondit sans avertissement, et ses extrêmes se produisent bien plus souvent que ne le permettrait une loi normale. Les délais se montrent tout aussi indisciplinés, se regroupant autour de modes distincts — « à l’heure », « retard en douane », « rupture chez le fournisseur », etc. — plutôt que de se concentrer autour d’un unique pic symétrique. Ces profils sont la norme, et non des anomalies, et tout modèle qui les ignore part de mauvaises coordonnées.

Les manuels et les logiciels s’accrochent à la courbe normale parce qu’elle préserve la simplicité de l’algèbre, et non parce qu’elle correspond aux données. En principe, on pourrait lui substituer des distributions à inflation de zéros, à queues épaisses ou des mélanges de distributions pour réparer la théorie, mais cela lui retire son unique vertu : la simplicité. Dès que l’arithmétique devient opaque, la recette du stock de sécurité perd son seul attrait pratique tout en héritant de toutes les erreurs de catégorie précédentes. Si une méthode n’est ni réaliste ni simple, il ne reste rien pour la recommander.

Le vide laissé par un monde universitaire mathématiquement stérile est, hélas, rapidement comblé. S’y engouffrent des consultants et des auteurs de livres de management qui font basculer le pendule à l’extrême opposé : abandonner les chiffres au profit des récits. Là où l’erreur universitaire traite la supply chain comme un casse-tête dépourvu d’incitations, celle des consultants la traite comme un récit dépourvu de quantification. Les deux camps ignorent le cœur économique, simplement depuis les deux extrémités du spectre. La section suivante examine comment ce tournant sociologique, bien qu’enveloppé dans une prose inspirante, ne se révèle pas plus fiable que les équations qu’il prétend compléter.

3.3 Sociologie

Si la voie universitaire stérilise la supply chain en la réduisant à des casse-tête abstraits, celle du conseil bascule à l’extrême opposé : elle reformule la discipline comme un catalogue d’observations sociologiques et de lieux communs sur le leadership. Les consultants en management dominent ainsi l’édition consacrée à la supply chain depuis quatre décennies, présentant chaque problème en termes de culture, de travail d’équipe et de « bonnes pratiques ». Leur production est immense : bien plus de 10 000 titres figurent sous la rubrique « Supply Chain Management »¹². Dynamic Supply Chains (2015) de John Gattorna est un exemple canonique du genre — et de sa faiblesse épistémique : des anecdotes convaincantes remplacent les preuves susceptibles d’être mises à l’épreuve, laissant au lecteur des histoires plutôt que des connaissances étayées.

Cette littérature appartient pleinement au genre du développement personnel. Elle s’adresse au dirigeant d’entreprise — ou au cadre qui espère le devenir — convaincu que maîtriser un nouveau mot à la mode améliorera les performances de l’entreprise tout en accélérant sa propre promotion. Le consultant-auteur, quant à lui, adopte la posture d’un gourou dont les lumières se louent à la journée.

Chaque livre se déploie alors selon deux axes prévisibles. L’axe stratégique propose une poignée de slogans — généralement trois à cinq — qui promettent d’expliquer comment il faudrait « penser » la supply chain ; la discipline est découpée en quadrants, en vagues ou en niveaux de maturité bien ordonnés. L’axe organisationnel transforme ces slogans en une liste de rituels : comités de pilotage, ateliers transversaux, matrices d’attribution des responsabilités et autres dispositifs du même ordre, tous présentés comme des voies clés en main vers l’exécution.

Pour entretenir l’élan, le récit est émaillé d’autorité d’emprunt : petites phrases de dirigeants du Fortune 500, citations de Navy SEALs sur la résilience et récits détaillés de victoires sportives arrachées à la dernière minute. Au-delà d’une brève animation de la prose, une anecdote sportive — ou une citation d’athlète — n’ajoute aucun poids probant aux arguments de supply chain. La célébrité dans le sport ou le divertissement n’a aucun rapport avec l’allocation des palettes et des bons de commande. Ces apparitions créent l’illusion d’une mise à l’épreuve sur le terrain ; en réalité, elles apportent de la couleur, pas des preuves.

Le genre repose sur un premier procédé bien connu : l’inflation des mots à la mode. Des termes comme « agile », « jumeau numérique » ou « piloté par l’IA » sont répétés jusqu’à paraître incontournables, alors que leurs définitions restent assez élastiques pour s’adapter à toutes les circonstances. Derrière le miroitement, on ne trouve que des truismes intemporels — « le monde change, vous devez vous adapter » — rebaptisés révélations. Les taxonomies qui divisent les entreprises en « leaders » et « retardataires », ou en « innovateurs » et « suiveurs », habillent des tautologies sous forme de logigrammes et créent une illusion de profondeur là où il n’y en a aucune.

Le deuxième procédé est l’urgence fabriquée. Les auteurs mettent en avant une poignée de leviers prétendument négligés — proximité avec les fournisseurs, orientation client, durabilité, culture — et martèlent qu’il est vital de les porter immédiatement à l’attention de la direction générale. Cette mise en scène du type « agir maintenant ou périr » est impossible à réfuter dans une salle de conseil d’administration. Elle détourne habilement l’attention et les budgets vers l’initiative privilégiée du consultant, sans jamais peser le coût d’opportunité imposé à toutes les autres contraintes qu’une supply chain en fonctionnement doit respecter.

Le dernier procédé est l’autorité d’emprunt. Les études de cas invoquent des marques admirées, exhibent des indicateurs de réussite soigneusement sélectionnés et distillent des citations d’athlètes ou d’anciens membres des forces spéciales. Le syllogisme implicite est spécieux : « L’entreprise X est célèbre ; l’entreprise X approuve ce cadre ; donc, ce cadre crée la célébrité. » La corrélation est discrètement substituée à la causalité, et les échecs qui rompraient le charme sont soustraits aux regards.

Ces artifices rhétoriques ne sont pas des divertissements inoffensifs ; ils évincent le raisonnement quantitatif qu’exige une véritable amélioration. En enveloppant des banalités de prestige et d’urgence, cette littérature flatte les dirigeants et leur donne le sentiment d’agir avec résolution, tout en laissant inchangé le flux réel des biens. Retirez les logos et les anecdotes motivantes, et il ne reste rien qui puisse résister à un examen analytique.

Autrement dit, le corpus du conseil traite les dysfonctionnements de la supply chain comme un problème de relations humaines dont la résolution passe par un remodelage du comportement collectif. Ses variables de prédilection sont les rôles, les rituels et les récits ; ses instruments sont les ateliers, les chartes et les grilles d’incitation. Ce point de vue relève de la sociologie des organisations la plus classique : il étudie comment les collectifs maintiennent leur cohésion, comment les statuts se négocient et comment les normes s’imposent, puis prescrit des cérémonies censées réaligner ces constructions sociales. Les palettes, les conteneurs et les délais n’apparaissent que comme accessoires dans un récit dont les véritables protagonistes sont des services en quête d’influence. Que les tonnages circulent effectivement mieux est considéré comme un sous-produit émergent d’une meilleure harmonie sociale. Cette littérature est donc sociologique dans sa méthode et son objectif, même si elle se présente rarement comme telle.

Même si cette littérature contenait de véritables enseignements — ce qui est rarement le cas —, traiter la supply chain principalement comme une entreprise sociologique égare les efforts d’amélioration. Considérons une expérience de pensée : imaginons, dans un avenir proche, une plateforme où une intelligence artificielle (IA) autonome unique absorbe chaque signal de demande, chaque mise à jour de délai et chaque courbe de coût, puis émet — sans intervention humaine — chaque bon de commande, chaque changement de prix et chaque instruction d’acheminement. Dans ce monde, il ne reste rien à « aligner » ni à « responsabiliser » ; tout l’échafaudage de comités, d’ateliers et de grilles d’incitation s’évapore du jour au lendemain. Pourtant, la substance économique de la discipline demeure : les ressources rares doivent toujours être allouées face à la variabilité. L’IA s’appuierait sur les principes d’optionalité, de coût d’opportunité et de risque — le cœur de l’économie —, et non sur une quelconque théorie des jeux politiques entre services. L’expérience de pensée clarifie la hiérarchie : les constructions organisationnelles sont des palliatifs temporaires que nous érigeons uniquement parce que les personnes, plus lentes et plus rares que les processeurs, doivent se coordonner. L’automatisation érode déjà cette enveloppe sociologique : les robots de tarification, les optimiseurs d’itinéraires et les moteurs d’allocation exécutent désormais des tâches qui occupaient autrefois des services entiers, tout comme un ordinateur portable a remplacé les tables actuarielles qui justifiaient jadis des bataillons d’employés administratifs. Jusqu’à l’automatisation complète, les humains resteront dans la boucle. La boussole qui les guide doit rester économique et opérationnelle, et non sociologique.

Certes, certains défis de supply chain résistent encore au logiciel. Une fois les étapes nécessaires explicitées, il est acceptable de recourir à l’intelligence humaine comme solution provisoire jusqu’à ce que les méthodes les plus avancées puissent les automatiser. Lorsque la charge de travail dépasse la capacité d’une personne, ajoutez des personnes et organisez-les en conséquence ; même alors, la sociologie devrait être un dernier recours. En effet, insister sur le fait qu’une tâche intellectuelle « exige une intelligence humaine » revient à admettre : « Je n’ai aucune idée claire de la façon de résoudre ce problème, mais, s’il le faut vraiment, quelqu’un trouvera bien quelque chose. »

Depuis plus de deux siècles, considérer l’intervention humaine comme une vertu en soi est une erreur récurrente. Les luddites — tisserands et ouvriers britanniques du textile opposés aux métiers à tisser et à tricoter mécanisés au début du 19^e siècle — en sont l’exemple canonique. Dans les supply chains, l’intervention humaine dans la microgestion quotidienne de millions de SKU n’est pas intrinsèquement souhaitable. L’absence de mécanisation impose des limites prévisibles — longs délais de traitement, réactivité réduite et allocations médiocres —, car les opérateurs ne peuvent peser tous les facteurs quantitatifs pertinents.

Pris ensemble, ces procédés du conseil expliquent pourquoi des cadres conceptuels aux présentations soignées laissent si souvent les conteneurs, les prix et les bons de commande exactement à leur point de départ. Ils transforment l’allocation des ressources en thérapie de groupe, confondant harmonie et bénéfice. Pour voir le coût concret de la confusion entre sociologie et maîtrise de la supply chain, nous examinons maintenant la doctrine phare de cette littérature : le Sales and Operations Planning.

3.3.1 Les écueils du S&OP

Le Sales and Operations Planning (S&OP) est présenté depuis quatre décennies comme le remède aux silos fonctionnels, mais il incarne précisément l’erreur sociologique que nous venons d’exposer. Son calendrier élaboré de réunions recherche un consensus autour d’une prévision unique — hautement incertaine —, puis demande à chaque service de lui prêter allégeance. Les variantes rebaptisées, telles que l’integrated business planning (IBP), héritent de la même faiblesse : elles traitent la tarification, les achats et la capacité comme un rituel d’entreprise plutôt que comme une optimisation économique. Parce que le S&OP est à la fois influent et symptomatique, il constituera l’unique pièce à conviction de la critique qui suit, même si l’argument s’applique tout autant à tous ses semblables.

Depuis l’essor de l’entreprise géante au 19^e siècle, la spécialisation a fourni l’essentiel de ce que nous appelons les « économies d’échelle ». En resserrant leur champ d’action, les équipes approfondissent leur expertise, augmentent leur productivité et rendent les résultats plus prévisibles. Pourtant, chaque nouvelle spécialité ouvre une couture supplémentaire qu’il faut raccorder à l’ensemble, et ce travail devient combinatoirement plus difficile à mesure que la tapisserie organisationnelle s’étend.

Lorsque la coordination prend du retard, les ratés sont spectaculaires. Le marketing peut stimuler une demande à laquelle les usines ne peuvent répondre, gaspillant les budgets publicitaires et décevant les clients. La production peut inonder les entrepôts d’unités que le marché n’absorbera pas, imposant des remises de liquidation ou des dépréciations totales dès que les coûts de détention dépassent toute marge plausible.

Le Sales and Operations Planning (S&OP) a été conçu au début des années 1980 comme un cessez-le-feu ritualisé entre les factions que nous venons de décrire. Sa promesse était simple : réunir toutes les fonctions autour d’un même rendez-vous du calendrier, s’accorder sur une vision unique de la demande future, puis décliner cette vision en plans synchronisés d’approvisionnement, de capacité et de financement. En théorie, la réunion garantit que ceux qui créent la demande — ventes, marketing, merchandising — et ceux qui la satisfont — approvisionnement, production, logistique — quittent la salle engagés sur les mêmes chiffres et les mêmes contraintes.

Le cadre gagna du terrain dans les années 2000, lorsque les éditeurs d’ERP et les cabinets de conseil commencèrent à vendre des tableaux de bord S&OP, des modèles de maturité et des enquêtes comparatives. Malgré l’habillage soigné des outils, la mécanique reste rudimentaire : un horizon glissant de 18 à 24 mois, une prévision consensuelle parfois qualifiée de « jeu unique de chiffres », et une séquence mensuelle de lectures préparatoires et d’ateliers qui malaxent ces chiffres jusqu’à ce que chaque vice-président puisse les approuver.

Dans une perspective historique, le S&OP est moins une percée qu’une suite moderne des conférences de direction sur la production organisées par Alfred Sloan chez General Motors dans les années 1920. Le vocabulaire a changé, mais l’intention est identique : imposer une routine institutionnelle qui empêche les empires fonctionnels de dériver chacun de leur côté lorsque la variabilité menace de les disjoindre.

Malgré sa longévité, le S&OP s’effondre à l’examen. Quatre défauts structurels minent la pratique et montrent pourquoi, du point de vue épistémique, on ne peut lui confier le pilotage de ressources rares.

1. L’illusion de la prévision. Le S&OP commence par supposer qu’une prévision unique de la demande par séries temporelles non seulement existe, mais est assez précise pour gouverner la capacité, les prix et les stocks des mois à l’avance. Cette prémisse traite un avenir incertain comme une constante connue, transformant la partie la plus difficile du problème en une donnée d’entrée de tableur. En déguisant l’incertitude en certitude, le rituel rompt la boucle de rétroaction qui permettrait autrement de vérifier si ces chiffres méritaient d’être crus.

2. Le vide décisionnel. Après avoir fait surgir une prévision consensuelle de la demande, le S&OP confie chaque décision quantitative — lots d’approvisionnement, calendriers de production, plans de tournées — aux heuristiques que chaque silo fonctionnel utilise déjà. Le cadre n’apporte aucun critère économique permettant de choisir une allocation plutôt qu’une autre ; il ne fait qu’authentifier des choix effectués ailleurs. Sur le plan épistémique, c’est de la tenue de registres déguisée en optimisation.

3. L’emprise excessive du rituel. La cadence mensuelle des réunions préparatoires, des ateliers d’alignement et des revues de direction est présentée comme le remède aux défauts de coordination, mais ce remède prend de l’ampleur avec les effectifs, et non avec la physique du flux. Chaque SKU, liaison de transport ou promotion supplémentaire exige un nouveau diaporama, et non un algorithme plus affûté. La complexité est accidentelle — créée par les réunions — plutôt qu’essentielle — créée par les atomes et les délais.

4. Des taxonomies arbitraires. Le S&OP découpe le temps en catégories opérationnelle, tactique et stratégique, et réduit la réalité à une matrice à deux axes « demande contre offre ». Ces partitions sont des commodités rhétoriques, et non des découvertes empiriques ; on peut les réorganiser à volonté sans modifier les résultats économiques. Une théorie dont les paramètres flottent librement ne peut être réfutée et ne peut donc accumuler de connaissances fiables.

Ensemble, ces défauts expliquent pourquoi les entreprises qui adoptent le S&OP reviennent souvent à leurs tableurs maison : la pratique offre une mise en scène des processus sans pouvoir prédictif. Une réunion peut imposer un consensus temporaire, mais elle ne peut révéler quelle décision maximise le bénéfice à long terme face à la variabilité et aux incitations antagonistes. Tant qu’un cadre n’expose pas ses hypothèses à la contestation empirique et ne fonde pas ses prescriptions sur le coût d’opportunité, il appartient au folklore organisationnel, et non à la science de la supply chain.

Nous nous tournons maintenant vers l’histoire économique pour examiner comment des erreurs épistémiques similaires se sont manifestées dans le passé et quels enseignements elles offrent pour le présent.

3.4 Histoire économique

L’histoire économique répertorie ce qui s’est réellement passé : les prix payés, les biens déplacés, les crises traversées. Elle est indispensable pour établir le contexte, mais, comme Ludwig von Mises le soulignait dans Human Action (1949), les faits ne s’interprètent pas eux-mêmes. Seule une théorie économique préalable peut leur donner un sens en retraçant les causes, les effets et les scénarios contrefactuels. En somme, l’économie doit précéder l’histoire économique ; il nous faut d’abord un cadre logique avant de pouvoir raconter utilement le passé.

Le même ordre s’impose en supply chain. Les tableaux de bord regorgeant d’histogrammes de délais, de graphiques de taux de service et de rotations des stocks ne sont rien de plus que des chroniques. Sans théorie du coût d’opportunité et de l’optionalité, un analyste ne peut dire si une réduction des stocks de 20 % relevait du génie ou de la négligence. Les données ne deviennent connaissances qu’une fois filtrées par une perspective économique ; sinon, l’exercice n’est que de la tenue de registres qui se fait passer pour de la compréhension.

Pourtant, dans la pratique quotidienne, la distinction entre chronique et explication est régulièrement brouillée. Les analystes remplissent des tableaux de bord, les éditeurs publient des rapports comparatifs et les consultants exhibent des études de cas avant-après : tous racontent ce qui s’est produit tout en restant muets sur ce qui aurait pu se produire avec d’autres choix. Les registres racontent une histoire ; ils ne diagnostiquent jamais les mécanismes qui l’ont produite.

Considérons un distributeur qui annonce une réduction des stocks de 20 %. En l’absence d’une théorie du coût d’opportunité, l’annonce est dénuée de sens : des fonds de roulement ont-ils réellement été libérés sans perte de service, ou les ruptures en rayon ont-elles simplement été repoussées à un trimestre qui n’a pas encore fait l’objet d’un rapport ? Les registres ne contiennent aucune ligne pour les ventes qui ne se sont jamais matérialisées, les élargissements d’assortiment jamais tentés ou les essais de prix jamais menés. L’histoire ne consigne que le chemin emprunté, jamais les chemins voisins laissés inexplorés.

Les comparaisons entre entreprises amplifient le problème. Classer les entreprises selon leurs « jours de couverture » ou leurs « rotations des stocks » invite à l’imitation, mais ignore les asymétries stratégiques telles que l’étendue de l’assortiment, les promesses de service ou le pouvoir de fixation des prix. Copier l’indicateur sans reproduire le contexte relève d’une optimisation de type culte du cargo : le rituel est préservé, pas l’économie.

La leçon fait écho aux critiques adressées aux mathématiques et à la sociologie : l’histoire économique est une source auxiliaire de compréhension, et non un fondement. Les faits recueillis après coup sont indispensables, mais ils doivent être filtrés par une perspective économique tournée vers l’avenir, qui pèse les scénarios contrefactuels et les coûts d’opportunité. Sans cette perspective, l’histoire devient un récit chiffré, réconfortant à lire, mais impuissant à piloter le prochain conteneur. La maîtrise commence donc par la théorie, met cette théorie à l’épreuve de l’expérience et laisse seulement ensuite les registres guider les allocations futures.

3.5 Sciences auxiliaires

Les sciences auxiliaires sont les disciplines auxquelles la supply chain recourt régulièrement pour obtenir des faits, des preuves ou des outils : les statistiques pour l’incertitude, l’informatique pour l’automatisation, la psychologie empirique pour les biais humains, l’ingénierie aéronautique pour l’efficacité énergétique, et ainsi de suite. L’expression vient de l’historiographie, où, depuis le seizième siècle, des domaines tels que la paléographie ou la dendrochronologie sont qualifiés d’auxiliaires parce qu’ils apportent des preuves sans écrire l’histoire. La hiérarchie est épistémique, non péjorative : la supply chain est subordonnée aux vérités durables qu’établissent ces sciences. Si les statisticiens affinent le sens d’un intervalle de confiance ou que les ingénieurs aéronautiques démontrent l’existence d’un profil de vol moins coûteux, le praticien doit s’adapter immédiatement. Ce qui compte, c’est la fiabilité des connaissances, et non la voie par laquelle elles ont été obtenues.

La subordination n’implique toutefois pas la fusion. La supply chain n’est pas un ragoût pluridisciplinaire de mathématiques, de génie logiciel, de psychologie et de logistique. Elle reste une branche appliquée distincte de l’économie, dont l’unique mission est d’allouer des ressources rares face à la variabilité. Les sciences auxiliaires ne sont consultées que dans la mesure où leurs résultats aident à remplir cette mission ; leurs débats internes, leur jargon et leurs luttes de prestige peuvent être ignorés sans risque. Un praticien a besoin d’une familiarité juste suffisante pour choisir le bon outil et remarquer quand il échoue, ni plus ni moins.

Le degré de familiarité requis dépend du conditionnement du savoir. Lorsqu’un résultat auxiliaire est intégré dans un objet technique robuste — un lecteur de codes-barres, un moteur d’optimisation, un circuit intégré —, l’expert en supply chain peut le traiter comme une boîte noire et se concentrer sur les arbitrages économiques. Lorsque ce conditionnement est rudimentaire, comme c’est encore le cas de la plupart des travaux en économie comportementale, l’expert doit ouvrir la boîte, en comprendre les limites et compenser manuellement.

Les historiens offrent l’analogie. La dendrochronologie peut dater un bouclier de l’été 1519 et réfuter ainsi toute affirmation selon laquelle il aurait servi à la bataille de Marignan en 1515, mais aucun historien ne confond l’étude des cernes des arbres avec l’écriture de l’histoire. La supply chain devrait cultiver la même discipline : exploiter sans ménagement chaque science auxiliaire, sans jamais céder le volant.

Le principe de subordination apparaît clairement lorsque la microbiologie fixe des limites non négociables. Les travaux de laboratoire montrent que la plupart des agents pathogènes d’origine alimentaire entrent en croissance exponentielle dès que la température du produit dépasse 5 °C pendant plus de quelques heures. Les directives de la chaîne du froid imposent donc que la viande réfrigérée quitte l’usine à moins de 4 °C et ne dépasse jamais 7 °C avant d’atteindre le client. Que les planificateurs sachent réciter les courbes de croissance de Listeria n’a aucune importance ; une fois ces seuils fixés par les microbiologistes, l’expert en supply chain doit décider s’il faut payer des conteneurs frigorifiques, organiser des tournées de livraison plus denses ou réduire le rayon de distribution, mais la contrainte de température elle-même n’est pas discutable.

La science des matériaux offre la même leçon. Les essais de compression révèlent qu’un carton ondulé standard à double cannelure de 7 mm s’effondre dès que la charge supérieure dépasse environ 8 kN. Un centre de distribution qui empile de tels cartons sur une hauteur de six palettes a donc plafonné le poids par carton à environ 18 kg, à moins de passer à un emballage à triple cannelure, de réduire la hauteur d’empilement ou d’investir dans des rayonnages. La science auxiliaire fournit les conditions aux limites ; la supply chain pèse les arbitrages économiques qui s’inscrivent à l’intérieur de ces limites.

La supply chain s’en remet à ses sciences auxiliaires parce que ces domaines disposent de moyens plus rapides et plus nets de distinguer le vrai de l’erreur. En physique ou en chimie, une expérience de paillasse, menée avant le déjeuner, peut anéantir une mauvaise hypothèse à un coût négligeable ; les résultats sont rapides, reproductibles et décisifs. Les affirmations de supply chain, comme celles de l’économie, ne peuvent être vérifiées que dans le monde désordonné des usines, des camions et des magasins. Les essais sur le terrain s’étendent sur des mois, consomment de l’argent réel et livrent rarement un verdict net par oui ou par non. Parce que sa boucle de rétroaction est plus lente et plus bruitée, la supply chain doit emprunter la rigueur de ses auxiliaires tout en acceptant que ses propres connaissances s’accumulent plus progressivement.

Néanmoins, la supply chain n’hérite pas des objectifs de ses sciences auxiliaires ; elle se contente d’acheter leurs résultats comme données d’entrée brutes. Les ingénieurs aéronautiques peuvent démontrer que l’ajout d’une escale de ravitaillement à mi-parcours réduit de huit pour cent la consommation de carburant d’un vol très long-courrier ; le praticien doit toutefois encore mettre cette économie en balance avec un temps de transit accru, des redevances d’atterrissage supplémentaires, des heures supplémentaires pour l’équipage et la perte éventuelle de clients. Le critère est le gain économique, et non l’élégance technique : chaque ressource — carburéacteur, heures, capital, bonne volonté — porte un coût d’opportunité qui doit être chiffré avant toute décision. Les sciences auxiliaires livrent des faits ; la supply chain leur attribue une valeur.

La supply chain peut sembler pluridisciplinaire parce que sa pratique quotidienne emprunte aux statistiques, à l’informatique, au génie mécanique et même à la psychologie comportementale. Cette impression confond les outils et les objectifs. En tant que science, la supply chain est une branche de l’économie appliquée dont l’unique mission est de décider comment les ressources rares doivent circuler dans l’espace et le temps. Les sciences auxiliaires ne font que fournir des mesures, des algorithmes ou des machines au service de cette mission ; elles ne la redéfinissent pas. À l’inverse, les sciences de la nature se fondent les unes dans les autres précisément parce que les atomes ignorent les cloisons des départements qui séparent la physique de la chimie ou de la biologie : leurs frontières sont des commodités pédagogiques. La supply chain n’est donc pas pluridisciplinaire au sens épistémique, mais seulement au sens pratique où elle consomme de nombreux résultats importés.

La nécessité, pour un praticien, d’approfondir un domaine auxiliaire dépend de deux leviers. Le levier économique mesure la part du bénéfice qui dépend de la connaissance auxiliaire ; la qualité du conditionnement mesure la part de cette connaissance intégrée dans des objets techniques fiables. Plus le levier est élevé et le conditionnement médiocre, plus une maîtrise personnelle est nécessaire.

Le levier économique est la sensibilité du bénéfice associée à une science auxiliaire. Si ajuster le débit d’air d’une salle blanche ne fait économiser qu’une somme symbolique par lot, le levier est faible et le réglage peut rester une procédure fixe. À l’inverse, raccourcir de seulement cinq minutes le temps de séjour dans un réacteur chimique continu peut augmenter le débit horaire de six pour cent, mais réduit aussi le rendement de conversion et modifie l’éventail des coproduits : la qualité primaire se vend avec une prime, tandis que les flux secondaires et tertiaires se vendent avec une décote ou doivent être retraités. Le volume supplémentaire, la baisse du rendement et la modification du mélange de coproduits se répercutent sur les stocks, les allocations contractuelles et les paliers de prix. Parce que l’arbitrage est important et que la logique de commande se cache dans des schémas de procédé denses, les planificateurs doivent suffisamment comprendre la cinétique de réaction pour peser la capacité face à la marge avant d’autoriser le changement. Une expertise approfondie n’est donc nécessaire que lorsque se conjuguent un levier élevé et un conditionnement rudimentaire ; ailleurs, le domaine auxiliaire peut sans risque rester un module fermé.

À l’inverse, les circuits intégrés illustrent un excellent conditionnement. Ils incarnent un siècle de mécanique quantique derrière une interface de cinq volts ; les planificateurs exploitent leur puissance de calcul sans jamais étudier la théorie des bandes. Les réacteurs d’avion cachent tout aussi bien la thermodynamique et la science des matériaux ; un tableau de consommation de carburant suffit à un optimiseur de réseau. À l’autre extrême se trouve la psychologie empirique. Des résultats tels que l’ancrage, l’aversion aux pertes et l’actualisation hyperbolique parviennent aux responsables principalement sous forme de prose. Comme le conditionnement est rudimentaire tandis que le levier — prix, promotions, négociations — est élevé, les dirigeants supply chain doivent saisir eux-mêmes les concepts, au risque sinon de reproduire les biais que le domaine documente.

Il en découle une règle pratique : une expertise approfondie n’est nécessaire que lorsque se conjuguent un levier élevé et un conditionnement rudimentaire. Lorsque l’un de ces leviers manque, la science auxiliaire peut rester un module fermé.

En somme, les sciences auxiliaires repoussent les frontières, tandis que la pratique de la supply chain décide quand ces frontières comptent. Chaque fois que les statistiques produisent un intervalle plus étroit, la science des matériaux une palette plus légère ou l’informatique un solveur plus rapide, le levier économique de la décision correspondante change, et l’attention de la direction doit en faire autant. À l’inverse, dès qu’une avancée est enfermée dans un objet technique fiable, elle peut être traitée comme une infrastructure et ne plus mobiliser l’esprit. Le métier consiste à tenir à jour une carte des éléments qui exigent encore un examen attentif et de ceux qui ont franchi le seuil de la « boîte noire ». Négligez cette carte et un vide apparaît, bientôt comblé par les argumentaires exagérés des éditeurs et le folklore des consultants : un schéma examiné ci-dessous sous le titre de corruption épistémique.

3.6 Corruption épistémique

Lorsqu’un système de connaissances perd une part importante de son intégrité et cesse de fournir les connaissances fiables que l’on attend de lui, on peut parler de corruption épistémique. Celle-ci se produit souvent parce que le système a été détourné au profit d’intérêts contraires à certains des objectifs centraux qui sont censés le sous-tendre. Epistemic Corruption, the Pharmaceutical Industry, and the Body of Medical Science (2021), Sergio Sismondo.

Une grande partie de ce qui passe aujourd’hui pour des connaissances en supply chain est corrompue : elle n’améliore pas les supply chains alors même qu’elle prétend le faire. Pourtant, aucun grand complot, aucun maître maléfique ni aucun pot-de-vin n’est à l’œuvre. Les auteurs qui produisent des contenus fortement biaisés sur la supply chain sont rarement malhonnêtes ; le plus souvent, ils ne sont pas conscients du problème. L’essentiel de la corruption épistémique qui afflige la supply chain provient d’incitations perverses structurelles. La suite de ce chapitre traite d’idées fausses persistantes dont les dégâts dépassent largement la supply chain.

En tant que branche appliquée de l’économie, le savoir en supply chain promet la richesse : rendre les entreprises plus riches, parfois riches tout court. Chaque praticien ou équipe interne de supply chain est poussé à développer des connaissances supérieures pour surpasser ses rivaux. Ils ont donc peu d’intérêt à rendre leurs découvertes publiques ; lorsqu’elles découvrent une heuristique d’optimisation des stocks contre-intuitive mais efficace, les entreprises préfèrent la protéger comme un secret commercial.

Les pourvoyeurs les plus bruyants de « vérités » en supply chain sont ceux qui monétisent les conseils — universitaires, consultants et éditeurs de logiciels —, chacun soumis à des incitations qui déforment ce qu’il choisit de publier.

Premièrement, le monde universitaire : financés par des sources privées ou publiques, les professeurs rivalisent pour attirer les étudiants et obtenir de la reconnaissance grâce à leurs publications, cas classique du « publier ou périr ». Les auteurs universitaires ont rarement la possibilité de vérifier en pratique leurs affirmations de supply chain ; même lorsqu’ils travaillent avec des entreprises, leurs carrières restent largement à l’abri des résultats réels. De fait, la tendance à considérer la supply chain comme une collection de casse-tête mathématiques souligne l’influence des incitations structurelles.

Imaginer et résoudre des casse-tête mathématiques ne requiert qu’une ingéniosité limitée, surtout lorsque le nouveau casse-tête et sa résolution ne sont que des variantes de cas connus. Puisque la validité de la résolution relève purement de la cohérence interne, comme dans toute démonstration mathématique, l’auteur est dispensé de rechercher une validation dans le monde réel. Utiliser des données réelles dans des tests comparatifs synthétiques n’est guère plus qu’un écran de fumée ; cela ne montre toujours pas les résultats qu’aurait produits un déploiement.

Deuxièmement, les consultants, dont les clients sont des responsables d’entreprise. Contrairement aux universitaires, les consultants sont confrontés aux conséquences réelles de leurs théories, et ce handicap devient souvent un atout. Lorsqu’un responsable doute d’un projet, il fait intervenir un consultant pour servir de tampon : le succès est porté au crédit du responsable, tandis que l’échec retombe sur le consultant. Conscients de cette dynamique, les responsables congédient rarement les consultants aux résultats médiocres. Plus largement, les consultants évitent généralement les recommandations fermes, car leur rôle consiste fondamentalement à ne jamais dire « non » à un client.

Troisièmement, les éditeurs de logiciels, dont l’auteur de ces lignes. Concevoir des logiciels d’entreprise est un processus lent et désordonné. Le produit final est généralement opaque et alambiqué ; s’il en était autrement, il serait commercialisé en libre-service auprès des particuliers et des petites entreprises. Les clients des éditeurs sont eux aussi des responsables ; toutefois, ceux qui choisissent les éditeurs ne sont généralement pas ceux qui utilisent le produit. Les responsables consultent souvent leurs subordonnés pour prendre une décision mieux informée, et c’est là qu’entrent en jeu les incitations antagonistes. La plupart des logiciels visent, au moins en partie, à améliorer la productivité, ce qui implique souvent de réduire les effectifs. S’appuyer sur l’avis des subordonnés favorise systématiquement l’éditeur qui préserve le mieux le statu quo, et donc les effectifs. Puisque les responsables manquent souvent de temps pour acquérir l’expertise nécessaire à l’évaluation d’un produit, ils délèguent une grande partie de cette évaluation à des tiers faisant autorité.

Du fait de cette dynamique, l’étude de cas est devenue l’instrument promotionnel canonique des logiciels d’entreprise. Puisqu’une si grande part des « preuves » du domaine passe désormais par ce canal, celui-ci mérite un examen approfondi dans la section suivante.

3.6.1 Études de cas

Parmi les canaux par lesquels ces incitations antagonistes déforment les preuves, l’un domine : l’étude de cas d’entreprise. Les études de cas sont des publireportages élaborés destinés à un public d’entreprise, ni plus ni moins. Pourtant, de nombreuses entreprises entretiennent la dangereuse illusion que les études de cas sont véridiques, surtout lorsque le client cité peut être contacté ; la réalité est tout autre. Au mieux, une étude de cas précise ce que l’éditeur cherche à vendre ; elle ne peut évaluer le bénéfice qu’en a tiré le client cité, encore moins ce que l’éditeur apporterait à une autre entreprise. Dissipons cette illusion.

Une étude de cas « logiciel » souffre de deux défauts intrinsèques, chacun fatal à lui seul : les incitations perverses et le biais de sélection.

Il ne fait aucun doute que l’éditeur est fortement incité à embellir, en amplifiant les bénéfices et en passant sous silence les problèmes qui compromettent les rendements. La voix du client est censée ramener à la réalité ; en pratique, le client est tout aussi incité que l’éditeur à embellir. En effet, une vente à une entreprise nécessite qu’un ou plusieurs dirigeants défendent ce choix. Ces défenseurs se portent, de fait, garants de l’éditeur¹³. De plus, leurs affirmations seront étayées par des indicateurs très convaincants. Les supply chains sont suffisamment complexes pour garantir que, quel que soit le dysfonctionnement de l’initiative, on puisse trouver une courte liste d’indicateurs favorables. Au besoin, les indicateurs peuvent même être falsifiés assez ouvertement. Personne — les observateurs extérieurs moins que quiconque —, à l’exception de ceux qui connaissent intimement l’initiative, ne sera en mesure de contredire les affirmations de l’étude de cas. Les études de cas d’entreprise ne sont, par construction, pas reproductibles.

En présence d’un conflit d’intérêts aussi flagrant, amplifié par une absence totale d’obligation de rendre des comptes, le biais est inévitable. Même des personnes de bonne moralité, connues pour leur honnêteté dans les affaires courantes, peuvent céder à des incitations déformées lorsque leur réputation ou leurs moyens de subsistance sont en jeu. Il ne s’agit pas de mettre en doute leur fibre morale, mais de reconnaître la puissante emprise que les pressions professionnelles, le regard des pairs et l’ambition personnelle peuvent exercer sur des personnes par ailleurs admirables. Lorsque la réussite d’un projet se traduit par une progression de carrière, des invitations à prendre la parole ou du prestige au sein de l’entreprise, même les plus intègres peuvent trouver presque impossible de rester neutres dans leurs évaluations. Le conflit d’intérêts est tout simplement inhérent au dispositif.

Pour ces raisons, appeler le client afin de « vérifier » une étude de cas est entièrement inefficace. Sauf dans les rares cas d’invention pure et simple, les responsables concernés confirmeront volontiers tout ce qui a été écrit, exactement comme le prédisent leurs incitations. Pire encore, le « contact humain » confère une crédibilité indue aux affirmations, simplement parce que la plupart des responsables d’entreprise font bonne impression à ceux qui les contactent¹⁴.

Même en admettant, de façon peu plausible, que le client dise la vérité, l’étude de cas, en tant que méthode, reste irrémédiablement viciée par le biais de sélection. Les éditeurs servent de nombreux clients, et les études de cas ne sont pas choisies au hasard. L’éditeur choisit naturellement les cas les plus favorables. Cette sélection pilotée par l’éditeur garantit un biais massif.

De fait, un éditeur peut être incompétent — la plupart de ses initiatives ayant été discrètement abandonnées comme des échecs — et pourtant afficher des réussites. Pour donner l’apparence du succès dans les logiciels d’entreprise, il suffit de reprendre le désordre laissé par un autre éditeur incompétent.

Les éditeurs incompétents abondent, et les entreprises qui les choisissent font preuve d’un manque de jugement. Il n’est donc pas surprenant qu’une entreprise ayant choisi un éditeur incompétent finisse par en choisir un autre tout aussi incompétent une fois le premier échec discrètement reconnu. Pourtant, lors de ce second tour, quelques leçons auront été tirées et certaines erreurs graves seront évitées. Ainsi, le second éditeur, bien que tout aussi incompétent que le premier, fournira très probablement quelque chose de comparativement meilleur. Même un infirme peut franchir la barre si elle est placée suffisamment bas. De ce succès relatif découlera une étude de cas glorifiant la compétence du second éditeur.

Il est vain de déplorer les biais des auteurs dans le domaine de la supply chain, tout comme il est vain d’espérer qu’un jour apparaîtra un auteur « sans biais ». L’observateur neutre n’existe pas ; mettre à l’épreuve une théorie de supply chain exige la coopération d’une entreprise qui recherche le bénéfice. Rester neutre revient à rester incompétent. Il n’y a pas de solution à trouver dans la tour d’ivoire de la recherche pure. Les incitations antagonistes, et les biais qu’elles produisent, doivent être considérés comme une caractéristique intrinsèque de la supply chain.

Cela signifie que les méthodes employées pour produire des connaissances en supply chain doivent être évaluées sur leur capacité à atténuer ces biais plutôt qu’à les amplifier. Idéalement, ces méthodes devraient être conçues et orientées précisément dans ce but.

3.7 Connaissances négatives

Après avoir passé en revue les façons dont les « connaissances » en supply chain se fourvoient, nous avons besoin d’une contre-mesure pratique. La première étape la plus fiable est celle des connaissances négatives : un registre soigneusement constitué de ce qui échoue de manière prévisible, gardé à portée de main et utilisé comme droit de veto contre les projets séduisants mais ruineux. Le propos qui suit explique pourquoi ce registre compte et comment l’utiliser.

Si les connaissances positives orientent l’esprit dans les bonnes directions, les connaissances négatives l’éloignent des mauvaises. Elles sont largement absentes des systèmes éducatifs modernes. L’enseignement est considéré comme un exercice de transmission de connaissances « valides » aux étudiants. Même dans l’enseignement supérieur, les cours où les professeurs s’aventurent sur des sujets comme les « illusions répandues » ou « ce qui paraît bien mais ne fonctionne pas » sont rares. En conséquence, les connaissances négatives sont largement absentes de la littérature sur la supply chain, qui ne se distingue pas à cet égard.

La supply chain se prête pourtant remarquablement bien aux connaissances négatives. Les initiatives de supply chain ratées abondent, mais sont trop souvent écartées alors qu’elles devraient être traitées comme une précieuse source de connaissances négatives. Toute entreprise qui gère une supply chain d’une certaine ampleur depuis les années 1980 et fonctionne encore avec des tableurs plutôt qu’avec des systèmes véritablement automatisés a presque certainement subi une demi-douzaine de fiascos de ce genre. L’ironie remonte à la fin des années 1970, lorsque les éditeurs de logiciels promirent pour la première fois une automatisation complète, suscitant des attentes qu’ils n’ont toujours pas satisfaites. Au lieu de laisser ces mésaventures s’effacer des mémoires, l’entreprise devrait examiner chacune en détail et produire des bilans d’échec que la direction protégerait comme les joyaux de la couronne. En disséquant ce qui a mal tourné — argumentaire commercial exagéré, chaîne de commandement confuse ou processus ancien obstinément maintenu —, l’organisation apprend à repérer les signes avant-coureurs et à éviter de reproduire le même schéma quelques années plus tard.

Une entreprise peut, par exemple, se lancer dans un grand projet de mise en œuvre d’un système de stocks entièrement automatisé dans des dizaines d’entrepôts. L’initiative peut échouer pour de multiples raisons : un nouveau logiciel contredit des procédures vieilles de plusieurs décennies, les exigences de différents services s’opposent, ou la technologie de l’éditeur se révèle inadéquate une fois les démonstrations brillantes remplacées par les conditions réelles. Sans bilan d’échec rigoureux, l’entreprise risque de s’engager comme une somnambule, trois ans plus tard, dans un projet étrangement similaire. Un échec soigneusement documenté, aussi douloureux soit-il à revisiter, renforce l’entreprise en révélant les pièges créés par des promesses habiles ou une direction négligente. Ceux qui ne tirent pas les leçons de leurs initiatives ratées sont condamnés à financer de nouveau les mêmes erreurs ; et, en supply chain, les coûts ne font que s’accumuler au fil des ans.

Lorsqu’un fiasco de supply chain est révélé, il mérite une attention particulière et une crédibilité accrue précisément parce que personne n’a intérêt à l’exposer. Les parties concernées cachent presque toujours leurs échecs ; lorsqu’une calamité devient publique, c’est donc généralement qu’elle est trop importante ou trop coûteuse pour être dissimulée. Ces connaissances négatives devraient être protégées et étudiées, car les détails d’un échec se diffusent difficilement et sont presque introuvables dans les livres ou les articles universitaires. Un responsable qui souhaite éviter la même leçon coûteuse devrait saisir ces rares révélations et les examiner attentivement : chacune expose non seulement un mauvais résultat, mais aussi la mauvaise idée qui y a conduit.

Les connaissances négatives perdurent parce que leurs fondements ne reposent pas sur des particularités passagères du marché. Lorsqu’une méthode ou un paradigme est défectueux en son cœur, aucun changement de circonstances ne le réparera jamais. La supply chain regorge de tels ratés. Le classement forcé des employés¹⁵, par exemple, peut sembler simple ; mais, dans un domaine qui exige une coopération étroite entre équipes, il ronge la confiance même dont ces équipes ont besoin pour fonctionner. De même, imposer une loi normale pour modéliser la demande peut paraître élégant sur le papier, mais les données de supply chain suivent rarement une belle courbe en cloche. Les chocs de demande et les événements rares qui façonnent les opérations réelles sont précisément ce que ce modèle néglige. Ces défauts ne sont pas circonstanciels, et il est entièrement déraisonnable d’imaginer qu’à force d’ajustements, le classement forcé ou la loi normale pourraient soudain devenir adaptés. Leurs défaillances sont intrinsèques, et les dirigeants supply chain gaspillent un temps et des ressources précieux chaque fois qu’ils recourent à ces outils dans l’espoir d’un résultat différent.

Les connaissances négatives sont souvent bien plus faciles à saisir que leurs homologues positives. On peut passer des jours à étudier le fonctionnement d’une base de données en colonnes, mais il est bien plus simple — et plus pratique — de retenir que ces bases ne conviennent pas aux systèmes d’enregistrement. Toute entreprise qui fait passer un flux de travail fortement transactionnel par une architecture en colonnes découvre rapidement qu’il fonctionne avec une lenteur pénible et dévore les ressources informatiques, augmentant les dépenses d’hébergement. Une entreprise peut ne subir cette leçon qu’une seule fois avant d’abandonner l’ensemble du dispositif et de ne jamais répéter l’erreur. En ce sens, les connaissances négatives épargnent au responsable la nécessité de maîtriser chaque nuance expliquant pourquoi une technologie échoue ; il suffit de savoir qu’elle échouera et d’éviter entièrement cette impasse.

Inversement, les connaissances négatives conviennent particulièrement à la supply chain parce qu’il est si difficile d’y recueillir des connaissances positives fiables.

Les expériences en supply chain sont plus difficiles à mener qu’il n’y paraît. Aucune grande entreprise ne souhaite mettre en jeu la performance d’un vaste réseau dont les défaillances peuvent se répercuter simultanément sur les stocks, le transport et la satisfaction des clients. Même un essai apparemment modeste peut perturber des pans entiers des opérations tout en ne donnant qu’une impression fugace de son utilité réelle : a-t-il aidé, ou simplement reporté la charge sur une autre partie de la supply chain ? Un distributeur qui expérimente des livraisons plus petites et plus fréquentes peut réduire les ruptures locales dans quelques magasins, pour constater ensuite que les coûts d’expédition s’envolent et compliquent la vie de centres de distribution qui jonglent déjà avec des calendriers complexes. C’est la malédiction récurrente de la supply chain : les problèmes sont souvent déplacés plutôt qu’éliminés.

De plus, toute expérience de supply chain, comme une expérience économique, est notoirement difficile à reproduire. Deux moments ne présentent jamais des conditions identiques, et les pressions du marché, les contraintes organisationnelles et le facteur humain ne peuvent jamais être reproduits intégralement. Ce qui fonctionnait l’an dernier sous un certain profil de demande peut échouer spectaculairement lorsque les goûts des consommateurs changent ou qu’un nouveau concurrent arrive sur le marché. Des facteurs de confusion rôdent toujours en arrière-plan, obscurcissant les causes et les effets. Lorsqu’une entreprise déclare une expérience « réussie », elle interprète généralement des données locales selon une perspective particulière, souvent sans savoir que les réalités plus larges ont déjà changé. Au lieu de nous guider vers des vérités concluantes, ces essais nous rappellent surtout combien ces vérités peuvent être fragiles et insaisissables.

Les prétendues « bonnes pratiques » ne peuvent être prises pour argent comptant. Les professeurs, les consultants et les éditeurs de logiciels poursuivent chacun leurs propres objectifs, et aucun n’est aligné sur ce dont une entreprise a véritablement besoin. Les professeurs se concentrent sur des théories qui se prêtent aux articles de recherche et à la notation en classe, deux activités qui ont peu de rapport avec la capacité de ces théories à produire des résultats réels. Les consultants, pour leur part, réclament à grands cris l’originalité afin de se distinguer de leurs pairs, mais la nouveauté ne prouve rien à elle seule. En braquant les projecteurs sur des questions marginales et en les présentant comme urgentes, ils détournent la direction générale de préoccupations bien plus pressantes. Pendant ce temps, les éditeurs de logiciels élargissent sans relâche leurs fonctionnalités pour cocher toutes les cases d’un appel d’offres, tout en reconnaissant rarement à quel point ces couches supplémentaires poussent la maintenabilité à ses limites.

Même lorsqu’une idée brillante trouve un ancrage pratique, elle peut perdre son avantage dès que trop d’acteurs l’adoptent. Une prétendue bonne pratique, une fois largement diffusée dans un secteur, ne confère plus d’avantage. Les rivaux s’adaptent et érodent les gains qu’elle procurait. Cet effet n’est pas propre à la supply chain, mais il y prend une importance particulière, car tant d’acteurs concurrents — éditeurs, consultants, et même milieux universitaires — ont intérêt à présenter une nouvelle technique comme une solution universelle. Le véritable progrès se situe ailleurs, car aucune méthode n’est assez robuste pour survivre inchangée à la lumière crue d’une adoption massive. Ce qui constitue une bonne pratique dépend du fait que les rivaux ne l’appliquent pas ; dès qu’ils rattrapent leur retard, sa valeur disparaît.

La carte des pièges épistémiques est désormais complète : mathématiques à la mode, sociologie fondée sur les récits, circuits de production des preuves corrompus et incitations perverses qui entretiennent les trois. Sortir de ce labyrinthe exige un cadre de référence qui ne change pas au gré des modes, ainsi qu’un garde-fou qui nous empêche de retourner dans les mêmes fossés. L’économie fournit le cadre ; les connaissances négatives fournissent le garde-fou. Ce n’est qu’en traduisant chaque affirmation de supply chain en coût d’opportunité, en bénéfice et en perte — tout en rejetant activement les schémas qui détruisent la valeur de façon prévisible — que nous pouvons comparer les options sur un terrain neutre et démasquer les vœux pieux pour ce qu’ils sont. Ces exigences étant posées, le chapitre suivant quitte l’épistémologie pour les principes fondamentaux : il revient aux lois élémentaires de l’économie et montre comment elles ancrent toutes les règles de décision présentées ensuite dans ce livre.

4 Économie

La supply chain est une branche appliquée de l’économie, elle-même branche de la praxéologie, la théorie de l’action humaine. Les supply chains émergent de personnes qui agissent de concert, à grande échelle, pour améliorer leurs conditions matérielles.

Au chapitre 1, nous avons défini la supply chain comme la maîtrise de l’optionalité face à la variabilité. L’optionalité reformule les « usages alternatifs » de l’économie générale du point de vue de l’entreprise : chaque décision alloue une ressource rare à une option en excluant les autres. L’économie n’est pas un lointain arrière-plan ; elle est la grammaire de la pratique de la supply chain.

L’économie reste malheureusement une science largement méconnue et négligée. Dans les médias traditionnels comme sur les réseaux sociaux, nombre d’« économistes » autoproclamés s’expriment non en scientifiques, mais en idéologues politiques¹⁶.

Les conflits d’intérêts aggravent la situation : de nombreux économistes perçoivent leur salaire, directement ou indirectement, des États mêmes dont ils commentent les politiques. Consciemment ou non, ce financement restreint l’éventail des opinions que l’on peut exprimer sans risque professionnel¹⁷. Lorsque l’idéologie se fait passer pour une analyse neutre, la défiance du public ne fait que s’accentuer.

4.1 Principes économiques essentiels

Aux lecteurs peu familiers de l’économie, nous recommandons Basic Economics (2000) de Thomas Sowell. Sans être un préalable, ses enseignements sont fondamentaux pour l’étude et la pratique de la supply chain. Comme les autres ouvrages de Sowell, il est exceptionnellement clair et accessible à un public non technique. Surtout, ce livre précise que l’économie est strictement neutre à l’égard de la politique et des autres idéologies. On ne peut échapper aux lois générales de l’économie : elles s’appliquent de la même manière quelle que soit l’organisation de la société, qu’il s’agisse du capitalisme, du socialisme ou du féodalisme. Des lois telles que celles de l’offre et de la demande, des rendements décroissants et de l’avantage comparatif ricardien sont fondamentales pour la supply chain.

Ces lois fondamentales gouvernent chaque échange orchestré par une supply chain.

Loi de l’offre et de la demande. Sur un marché libre, le prix d’un bien augmente lorsque la demande dépasse l’offre et diminue lorsque l’offre dépasse la demande. Le signal-prix n’est pas une convention arbitraire ; c’est le dispositif qui rationne la rareté. Lorsque les conteneurs maritimes entrants se firent rares pendant le rebond de 2021 après les confinements, les tarifs de fret quadruplèrent. Les chargeurs qui accordaient le plus de valeur aux conteneurs acceptèrent le surcoût et expédièrent à temps ; les cargaisons de moindre valeur attendirent le retour des capacités. Le mécanisme peut sembler brutal, mais il affecte silencieusement une ressource rare à son usage le plus précieux tout en encourageant les transporteurs à investir dans des capacités supplémentaires.

Loi des rendements décroissants. Si l’on augmente un facteur de production tout en maintenant tous les autres constants, la production supplémentaire générée par chaque unité additionnelle finit par diminuer. Doublez le nombre de préparateurs de commandes dans un centre de traitement des commandes et le débit de colis double presque, jusqu’à ce que la congestion des postes d’emballage commence à le limiter. La même courbe apparaît lorsque l’on ajoute du stock tampon : la première palette réduit fortement le risque de rupture, la dixième n’apporte qu’un mince supplément de protection. Repérer le coude de cette courbe est un problème d’ingénierie central en supply chain.

Loi ricardienne de l’avantage comparatif. Même lorsqu’une partie est plus efficace dans l’absolu pour produire chaque bien, les deux parties gagnent à l’échange si chacune se spécialise dans ce qu’elle fait relativement le mieux. Un atelier suisse de micro-usinage fabriquant des engrenages de haute précision et une usine indonésienne tissant des chemises en coton prospèrent tous deux en échangeant leur production, malgré les écarts de salaires et de compétences. Les supply chains fournissent l’infrastructure — routes maritimes, entrepôts, systèmes d’information et contrats — qui transforme l’avantage comparatif en un surplus tangible.

Ces trois lois sont des illustrations, et non une liste exhaustive. De nombreux autres concepts — coût d’opportunité, préférence temporelle, bénéfices et pertes entrepreneuriaux — entrent en jeu, mais ce trio suffit à montrer pourquoi tout choix de stockage, d’acheminement ou de tarification se ramène finalement à la même question : comment orienter au mieux les ressources rares vers leur usage le plus valorisé dans l’incertitude.

4.2 Marchés et supply chains

L’amélioration remarquable des conditions matérielles de l’humanité au cours des trois derniers siècles peut être largement attribuée à l’économie de marché libre, qui a financé le développement de presque toutes les sciences et technologies dont nous bénéficions aujourd’hui. Dans les pays développés — qui représentent désormais une part toujours croissante de l’humanité —, les prix réels des denrées alimentaires et des biens manufacturés ne sont plus qu’une fraction de leurs niveaux d’il y a un siècle.

La maîtrise de la supply chain est l’une des nombreuses innovations suscitées par les marchés libres pour fournir davantage avec moins de ressources. Bien que les supply chains reposent sur des technologies complémentaires, leur présence signale généralement une accessibilité de masse ; sans elles, les biens peuvent encore être produits, mais à des coûts que seuls quelques privilégiés peuvent supporter.

Les meilleures conditions matérielles des pays développés résultent en grande partie d’opérations de supply chain efficaces. Si les progrès de la science et de la technologie nous permettent d’accomplir des prouesses extraordinaires — comme maintenir la vie en orbite —, un immense écart sépare les exploits technologiques isolés des miracles fiables, prêts à l’emploi et accessibles au plus grand nombre. Cet écart tient largement à des supply chains robustes, qui forment l’ossature de notre civilisation industrielle.

L’Union soviétique offre un contre-exemple révélateur. Sous la planification centralisée, presque tous les grands fabricants furent contraints à une intégration verticale extrême parce que les partenaires fiables n’existaient tout simplement pas. Une usine de réfrigérateurs à Leningrad exploitait son propre parc à bois pour les caisses, sa propre verrerie pour les étagères, et même une ferme laitière pour alimenter la cantine de l’entreprise. Ce qui ressemblait sur le papier à une autosuffisance enviable était en réalité le symptôme d’une économie où la confiance, la spécialisation et les signaux-prix avaient été étouffés.

Faute de marchés récompensant la ponctualité et la qualité, les « partenaires » n’étaient que d’autres ministères tenus de livrer ce qu’ils pouvaient, quand ils le pouvaient. Les usines se protégeaient donc en dupliquant en interne les capacités amont et en accumulant des mois, parfois des années, de stocks d’intrants. Les produits finis ne se portaient guère mieux : ils attendaient souvent des semaines des wagons, eux-mêmes tributaires des pénuries chroniques de matériel ferroviaire dans les calendriers du Gosplan. Des délais qui auraient mis une entreprise occidentale en faillite étaient acceptés comme ordinaires, et le gaspillage apparaissait dans tous les indicateurs. Les tonnes-kilomètres de fret par unité produite étaient plusieurs fois supérieures à celles des économies de marché, tandis que la consommation énergétique spécifique de l’acier, des textiles ou du pain dépassait de très loin les références occidentales.

Cet épisode importe pour les responsables d’aujourd’hui : la performance de la supply chain n’est pas avant tout une question d’heuristiques astucieuses ou d’entrepôts plus grands. C’est d’abord une question d’incitations associées à un calcul économique adéquat. Lorsque les prix évoluent librement et que les contrats sont respectés, la spécialisation prospère et des réseaux longs et délicats deviennent non seulement réalisables, mais aussi bien plus efficaces que les géants monolithiques. Supprimez ces incitations ou ce calcul, et les réseaux se replient sur eux-mêmes jusqu’à ce que chaque usine devienne une forteresse accumulant ses propres matières premières. La complexité ne disparaît pas ; elle réapparaît simplement sous forme de gaspillage.

Avant les années 1950, le transport aérien était un luxe extravagant réservé aux militaires et aux riches. Une série d’innovations rendit ensuite le vol sûr et abordable, jusqu’à le banaliser. Une innovation clé fut le moteur en nacelle — un moteur d’avion monté sous les ailes dans une nacelle —, un concept dont la Caravelle de Sud Aviation fut pionnière en 1955. Ces nacelles dissocièrent la maintenance des moteurs de celle du fuselage principal, réduisant considérablement les coûts d’exploitation et ouvrant la voie à des avions comme le Boeing 707, en 1957, pour démocratiser le transport aérien.

Actuellement, l’industrie spatiale ne bénéficie pas encore des pratiques modernes de supply chain, principalement en raison de limites technologiques. Une poignée d’entrepreneurs fortunés ont acheté des vols en orbite, mais les prix restent prohibitifs pour la plupart des gens. Après des décennies de stagnation, SpaceX fait progresser des technologies — notamment les fusées réutilisables — qui pourraient, à terme, soutenir une supply chain spatiale. Une fois ces technologies maîtrisées, les principes établis de la supply chain réduiront considérablement les coûts.

Un exemple historique de cette dynamique est l’adoption rapide de la conteneurisation dans le transport maritime pendant les années 1950 et 1960. Le conteneur intermodal standardisé constitua une avancée qui réduisit drastiquement les coûts de manutention et les temps de transit. Une fois cette technologie établie — ce qui exigeait des ports, des grues et des navires convenablement équipés —, une nouvelle génération de supply chains se forma autour d’elle. Les ports qui ne se modernisèrent pas et n’intégrèrent pas les normes des conteneurs prirent du retard, tandis que ceux qui adoptèrent la conteneurisation devinrent de grandes plateformes du commerce mondial. De même, dès qu’une nouvelle technologie arrive à maturité — qu’il s’agisse de fusées réutilisables ou de robotique avancée —, les innovateurs organisent rapidement leurs supply chains pour exploiter ces progrès, en s’appuyant à la fois sur la modularité et la standardisation afin d’atteindre une échelle et une efficacité des coûts sans précédent.

Plus généralement, les avancées technologiques élargissent l’éventail des options disponibles, et la supply chain décide comment les exploiter au mieux pour une efficacité économique maximale.

4.3 La valeur des supply chains

Les supply chains sont nées de l’économie de marché parce qu’elles sont efficaces. Dater la première véritable supply chain est vain : le phénomène est apparu progressivement et remonte à l’Antiquité. De plus, les supply chains ont émergé sans que des planificateurs visionnaires orientent délibérément les entreprises vers ce que nous reconnaissons aujourd’hui comme des supply chains. Les entreprises ont simplement suivi l’efficacité empirique, qui les a conduites aux supply chains actuelles. Si l’on peut désormais concevoir les entreprises modernes avec l’intention explicite de proposer au marché une supply chain supérieure, cette perspective est assez récente et largement postérieure aux supply chains elles-mêmes.

Les supply chains existent parce qu’elles débloquent une poignée de mécanismes structurels qui confèrent des avantages concurrentiels durables. Les pages qui suivent examinent ces mécanismes et montrent comment la conception d’une supply chain peut générer davantage de valeur que la seule taille ne le pourrait jamais.

Ces mécanismes diffèrent quelque peu du concept traditionnel d’économies d’échelle, généralement compris comme une efficacité croissante avec la taille. Cette efficacité provient habituellement de la combinaison des coûts fixes et variables de production. Des fonctions comme l’ingénierie, le marketing, la direction stratégique et la conformité sont largement fixes quel que soit le volume produit, tandis que l’acquisition, le transport et le traitement des biens évoluent avec les volumes.

Les économies d’échelle représentent une forme élémentaire d’optimisation du flux : augmenter le volume réduit le coût marginal. Dans les opérations quotidiennes, les professionnels de la supply chain disposent toutefois rarement de leviers permettant d’augmenter assez les volumes pour obtenir des économies d’échelle supplémentaires ; les changements d’échelle du flux relèvent des M&A, les fusions et acquisitions, et non de la supply chain.

Au-delà des économies d’échelle, une valeur supplémentaire découle de la manière dont une entreprise façonne son flux grâce à quatre forces récurrentes : la standardisation — maîtriser la variabilité intrinsèque —, la mutualisation — regrouper les stocks pour amortir les aléas —, le regroupement en lots — grouper les mouvements pour réduire les coûts de manutention unitaires — et la polyvalence — concevoir des actifs pouvant servir plusieurs usages. Ces forces agissent sur différents leviers — information, espace, temps et capital —, mais convergent vers le même objectif : fournir davantage de service avec les mêmes ressources rares. Les sections suivantes examinent chaque force à son tour, en commençant par la standardisation.

4.3.1 Standardisation

La variabilité est l’état naturel des choses physiques. Deux arbres ne sont jamais exactement identiques ; il en va de même pour les pierres, les vaches, les personnes et les parcelles de terre. Les frontières sont souvent floues : les fruits tombés font-ils encore partie de l’arbre ? La propriété d’un terrain s’étend-elle des profondeurs de la terre jusqu’aux étoiles ? Nos actions présentent elles aussi une variabilité intrinsèque. Même disposer une pomme admet d’innombrables variantes ; deux placements ne sont jamais exactement les mêmes. La pomme peut tomber par terre, être ramassée, puis remise sur l’étagère. S’agit-il encore de la même action ? Même si le sol est sale ? Pourtant, dans la civilisation industrielle, nous tenons pour acquis que, dans le flux de biens physiques, presque toute « chose » et toute « action » peuvent être clairement identifiées et comptées. Ce n’est pas un hasard ; c’est le résultat de siècles d’efforts pour rendre le flux maîtrisable, un processus appelé standardisation.

La standardisation est un ensemble peu structuré de pratiques qui rendent le flux de biens maîtrisable au sein des entreprises et sur les marchés. En effet, la variabilité intrinsèque de toute chose complique tout. Chaque article acheté ou vendu varie dans ses caractéristiques et, par conséquent, souvent dans son prix. Chaque processus de fabrication doit être continuellement ajusté pour tenir compte des différences infimes de ses intrants toujours changeants. Ces complications consomment l’attention de la direction — un intrant coûteux — et amoindrissent la capacité de l’entreprise à réaliser des économies d’échelle. Elles imposent aussi des coûts cognitifs aux clients, qui doivent juger si un article convient à l’usage envisagé.

Pour un lecteur d’aujourd’hui, cela peut sembler abstrait. La grande majorité des biens sont standardisés : produits en masse dans des tolérances physiques étroites. Les variations entre unités sont censées être imperceptibles ; deux unités d’un même produit devraient être visuellement indiscernables. Lorsqu’une telle distinction est possible, nous, les clients, attribuons instinctivement la différence à un défaut quelconque¹⁸. Même les fruits et légumes achetés en magasin sont aujourd’hui soigneusement calibrés, ce qui réduit leur variabilité à une fraction de leurs différences naturelles à la récolte. Dans l’industrie, la qualité signifie avant tout l’absence de variation involontaire.

Nous attendons également une forte modularité et une grande interopérabilité entre les actifs. Les conteneurs passent sans difficulté des navires aux camions grâce à des portiques dédiés. Un ensemble limité de dimensions de pneus couvre presque tous les camions. Des dispositions standard des palettes optimisent l’espace des conteneurs, et les chariots élévateurs, conçus pour les palettes, les déplacent efficacement. À chaque étape, des codes-barres sont imprimés, puis lus, souvent par une autre entreprise. En définitive, modularité et interopérabilité découlent d’une standardisation soigneuse, qui simplifie des classes entières d’opérations.

Pourtant, il y a à peine un siècle, la situation était radicalement différente. La plupart des articles produits en masse présentaient encore des variations perceptibles. L’interopérabilité était locale, non mondiale, et la modularité restait largement confinée à chaque entreprise. Après la Seconde Guerre mondiale, les normes s’étendirent en portée et en profondeur parallèlement aux supply chains modernes. Le mouvement eut d’ardents défenseurs, notamment W. Edwards Deming, dont les méthodes de qualité firent de la standardisation une priorité de gestion.

La standardisation est une condition essentielle à la massification du flux : sans elle, de nombreux processus sont irréalisables, les marques sont exposées aux défauts, les responsables courent après les anomalies et la plupart des économies d’échelle restent inaccessibles.

En corollaire, le flux est devenu principalement discret : des unités individualisées, comptées une à une, circulent désormais dans le réseau à la place de tonnes ou de litres anonymes. Le vrac persiste pour le sable, le pétrole brut et les céréales, mais, pour tout ce qui présente un tant soit peu de valeur, la norme est une unité munie d’un code-barres, prête à être scannée.

Ce caractère discret démultiplie l’optionalité. Un wagon d’éthanol présente un choix — expédier ou conserver —, tandis qu’une palette de 120 perceuses électriques présente 120 choix distincts : chaque perceuse peut être séparée du lot, réacheminée, retarifée, intégrée à un kit ou reportée à plus tard. Chaque SKU fonctionne ainsi comme un ticket d’option dont la valeur dépend de l’endroit, du moment et du destinataire de l’exercice final de l’option.

L’avantage est évident : une granularité fine permet à l’entreprise de rediriger les stocks vers des poches de demande émergentes, d’arbitrer de petits écarts de prix et de retarder l’engagement jusqu’au dernier moment possible. L’inconvénient est tout aussi clair : l’espace des décisions explose. Un planificateur qui programmait autrefois deux conteneurs par mois doit désormais orchestrer des milliers de micromouvements par jour. Lorsque la capacité cognitive ou informatique manque, la direction se replie sur des règles grossières — MOQ, cycles fixes, allocations uniformes —, effaçant ainsi une grande partie de la flexibilité qu’elle a payée. Le caractère discret est donc une arme à double tranchant : il multiplie les possibilités tout en renforçant le besoin d’une automatisation capable de les parcourir et de les classer. Nous reviendrons sur cette tension lors de la discussion des processus décisionnels.

Manipuler des unités individuelles n’est pas gratuit : le carton, le code-barres et les manipulations supplémentaires ajoutent tous quelques centimes. Mais, pour tout ce qui dépasse les matières premières les moins chères, ces centimes sont éclipsés par l’avantage d’une allocation précise. Dans les pages qui suivent, chaque unité sera traitée comme une option négociable, et la question sera toujours de savoir quel exercice maximise le bénéfice à long terme. Ce fondement discret étant posé, nous pouvons maintenant passer à la deuxième force structurelle : la mutualisation.

4.3.2 Mutualisation

La mutualisation concentre les stocks en un lieu — ou sous une même entité d’entreprise — pour servir plusieurs flux de demande. Si les surcoûts de cette concentration sont négligeables, elle fournit le même service avec moins de capital que plusieurs stocks indépendants. En pratique, la mutualisation est rentable lorsque les économies sur les coûts de stock dépassent les surcoûts de service. Par exemple, concentrer les stocks en un lieu augmente généralement les coûts de transport par rapport à une desserte depuis plusieurs sites.

La mutualisation atténue la variabilité de la supply chain grâce à la loi des grands nombres : un stock central peut absorber avec souplesse des hausses inégales selon les segments, réduisant le stock total nécessaire pour maintenir les taux de service. Imaginons une seule table où se trouve le champagne de toute une réception plutôt que de nombreuses petites tables. Mutualiser les ressources réduit le risque qu’une table soit à sec, garantissant que chacun soit servi. Bien entendu, la mutualisation peut nuire au service du dernier kilomètre si elle éloigne trop les biens de leur consommation.

Considérons une entreprise qui hésite entre un grand centre de distribution unique et plusieurs entrepôts plus petits. Un centre unique mutualise efficacement la demande et réduit le stock total, mais ajoute aussi des surcoûts : distances moyennes plus longues et davantage de manutention sur la plateforme. Les responsables doivent mettre ces coûts logistiques en balance avec les économies de fonds de roulement. Si les demandes régionales des produits sont fortement corrélées — du fait de la saisonnalité ou de campagnes nationales —, un entrepôt unique apporte moins d’avantages. La corrélation des demandes et la souplesse des clients pour changer de magasin ou de canal érodent les gains théoriques de la mutualisation. Une simulation comparative ou un pilote permet généralement de vérifier si les économies de stock dépassent les dépenses et délais supplémentaires, assurant une valeur nette positive.

En théorie, la mutualisation peut réduire considérablement les fonds de roulement ; en pratique, les frictions rognent les gains et ajoutent des surcoûts. Elle reste néanmoins attrayante dans de nombreux contextes.

Même en laissant de côté les surcoûts de transport, les gains sont moindres pour deux raisons. Premièrement, les flux de demande ne sont jamais indépendants ; au contraire, il faut s’attendre à ce qu’ils soient assez corrélés. Les marchés sont connectés ; si des hausses et des baisses qui se compensent peuvent survenir, le schéma habituel est celui de mouvements conjoints, et non d’une annulation mutuelle. La corrélation a de nombreuses sources, souvent les actions de l’entreprise elle-même. Par exemple, une publicité nationale augmente simultanément la demande dans de nombreux lieux. Si les flux sont parfaitement corrélés, la mutualisation exige autant de fonds de roulement que la décentralisation pour un taux de service donné.

Deuxièmement, lorsque la demande augmente fortement, un client confronté à une rupture locale peut chercher à être servi ailleurs et supporter les surcoûts associés. C’est courant dans les réseaux de distribution denses où plusieurs magasins sont en concurrence dans une même ville. De plus, permettre aux clients de vérifier la disponibilité en ligne amplifie cet effet, les incitant, jusqu’à un certain point, à coopérer avec les politiques de stockage de l’entreprise. Si les clients acceptent pleinement les surcoûts des autres lieux de service, la mutualisation n’apporte aucun bénéfice : la même réduction des stocks était réalisable sans regroupement.

Si l’avenir était parfaitement anticipé, la mutualisation n’apporterait aucun bénéfice ; elle ne ferait qu’ajouter des surcoûts liés à un placement sous-optimal. Elle est répandue précisément parce que l’incertitude future est irréductible.

En termes d’optionalité, la mutualisation réduit le nombre d’options, mais ni leur fréquence ni leur diversité. Elle simplifie donc quelque peu le défi de la supply chain. Toutefois, les entreprises l’adoptent rarement pour cette seule simplification. Empiriquement, les préoccupations de stocks morts et d’espace en rayon dominent le choix des lieux où stocker un produit donné.

4.3.3 Regroupement en lots

Si la mutualisation concentre les stocks dans l’espace, le regroupement en lots concentre le flux dans le temps. Il traite les articles en lots plus importants plutôt qu’un par un, réduisant le coût de traitement unitaire, mais aussi la capacité à servir de petites quantités.

Le regroupement en lots est omniprésent en logistique : dès que le flux dépasse un seuil, les unités sont reconditionnées en lots plus grands. Une progression typique consiste à regrouper \(N\) unités dans une boîte, à réunir \(N\) boîtes en une couche de palette, à combiner \(N\) couches en une palette complète, puis à charger \(N\) palettes dans un conteneur. Le regroupement réduit directement les coûts de manutention, tant à l’intérieur d’un site — l’intralogistique — qu’entre les sites. Les lots simplifient la manutention et le comptage, et leur emballage ajoute souvent une protection physique.

Le regroupement en lots est aussi courant dans la fabrication : il consiste généralement à produire un grand lot d’un même produit avant de changer de production ou de s’arrêter. Cette approche minimise les temps de mise en route et les autres travaux non productifs, comme le réétalonnage, et facilite aussi la logistique après production. Dans les industries de procédés, comme la chimie, des effets d’échelle tels que de meilleurs rendements poussent vers des usines gigantesques et des lots d’une taille correspondante.

Le regroupement en lots augmente la variabilité intrinsèque du flux et amplifie les effets des fluctuations externes du marché. En interne, la variabilité augmente parce que les lots lient le sort de nombreuses unités. Si 100 unités sont expédiées individuellement par différents transporteurs de colis, il serait surprenant qu’elles soient toutes perdues. En revanche, si les 100 unités voyagent dans un seul camion, le faible risque d’accident de la route s’applique désormais à toutes simultanément. Formellement, le regroupement en lots augmente la variance du flux.

Le regroupement en lots amplifie la variabilité externe. Le mécanisme le plus fréquent est l’allongement du cycle du flux. Il réduit la fréquence des acquisitions, du transport et de la production. Dans le langage courant, cet allongement du cycle est appelé « délai plus long ». Dans le regroupement en lots, le délai est la période pendant laquelle l’entreprise doit attendre avant de lancer le lot suivant. Des lots plus grands ou moins fréquents immobilisent davantage de fonds de roulement dans les stocks, car les articles doivent être achetés ou produits bien à l’avance. Ils réduisent aussi la flexibilité : une demande mal évaluée transforme les lots surdimensionnés en surstocks ou en ruptures prolongées, deux situations coûteuses à corriger. Un cycle plus long oblige l’entreprise à fonctionner plus longtemps avant de pouvoir décider de nouveau. Par exemple, avec le regroupement en lots, une demande mal évaluée augmente les surstocks ou prolonge les ruptures, selon qu’elle a été surestimée ou sous-estimée.

Le regroupement en lots réduit l’optionalité en diminuant à la fois la fréquence et le nombre des décisions au cours d’une période, par exemple un mois. Faute d’automatisation adéquate, il est souvent employé avant tout pour simplifier la supply chain. Mais cet arbitrage laisse à l’entreprise moins d’options et moins de flexibilité pour s’adapter aux variations du marché. En pratique, les entreprises choisissent trop souvent de grands lots parce qu’elles manquent de capacités ou de ressources managériales pour traiter des décisions plus fréquentes et plus détaillées. Cela reflète une limite humaine ou organisationnelle, et non une nécessité physique.

Avec une automatisation adéquate, le surcoût de décisions fréquentes concernant les biens physiques devient minimal, souvent négligeable. À mesure que l’automatisation réduit le coût de l’orchestration, le rapport entre risque et rendement des petits lots s’améliore, réduisant à la fois les coûts de stock et les délais. En effet, alors que les ordinateurs modernes fonctionnent à l’échelle de la nanoseconde, les biens physiques sont limités à des échelles de temps de l’ordre du dixième de seconde (0,1 s), un écart qui permet d’accommoder le rythme plus lent des processus physiques sans causer de dégâts. Ainsi, pour un ordinateur moderne, le flux de biens physiques paraît presque figé¹⁹.

4.3.4 Polyvalence

La polyvalence désigne des biens d’équipement — actifs durables comme les machines, les véhicules ou les installations qui rendent possible le flux de biens physiques — capables de remplir plusieurs fonctions distinctes, voire tout un éventail d’opérations. Pourtant, à un instant donné, un bien d’équipement ne peut servir qu’un seul usage ; l’entreprise doit donc affecter chacun à un usage précis à cet instant.

Par exemple, un entrepôt conçu pour maintenir une température ambiante contrôlée, de 15 °C à 25 °C par exemple, pourrait également être équipé de dispositifs capables de prendre en charge une chaîne à température fraîche, de 12 °C à 14 °C par exemple. Même si la capacité de chaîne du froid reste initialement inutilisée, elle peut constituer un investissement judicieux pour s’adapter aux fluctuations futures du marché.

La polyvalence est délibérée : elle renforce l’agilité de l’entreprise et élargit son éventail d’options. Elle entraîne toujours un surcoût associé à l’étendue de ses capacités. Toutes choses égales par ailleurs, un bien d’équipement polyvalent coûte plus cher qu’un bien spécialisé en raison de ses capacités plus larges. En pratique, ces surcoûts sont généralement compensés par la modularisation et sa fréquente compagne, la standardisation.

La modularisation décompose un processus en unités plus petites et interchangeables, qui peuvent être facilement reconfigurées pour différentes tâches. Une fois ces unités standardisées, les entreprises se livrent une concurrence acharnée pour les produire. Cela génère généralement d’importantes économies d’échelle, ne laissant guère d’autre choix aux entreprises que d’adopter des biens d’équipement modulaires pour rester compétitives. L’un des inconvénients est l’augmentation de la complexité globale du flux, les opérations étant subdivisées simplement pour s’adapter aux modules largement disponibles.

La logistique moderne illustre la modularisation par ses codes-barres, ses quais de chargement et ses conteneurs de transport. Sans l’intense standardisation du 20^e siècle, les bénéfices de la modularisation seraient bien moindres. Une entreprise peut imprimer un code-barres et s’attendre à ce qu’une autre le lise parce qu’elles partagent une norme. Un camion peut être chargé sur un site et déchargé sur un autre parce que les hauteurs des quais correspondent à sa conception.

La fabrication moderne s’est transformée de la même manière. Les entreprises utilisent désormais des unités standardisées pour la plupart des processus, ne recourant aux biens d’équipement sur mesure que pour les étapes offrant un avantage concurrentiel unique. Souvent, toute l’installation de production se compose d’éléments standardisés, de sorte que la singularité d’une entreprise tient à sa sélection et à son agencement particuliers de ces unités. De plus, les progrès constants des automates programmables, sous diverses formes, ont rendu ces composants non seulement modulaires, mais aussi très polyvalents.

Chaque bien d’équipement polyvalent exige son propre calendrier d’affectation. À chaque instant, l’entreprise doit décider s’il convient de réaffecter un actif à un autre usage. Pour certains actifs, cette décision est simple et intégrée à la pratique : les flottes de camions, par exemple, suivent généralement des itinéraires fixes. À l’inverse, la polyvalence de certains actifs reste inexploitée ; une installation peut produire une gamme étroite pendant des années alors même que les conditions du marché fluctuent.

La polyvalence des biens d’équipement augmente considérablement le nombre d’options à la disposition de l’entreprise. Non seulement différents biens peuvent être servis par le même dispositif, mais un même service — transport ou transformation — peut être assuré de nombreuses façons, car les capacités des biens d’équipement polyvalents se chevauchent souvent. Par exemple, les camions porteurs fourgons et les semi-remorques sont presque interchangeables pour le transport de biens ; seules les charges les plus lourdes exigent une semi-remorque.

Pourtant, chaque actif présente des coûts d’acquisition et d’exploitation distincts. De plus, tout actif, qu’il soit qualifié de périssable ou non, finira par périr sous l’effet de l’usure. Par conséquent, l’enjeu est considérable lorsqu’il s’agit de déployer le bon actif au bon moment pour chaque tâche, afin d’obtenir le résultat tout en minimisant les coûts.

4.3.5 Des forces aux politiques de décision

Vues sous l’angle de l’économiste, ces forces — standardisation, mutualisation, regroupement en lots et polyvalence — sont quatre façons de remodeler la frontière où les ressources rares rencontrent les usages alternatifs.

Chaque force correspond à un arbitrage économique élémentaire. La standardisation réduit le coût marginal au prix de la variété ; la mutualisation libère des fonds de roulement en acceptant de plus longs trajets du premier kilomètre ; le regroupement en lots échange du risque de stock contre un moindre coût de manutention ; et la polyvalence convertit les dépenses d’investissement en options réelles dont la valeur ne se matérialise que si le système de décision peut choisir le bon moment pour les exercer. Ensemble, elles élargissent l’espace des options bien plus vite que l’attention de la direction ne peut le suivre.

Face à une explosion combinatoire des options, les entreprises adoptent souvent des politiques de décision exprimées sous la forme d’une règle d’allocation simple. Par exemple, une entreprise disposant de deux entrepôts et d’une flotte de camions pourrait décider qu’un camion doit effectuer chaque jour un aller-retour entre les sites pour rééquilibrer les stocks. Cette politique est adoptée avec l’intention implicite d’utiliser ce calendrier rigide pour le rééquilibrage des stocks. Les marchandises à transporter ne sont pas précisées, mais il est tacitement entendu que les responsables utiliseront la capacité quotidienne allouée pour maintenir l’équilibre des stocks. Cette politique d’« un camion » est toutefois simpliste : certains jours, deux camions seraient préférables, tandis que, d’autres jours, des déséquilibres de stock minimes justifieraient de reporter l’aller-retour. De telles politiques fondées sur des règles peuvent être mises en œuvre par logiciel pour prévenir les bons employés au bon moment, mais un employé administratif aurait tout aussi bien pu les superviser sans grand effort.

Toutefois, gouverner la supply chain par de simples politiques fondées sur des règles est largement un vestige du passé. Cela reflète des contraintes devenues caduques avec l’avènement des supply chains numériques. S’en tenir à des règles simples était essentiel lorsqu’un employé administratif était chargé d’exécuter la politique. En revanche, si celle-ci est déléguée à un ordinateur, elle peut devenir bien plus dynamique tout en conservant un surcoût de traitement négligeable. Si cette complexité supplémentaire améliore la supply chain, il en résulte une allocation des ressources bien supérieure. Reprenons l’exemple : une politique plus avancée devrait non seulement considérer la quantité de stock à rééquilibrer, mais aussi comparer les bénéfices du rééquilibrage aux autres usages des camions, comme la livraison des commandes clients. Si les camions constituent le goulot d’étranglement et que les déséquilibres de stock entre les deux entrepôts sont tolérables, tous les camions devraient être affectés aux livraisons clients.

Contrairement à la mutualisation et au regroupement en lots, qui réduisent le nombre d’options, la polyvalence des biens d’équipement l’augmente. Il n’y a aucune raison a priori de penser que toutes ces options sont économiquement équivalentes. Au contraire, de nombreuses options sont mauvaises, et l’une est la meilleure sous un modèle économique donné de la supply chain. Un logiciel appuyé sur du matériel informatique moderne permet de parcourir assez aisément un très grand nombre d’options. Les détails de ce processus importent peu ici ; ce qui compte, c’est que la polyvalence a des conséquences profondes pour les supply chains.

Puisque toute politique de décision est, en définitive, une règle d’allocation, son mérite est économique et non procédural : elle doit augmenter le taux de rendement ajusté au risque des ressources qu’elle pilote. Les heuristiques statiques étaient défendables lorsque les humains étaient le goulot d’étranglement du calcul, mais dès qu’un ordinateur prend en charge la règle, la référence devient le coût d’opportunité, et non la commodité administrative. L’automatisation n’importe donc que dans la mesure où elle permet aux signaux-prix — exprimés dans le modèle par des valorisations et des taux d’actualisation — de se propager à chaque microdécision. En fin de compte, une politique n’est justifiée qu’à hauteur du bénéfice qu’elle génère.

En pratique, l’explosion combinatoire provoquée par les biens d’équipement polyvalents peut sembler intimidante et dépasse souvent aisément la capacité de supervision humaine. Pourtant, les logiciels modernes de supply chain ne se contentent pas d’essayer toutes les possibilités par force brute. Comme nous le verrons dans le chapitre Décisions, l’analyse avancée, appuyée sur des solveurs et des algorithmes heuristiques, peut rendre cette complexité traitable.

4.4 L’objectif de la supply chain

La supply chain a été définie au premier chapitre comme la maîtrise de l’optionalité face à la variabilité dans la gestion du flux de biens physiques. La maîtrise n’est pas ici une vertu abstraite : c’est la capacité concrète à transformer l’optionalité en argent tout en protégeant l’entreprise des conséquences défavorables de l’incertitude. Dans une économie de marché, le critère de cette maîtrise est sans ambiguïté : le bénéfice à long terme, exprimé en monnaie sonnante et trébuchante. L’objectif pratique de la supply chain est donc d’augmenter le taux de rendement ajusté au risque de chaque ressource rare qu’elle mobilise — capital, capacité, temps, bonne volonté — en améliorant continuellement l’étendue et la qualité des options qui peuvent être exercées.

Cet objectif englobe toute intention secondaire qu’un praticien pourrait nourrir. Des taux de service plus élevés, des délais plus courts, des stocks plus légers, des transports plus écologiques, des fournisseurs plus satisfaits, des conditions de travail plus sûres : tout cela compte, mais seulement dans la mesure où cela contribue, directement ou par l’atténuation des risques, à la valeur actuelle nette de l’entreprise. La supply chain n’est pas de la philosophie morale ; c’est une branche appliquée de l’économie qui survit ou périt au verdict des comptes. La recherche du bénéfice ne doit pas être confondue avec une réduction des coûts à courte vue ou la caricature d’une recherche « effrénée » du profit ; c’est la quête disciplinée de l’allocation qui maximise le surplus à long terme tout en respectant la variabilité et l’optionalité.

La suite de cette section explicite cette proposition. Nous revenons d’abord sur les bénéfices et pertes, boucle de rétroaction indispensable qui indique à l’entreprise si ses décisions de supply chain créent ou détruisent de la valeur. Nous expliquons ensuite pourquoi les valorisations objectives sont obligatoires au sein de l’entreprise, alors que toutes les valorisations sont subjectives au niveau individuel, et comment la notion de taux de rendement rend des décisions disparates comparables dans le temps. Enfin, nous abordons les objections fréquentes — moralisatrices, apocalyptiques ou institutionnelles — à la recherche du bénéfice et montrons pourquoi aucune ne dispense une supply chain des lois de l’économie.

4.4.1 Bénéfices et pertes

Les bénéfices et pertes ne sont pas un gadget comptable ; ils sont le tableau des scores d’une société fondée sur le consentement plutôt que sur la coercition. Chaque fois que deux parties échangent, chacune s’attend à améliorer sa situation, faute de quoi aucun accord ne se conclut. Les bénéfices ne naissent donc que dans le domaine de l’échange volontaire. À l’inverse, chaque fois que l’allocation est imposée par la force — ou par une réglementation qui l’imite —, la possibilité même du bénéfice disparaît, remplacée par le tribut, l’impôt ou le pillage²⁰. En termes économiques, les relations humaines s’inscrivent dans un continuum allant du commandement hégémonique à l’échange sans entraves. Les bénéfices n’apparaissent que de ce dernier côté.

Pourtant, un courant bruyant de l’opinion publique continue de présenter le profit comme intrinsèquement exploiteur²¹. Cette vision confond le bénéfice avec le pillage : le second est pris par la force, tandis que le premier ne peut naître que lorsque les deux parties consentent et estiment leur situation améliorée après l’échange. Vu ainsi, le bénéfice possède une dimension morale : il ne s’obtient qu’en servant autrui. Les pertes jouent le rôle inverse. Elles avertissent les entrepreneurs que les clients préfèrent d’autres usages pour leurs ressources rares. Loin d’être nuisibles, les pertes agissent comme le système immunitaire du marché ; elles arrêtent le gaspillage supplémentaire et redéploient le travail, le capital et l’ingéniosité vers des usages plus urgents.

L’histoire rend le contraste saisissant : avant la révolution commerciale du 17^e siècle, les fortunes étaient généralement amassées en conquérant une province, en taxant la paysannerie ou en courtisant les faveurs royales. Depuis l’essor des marchés ouverts, la voie vers la richesse s’est inversée : Rockefeller raffinait le kérosène à moindre coût que quiconque, Akio Morita miniaturisait l’électronique pour les masses, Ingvar Kamprad apprenait le meuble en kit à une planète économe. Là où les bénéfices peuvent être disputés par la concurrence, l’efficacité s’envole ; là où l’allocation se décide par décret, suivent les files d’attente, les pénuries et la rouille.

Les supply chains traduisent ce principe en palettes, en conteneurs et en liaisons de transport. La standardisation réduit le coût unitaire, la mutualisation libère des fonds de roulement, le regroupement en lots arbitre entre dépenses de manutention et réactivité, et la polyvalence transforme les immobilisations en options prêtes à être déclenchées. Pourtant, aucun de ces leviers ne vous dit quand vous arrêter. Le seul arbitre impartial est le compte de résultat : le SKU supplémentaire, le lot plus grand ou la caisse renforcée se rentabilisent-ils une fois la variabilité et les coûts d’opportunité pris en compte ? Si la réponse est oui, le flux augmente ; sinon, il se contracte et le capital migre vers de meilleurs usages.

Les praticiens passent donc à côté de l’essentiel lorsqu’ils poursuivent isolément le « taux de service », la « rotation des stocks » ou tout autre indicateur local. Ces indicateurs ne comptent que dans la mesure où ils augmentent le taux de rendement à long terme de l’entreprise. L’objectif ne change jamais : maximiser l’écart entre ce que les clients paient volontairement et ce que la supply chain consomme irrévocablement, en tenant compte des risques imposés par l’incertitude.

Les sections suivantes démontent les objections habituelles à la recherche du bénéfice et montrent comment une perspective claire de bénéfices et pertes protège la conception de la supply chain aussi bien des sophismes sur tableur que des slogans pieux.

4.4.2 Valorisations objectives

L’économie commence par une observation simple : seuls les individus peuvent ressentir, penser et agir ; eux seuls peuvent donc attribuer de la valeur à quoi que ce soit. Ces valorisations sont subjectives et ordinales : on peut dire que l’on préfère le café au thé, mais aucune arithmétique ne permet d’additionner, de soustraire ou de moyenner les deux préférences. Pire encore pour l’analyste, le classement peut s’inverser demain sans avertissement. Aucun tableur ne peut fixer un prix « intrinsèque » à la première gorgée d’eau, à la centième ou à la millième ; le paradoxe de la valeur demeure une propriété, et non un défaut, de l’action humaine.

Les modèles statistiques peuvent, bien entendu, apprendre à prévoir combien une personne aux moyens ordinaires paiera un expresso ou quelle est sa probabilité d’abandonner un panier d’achat, mais la prévision ne transforme pas une préférence personnelle en quantité objective. Elle caractérise simplement cette subjectivité par une distribution de probabilité, utile au commerce mais muette sur la valeur.

Ce point torpille la théorie de la valeur-travail, qui cherchait à ancrer les prix dans le nombre d’heures de travail « incorporées » à un bien. Les diamants sont chers non parce que les mineurs peinent, mais parce que les acheteurs apprécient leur éclat. Si, demain, chacun décidait que le quartz est plus beau, les mines de diamants fermeraient malgré des apports de travail inchangés.

En 2019, lorsqu’un immense incendie se déclara à Notre-Dame, le public fut rapidement évacué. Alors qu’aucune vie humaine n’était plus en jeu, certains pompiers risquèrent fortement la leur pour sauver ce qu’ils considéraient comme des œuvres d’art intemporelles. En termes économiques, ils exercèrent un jugement de valeur, plaçant de simples objets au-dessus de leur propre vie. La plupart des hommes, dans la même situation, n’auraient pas agi ainsi et auraient cessé de risquer leur vie une fois établi qu’aucune autre n’était menacée. Il est vain d’évaluer ce que « valent » ces objets en heures de travail et combien coûterait la production de répliques presque parfaites. Du point de vue de ces hommes, la valeur historique et artistique de ces objets était catégoriquement supérieure à toute tentative ultérieure de les remplacer. Par leurs actions, les individus libres peuvent exercer des jugements de valeur entièrement arbitraires. Le rôle de l’économie n’est pas de juger si ces jugements sont bons ou mauvais ; elle se contente de reconnaître leur subjectivité irréductible.

Les entreprises ne peuvent toutefois se permettre de telles idiosyncrasies. Dans une entreprise, le directeur général peut adorer les truffes et le directeur financier les détester, mais la seule question admissible est : « Les clients paient-ils assez, et assez tôt, pour couvrir nos coûts ? » Les préférences individuelles ne s’additionnent pas ; elles s’annulent. Ce qui reste, c’est le verdict impersonnel du marché, consigné sous forme d’argent encaissé et décaissé.

Si un employé décide que son entreprise doit valoriser certaines options sans tenir compte de la recherche du bénéfice — « nous devrions stocker ce gadget écologique même s’il ne se vend jamais » —, il ne fait preuve ni de bonté ni de sollicitude ; il s’illusionne simplement en projetant son propre jugement de valeur sur l’entreprise. Ce faisant, il rend un mauvais service à l’entreprise et au marché, car il agit contre les désirs des consommateurs, privilégiant sa propre idée favorite du moment. Naturellement, si l’employé est en désaccord avec la mission générale de l’entreprise, il est de son devoir, en tant qu’individu libre, de démissionner et de chercher un emploi ailleurs. Les désaccords avec l’objectif déclaré de l’entreprise ne doivent pas se régler en sabotant les opérations de l’intérieur.

Une entreprise est donc un instrument de coopération sociale : elle rassemble du capital, des talents et de l’information pour satisfaire les désirs les plus pressants que d’autres expriment par leurs achats. Les bénéfices et pertes transforment ces signaux dispersés en un critère objectif que tout planificateur peut lire : davantage d’unités monétaires gagnées que dépensées signifie que les ressources vont vers des désirs mieux classés ; l’inverse signifie qu’elles sont gaspillées. La pratique de la supply chain doit ancrer toute valorisation dans ce critère, jamais dans le goût personnel, car seuls les prix permettent de ramener des millions d’échelles subjectives à une mesure objective unique.

La question suivante est donc de savoir comment comparer deux options rentables dont les calendriers diffèrent, comme le permettent les taux de rendement.

4.4.3 Taux de rendement

Dès qu’une décision sépare l’engagement d’une ressource de son résultat, le simple calcul du bénéfice ne suffit plus. Les économistes nomment ce phénomène universel préférence temporelle : des biens identiques valent d’autant plus qu’ils sont disponibles tôt. Une tasse de café servie maintenant vaut davantage que la même tasse promise pour la semaine prochaine ; un fournisseur exige généralement un supplément pour un paiement différé de quatre-vingt-dix jours.

La préférence temporelle est d’abord un trait individuel. Chacun actualise les bénéfices futurs selon sa situation, et le marché agrège ces actualisations dans le taux d’intérêt. Le taux d’intérêt quantifie ainsi, à l’échelle de la société, la préférence accordée aux biens présents par rapport aux biens futurs.

Les entreprises obéissent à la même logique. La trésorerie reçue aujourd’hui peut être réinvestie, servir à régler des dettes ou constituer une réserve face à l’incertitude ; celle qui sera reçue l’année prochaine ne le peut pas. Les entreprises intègrent donc un coût du capital explicite — leur préférence temporelle collective — à chaque évaluation d’investissement. Aussi séduisante soit-elle isolément, toute proposition qui ne franchit pas ce seuil détruit de la valeur dès lors que le coût d’opportunité de l’attente est pris en compte.

Une fois la préférence temporelle reconnue, optimiser le bénéfice exige de tenir compte du temps ; plus précisément, l’entreprise doit choisir les options présentant le taux de rendement le plus élevé. Sur le plan conceptuel — en laissant de côté les complications secondaires —, ce taux se calcule ainsi :

\[ \mathtt{RoR}=\frac{\text{recettes} - \text{dépenses}}{\text{dépenses} \times \text{période}} \]

où la période est le temps nécessaire pour réaliser les recettes et les dépenses associées. Le taux de rendement (RoR) s’exprime en pourcentage par unité de temps. Si le RoR est supérieur à zéro, l’entreprise réalise un bénéfice ; s’il est inférieur à zéro, elle subit une perte. Pour comparer deux options, il faut préférer le taux le plus élevé, à condition que les deux soient ramenés à la même période.

Prenons par exemple un magasin qui peut choisir entre deux produits à exposer sur une étagère donnée. Les deux produits se vendent à 3 unités monétaires, avec une demande moyenne de 1 unité par jour. Le premier coûte 1 unité monétaire par unité, tandis que le second en coûte 2. Les coûts de stockage, hors espace en rayon, sont considérés comme négligeables. L’étagère est aussi assez grande pour accueillir suffisamment d’unités pour rendre les ruptures de stock négligeables. Dans cette situation, le premier produit a un RoR de 200 % par jour, contre 50 % pour le second. Il faut donc préférer le premier, dont le RoR est le plus élevé. Ce résultat n’a rien de surprenant : les produits sont identiques, à ceci près que la marge brute du premier est le double de celle du second. Le RoR fournit simplement le critère de classement qui formalise ce choix.

Dans les situations courantes de supply chain, maximiser le RoR tend à allouer davantage de capacité, de stock et d’espace en rayon aux produits dont les volumes sont plus importants ou la rotation plus rapide. C’est toutefois le RoR qu’il faut optimiser, et non des indicateurs arbitraires dépourvus de fondement économique, comme les taux de service. De nombreux auteurs de supply chain prennent pour une causalité la corrélation approximative entre un RoR plus élevé et des volumes ou des rotations plus élevés. Des méthodes de classification des stocks sont ainsi fréquemment proposées pour segmenter les produits en classes²² reflétant leurs volumes et/ou leur irrégularité, puis ajuster les allocations de ressources selon cette segmentation. Ces méthodes confondent corrélation et causalité : c’est le RoR qu’il faut optimiser. Imiter ses conséquences approximatives est une erreur de catégorie qui réduit les rendements.

En pratique, le taux de rendement présente une série de complications :

1. Le calcul du RoR dépend de l’attribution des recettes et des dépenses, un problème difficile.

2. Les recettes et les dépenses ne surviennent pas au même moment ; il existe rarement une période commune.

3. Les recettes doivent survenir le plus tôt possible et les dépenses le plus tard possible ; les flux de trésorerie doivent être actualisés.

4. Le décalage entre les dépenses futures et les recettes futures doit respecter la contrainte de liquidité de l’entreprise.

5. Les dépendances entre les options font dépendre le RoR de leur ordre de sélection.

6. Les recettes et les dépenses futures sont toutes deux incertaines, et cette incertitude doit être modélisée.

Aucune de ces complications n’est insurmontable en pratique, même si toutes comportent une part d’approximation.

4.4.3.1 Attribution des recettes et des dépenses

Le RoR reflète une vision idéalisée des flux physiques. Les contraintes exigent toutefois une modélisation économique non triviale. Pour calculer le RoR d’une option donnée, il faut donc isoler cette option de l’entreprise, généralement par une attribution économique. Nous aborderons ce point plus bas ; retenons pour l’instant qu’il n’existe pas de correspondance univoque entre recettes, dépenses et options. Le RoR est donc une perspective de modélisation de la supply chain, et non une vérité qui va de soi.

Considérons par exemple un magasin qui a le choix entre deux produits. Le premier nécessite un stock de 100 unités monétaires — renouvelé quotidiennement — pour générer 140 unités monétaires de recettes par jour. Le second nécessite un stock de 150 unités monétaires pour en générer 200 par jour. Les deux produits occupent exactement le même espace en rayon. Dans ce cas, le RoR du premier est de 40 % par jour, contre 33 % pour le second. Selon le principe consistant à choisir les options qui produisent le RoR le plus élevé, le propriétaire du magasin devrait donc choisir le premier. Ce choix est pourtant surprenant : il retient le produit qui générera finalement le moins de bénéfice brut en valeur absolue au fil du temps. Pour un magasin où les coûts fixes prédominent, cela semble incorrect.

En effet, le modèle naïf ci-dessus ignorait les coûts fixes du magasin. Affinons-le en attribuant une part de ces coûts aux produits. Le coût fixe quotidien attribué est de 40 unités monétaires. Le coût quotidien du premier produit devient donc \(100+40=140\) unités monétaires, et celui du second \(150+40=190\) unités monétaires. Dans ce modèle révisé, le RoR du premier devient 0 % par jour, contre 5,3 % pour le second. Ce modèle affiné conduit donc à privilégier le second produit.

Cette situation n’a rien d’exceptionnel : ce qui est meilleur dépend du modèle économique adopté pour la supply chain. Malheureusement, aucun critère unique et simple ne permet de déterminer quel modèle est supérieur ; la pertinence de chacun dépend de sa capacité à saisir la réalité économique qu’il doit éclairer. Cette difficulté relève de l’intelligence générale. Cela ne signifie pas que tout se vaut ; nous reviendrons plus loin sur cette catégorie de difficultés.

4.4.3.2 Taux de rendement apériodique

Dans les manuels de finance, le taux de rendement (RoR) est presque toujours lié à un horizon fixe — un mois, un trimestre, une année —, car c’est le rythme de la comptabilité et de la fiscalité. À l’échelle élémentaire de l’exécution de la supply chain, ces calendriers s’adaptent pourtant mal. Passer une commande, lancer une démarque, allouer une palette ou programmer un camion sont des décisions atomiques dont les décaissements et les encaissements se succèdent à intervalles irréguliers. Un étalon de douze mois brouille leur raison d’être : recycler le capital le plus vite possible.

Le RoR apériodique supprime ce carcan calendaire. Au lieu d’enfermer chaque option dans une fenêtre arbitraire, il pose une seule question : au bout de combien de temps l’option aura-t-elle remboursé la trésorerie qu’elle a immobilisée et commencé à faire fructifier son excédent par capitalisation ? Ce délai propre à l’option devient la période implicite de la formule du RoR et donne un taux composé comparable entre décisions, même si chacune suit sa propre horloge.

Comme le calcul est effectué à l’échelle de chaque option, les résultats sont très dispersés : des écarts d’un, voire de deux ordres de grandeur sont courants. Le réapprovisionnement d’un article à rotation rapide et à forte marge peut dépasser 1 000 % par an en termes apériodiques, tandis que celui d’un article à rotation lente dans l’allée voisine peine à atteindre 10 %. Cette dispersion n’est pas un défaut de modélisation ; c’est le signal qui indique au capital où il est urgemment nécessaire et où il meurt à petit feu.

Sur le plan opérationnel, le RoR apériodique fait glisser un curseur le long de la chronologie des flux de trésorerie de l’option et calcule, à chaque date, le taux qui prévaudrait si la position était liquidée à cet instant. Il conserve la valeur maximale ; la date correspondant à ce sommet devient l’horizon implicite de l’option. En un seul nombre, l’indicateur saisit à la fois l’ampleur du gain et le rythme le plus rapide auquel le capital immobilisé peut fructifier par capitalisation. La règle exacte est détaillée en annexe.

4.4.3.3 Flux de trésorerie actualisés

La sous-section précédente a présenté le taux de rendement comme un étalon de la vitesse à laquelle le capital engagé fructifie par capitalisation. La vitesse ne représente toutefois que la moitié de la question temporelle. Une unité monétaire reçue aujourd’hui vaut davantage que la même unité reçue le trimestre prochain, car la première peut être réinvestie, conservée comme réserve ou simplement produire des intérêts entre-temps. Le flux de trésorerie actualisé est la traduction numérique de la préférence temporelle : chaque encaissement ou décaissement futur est multiplié par un facteur d’actualisation qui diminue avec le temps, de sorte que chaque mouvement de trésorerie s’exprime en « unités monétaires d’aujourd’hui ». Le facteur d’actualisation découle du coût du capital de l’entreprise, c’est-à-dire de l’intérêt effectivement payé pour disposer de liquidités. La formule précise figure en annexe.

Autrement dit, le flux de trésorerie actualisé mesure le montant absolu gagné ou perdu en tenant compte de la valeur temporelle de l’argent. Du point de vue de la supply chain, le taux d’intérêt représente le coût de financement de l’entreprise. En finance, ce taux sert souvent aussi d’approximation de l’incertitude associée aux délais, mais dans les applications de supply chain, d’autres mécanismes, détaillés plus loin, permettent de mieux traiter cette incertitude.

La mode, souvent confrontée à de longs délais et à des contraintes de trésorerie, offre une illustration pratique des flux de trésorerie actualisés dans les décisions d’expédition et de stock. Imaginons une marque de mode de milieu de gamme qui doit commander sa nouvelle collection six mois avant la saison. Elle négocie des conditions exigeant un acompte important à la commande, le solde étant dû à l’expédition. Même si les fonds empruntés ne coûtent, par exemple, que 10 % par an, le taux de rendement effectif de ces commandes anticipées peut largement dépasser ce chiffre. En effet, le capital de la marque est immobilisé bien avant que les recettes ne se matérialisent, et toute erreur d’appréciation des tailles, des couleurs ou du style gonfle le coût effectif des marchandises. À l’arrivée de la saison, la marque peut démarquer les articles qui se vendent lentement, ce qui ajoute au coût d’opportunité de l’argent qui aurait pu être investi dans une gamme plus prometteuse. À l’inverse, une commande bien choisie, conforme à la demande, peut s’écouler rapidement au prix fort et produire un taux de rendement largement supérieur au coût du capital. Ainsi, l’interaction entre les longs délais, les délais de paiement étendus et l’incertitude du marché pèse souvent davantage que le taux d’intérêt ambiant dans la rentabilité réelle de chaque décision de supply chain.

En pratique, pour les décisions de supply chain, le taux d’intérêt ambiant importe moins que le taux de rendement, largement déterminé par la rotation des stocks. Il ne s’agit pas de nier l’importance des taux d’intérêt. Cependant, une unité de stock rapportant 10 % par rotation et tournant dix fois par an atteint, par capitalisation, \(1.1^{10}\approx 2.59\), soit 159 % par an. Une même entreprise vend souvent des produits dont les taux de rendement vont de 1 % à 1 000 % par an. Ce large éventail provient surtout de rotations des stocks allant d’un rythme quotidien à un rythme annuel. En raison de tels écarts, la qualité de service qui maximise le bénéfice varie fortement d’un produit à l’autre. Les stratégies de stockage divergent en conséquence.

Un taux de rendement annuel de 1 000 %, sans être inhabituel pour le flux d’un produit isolé au sein d’une supply chain, dépasse de plus d’un ordre de grandeur ce que la finance juge « plausible ». Naturellement, ce calcul ignore les coûts fixes, au premier rang desquels les infrastructures. Une fois ces coûts pris en compte, les taux de rendement effectifs des supply chains s’alignent sur ceux de l’économie dans son ensemble.

4.4.3.4 Flux de trésorerie et fonds de roulement

Les taux d’intérêt fixent le plancher du coût de la liquidité ; ils importent donc à toute supply chain. En pratique, ils évoluent toutefois généralement dans une plage relativement étroite — disons environ 10–20 % par an —, alors que les rendements des cycles de stock couvrent couramment deux ordres de grandeur. Par conséquent, ce qui contraint le plus souvent les planificateurs n’est pas le prix exact de l’argent, mais sa disponibilité. Un acheteur qui peut mobiliser des fonds à 12 % au lieu de 8 % poursuivra tout de même son opération si le stock qu’il finance produit un rendement composé de 300 % par an ; à l’inverse, un prêt au taux nominal de 2 % est inutile une fois la ligne de crédit épuisée. La gestion des flux de trésorerie est donc cruciale, surtout dans les entreprises qui doivent transférer des fonds des mois avant que les marchandises passent la douane ou arrivent en rayon ; les collections de mode, les jouets pour les fêtes et les gadgets de haute technologie en sont des exemples courants.

Prenons une entreprise dont la banque accorde une ligne de crédit renouvelable plafonnée à 25 % du chiffre d’affaires moyen des trois dernières années, au taux uniforme de 10 % par an. Jusqu’à cette limite, les fonds peuvent être mobilisés du jour au lendemain ; dès que le plafond est atteint, chaque unité monétaire supplémentaire exige une nouvelle négociation et peut être refusée. D’autres recours — apports de fonds propres, dette mezzanine, affacturage fournisseurs — existent certes, mais aucun ne s’obtient du jour au lendemain, et tous comportent des coûts explicites et implicites nettement plus élevés. La liquidité est donc tarifée selon une courbe par morceaux plutôt que par un nombre unique, et tout modèle supposant un taux d’intérêt uniforme ignore précisément la non-linéarité qui se révèle le plus souvent contraignante en pratique.

Les non-linéarités de l’accès à la liquidité expliquent pourquoi les conditions de paiement revêtent souvent une importance primordiale en supply chain. Elles déterminent fortement le besoin en fonds de roulement de l’entreprise. À long terme, réduire ce besoin améliore la rentabilité en diminuant les intérêts versés aux prêteurs ; à court terme, cela fait souvent la différence entre une entreprise qui fonctionne sans heurts et une autre contrainte à des choix inférieurs, faute de liquidités suffisantes pour accéder aux meilleures options.

Par exemple, une marque de mode peut devoir commander les pièces de sa nouvelle collection plus de six mois avant le début de la saison. Les fournisseurs étrangers peuvent exiger des paiements anticipés importants. Si la marque prévoit des ventes plus fortes pour cette collection, elle peut passer des commandes plus volumineuses. Une ligne de crédit insuffisante peut toutefois la bloquer. Elle passe alors des commandes plus petites, ce qui peut provoquer d’importantes ruptures de stock en aval. Naturellement, du point de vue du prêteur, le plafond n’est pas arbitraire : il ne partage tout simplement pas l’optimisme de la marque quant au succès exceptionnel de la collection.

L’hypothèse d’un taux d’intérêt uniforme tient rarement, bien qu’elle constitue une approximation acceptable dans certaines situations. Le cas le plus simple est celui d’une entreprise ayant accès à des liquidités très supérieures aux possibilités rentables offertes par sa supply chain. Un cas un peu plus subtil est celui d’une entreprise dont le besoin en fonds de roulement est négatif.

Pour l’illustrer, considérons un distributeur dont le stock en magasin tourne chaque mois, avec un délai fournisseur négligeable. Supposons que les fournisseurs soient payés deux mois après livraison et que les produits soient vendus en magasin avec une marge brute de 20 %. Dans ces conditions, pour quatre unités monétaires de marchandises détenues en magasin, le distributeur a un besoin en fonds de roulement de \(-2\) unités monétaires. En effet, lorsque les marchandises doivent être payées, le stock a tourné deux fois en moyenne, produisant deux unités monétaires de bénéfice brut. Le distributeur a ici un besoin en fonds de roulement négatif, du moins sous le seul angle des flux de trésorerie.

Cet exemple ne doit pas être confondu avec des taux d’intérêt négatifs ; le distributeur reste soumis aux taux du marché.

Revenons au cas plus courant d’un plafond à court terme sur le fonds de roulement : il faut une méthode numérique pour comparer les options. On peut, sur le plan conceptuel, choisir un ensemble d’options réalisables qui respectent collectivement la contrainte de fonds de roulement, une démarche proche du recours à un solveur généraliste. Des heuristiques plus simples sont toutefois possibles, par exemple l’introduction d’une composante du coût de l’argent qui dépend du temps.

4.4.3.5 Options dépendantes

L’indicateur de taux de rendement désigne la meilleure prochaine utilisation du capital, mais les options elles-mêmes sont rarement indépendantes. La plupart puisent dans les mêmes réserves limitées — trésorerie, espace en rayon, capacité des véhicules — et interagissent donc. Ces interactions peuvent être concurrentielles, lorsque deux SKU se disputent le même emplacement ; complémentaires, lorsque le café et le sucre stimulent réciproquement leurs ventes ; ou séquentielles, lorsque la seconde palette n’a de sens qu’une fois la première allouée. Reconnaître ces couplages est indispensable pour traduire l’indicateur en décisions judicieuses.

Une heuristique pratique pour les options dépendantes consiste à laisser le taux de rendement guider une sélection successive, option par option. On choisit l’option dont le taux actuel est le plus élevé, on actualise tous les taux restants pour refléter les ressources qui viennent d’être engagées ou libérées, puis on choisit à nouveau, et ainsi de suite jusqu’à ce que toutes les contraintes soient saturées. Les informaticiens parlent d’algorithme glouton ; son résultat est une liste priorisée. Comme chaque mise à jour propage les contraintes actuelles, la liste ne reste pas nécessairement dans un ordre parfaitement décroissant : la plupart des taux baissent à mesure que la concurrence se renforce ; quelques-uns peuvent même augmenter lorsqu’une complémentarité devient exploitable. Pourtant, chaque étape reste le meilleur choix disponible à cet instant. Lorsque les couplages sont faibles, ce passage glouton suffit ; lorsqu’ils sont forts — tournées de véhicules ou séquencement de la production —, un solveur plus lourd, explorant de nombreux chemins combinatoires, surpasse l’heuristique tout en reposant sur le même socle de valorisation.

Considérons par exemple le réapprovisionnement d’un magasin. Selon le taux de rendement, on sélectionne une unité à ajouter au magasin : celle qui offre le taux le plus élevé. Une fois cette unité conceptuellement ajoutée, les taux de rendement sont ajustés. L’unité suivante du même produit présente un taux inférieur, car l’accumulation de stock dans un même magasin produit des rendements décroissants. Une seconde unité est alors choisie à partir des taux révisés. Le processus est répété jusqu’à atteindre la capacité des rayons du magasin.

L’optimisation gloutonne offre plusieurs avantages majeurs. Premièrement, elle exige seulement d’établir les taux de rendement des options. Deuxièmement, le processus est simple et observable : la liste priorisée donne une image complète de la progression de l’algorithme. Troisièmement, correctement mise en œuvre, elle est généralement plus rapide de plusieurs ordres de grandeur que les approches non gloutonnes.

Une implémentation naïve de cette logique d’optimisation gloutonne entraîne un coût de calcul quadratique par rapport au nombre d’options concurrentes. Dans la plupart des situations de supply chain comportant des milliers d’options, ce coût quadratique est inacceptable. Certaines méthodes, qui dépassent le cadre de cette discussion, atténuent toutefois ce surcoût et ramènent la complexité à un temps quasi linéaire.

La plupart des problèmes de supply chain se prêtent bien aux méthodes gloutonnes ou quasi gloutonnes, car les options sont faiblement couplées. Ce n’est pas un hasard : les entreprises évitent délibérément les systèmes qui ressemblent à des énigmes cryptographiques ; ce qui est difficile pour un ordinateur l’est aussi pour l’esprit humain.

Par exemple, un distributeur spécialisé vendant trois produits techniques — A, B et C — généralement achetés ensemble dans un rapport fixe pour former un kit, par exemple deux unités de A, cinq de B et sept de C, peut simplifier sa gestion des stocks. Au lieu de suivre trois articles distincts, il traite le kit préassemblé \(K\) comme un seul article en stock, tout en conservant un petit surplus de composants individuels pour les exceptions. Ce regroupement réduit la complexité et simplifie le réapprovisionnement.

L’optimisation gloutonne ne convient toutefois pas à toutes les situations de supply chain : les tournées de véhicules et l’ordonnancement de la production en sont des exceptions notables. Plus généralement, les problèmes comportant des séquences de décisions fortement interdépendantes se prêtent mal à la méthode gloutonne. Cela dit, de nombreuses situations de supply chain, sinon la plupart, peuvent être traitées de manière quasi gloutonne moyennant de légers ajustements. Par exemple, lorsqu’on passe simultanément des commandes à plusieurs fournisseurs, chacun imposant sa propre quantité minimale de commande (MOQ), une stratégie gloutonne peut produire des résultats irréalisables, comme une série de commandes incomplètes qui n’atteignent pas les seuils dans la limite du budget. Une petite heuristique suffit pourtant à lever cette difficulté : on peut écarter les fournisseurs de manière itérative, en commençant par ceux qui procurent les rendements les plus faibles, puis redistribuer le budget entre les fournisseurs restants.

Si les complications liées aux options dépendantes ne remettent pas en cause le principe consistant à sélectionner les options au taux de rendement le plus élevé, elles peuvent rendre les méthodes de sélection naïves inefficaces. Pour traiter ces complexités, des logiciels d’optimisation dédiés, souvent appelés solveurs, sont nécessaires. Ces solveurs optimisent notamment un large éventail de fonctions de perte — la quantité à minimiser —, un sujet abordé plus loin dans le chapitre Décisions.

4.4.3.6 Taux de rendement incertain

Les interdépendances constituaient le premier obstacle ; l’incertitude est le second. Même après avoir décrit la concurrence entre les options pour la trésorerie, la capacité ou l’espace en rayon, nous ignorons encore quels chiffres se matérialiseront lorsque ces options se réaliseront. La demande, les délais, les rendements de production et les prix au comptant fluctuent tous hors du contrôle du planificateur. Le principe directeur demeure pourtant : choisir l’option dont le rendement économique est le plus élevé, mesuré non en un point, mais en espérance. En pratique, il faut remplacer chaque gain déterministe par son équivalent pondéré par les probabilités : énumérer les scénarios plausibles, attribuer à chacun une probabilité, appliquer la formule déterministe dans chaque branche, puis faire la moyenne des résultats. On obtient ainsi une espérance de taux de rendement, comparable entre options comme auparavant.

Bien que simple sur le plan conceptuel, la perspective probabiliste présente ses propres difficultés. Premièrement, les probabilités doivent être estimées : c’est l’essence de la prévision probabiliste. Deuxièmement, l’avenir dépend de décisions qui n’ont pas encore été prises : le taux de rendement d’une option dépend de la manière dont les options futures seront sélectionnées. Choisir les options présentes et futures dans l’incertitude est l’essence de l’optimisation stochastique.

La prévision probabiliste et l’optimisation stochastique sont des sujets techniques qui seront abordés dans le chapitre L’avenir. La vision probabiliste du taux de rendement n’est pourtant pas une simple curiosité théorique. Avec un logiciel adapté, les options de supply chain réelles peuvent et doivent être évaluées selon cette méthode. Naturellement, les approximations sont inévitables — le nombre d’avenirs possibles est infini —, mais cela ne réduit pas la valeur pratique de cette approche.

4.4.4 Connivence et capture réglementaire

La recherche du profit est souvent caricaturée comme une quête froide du « toujours plus, à n’importe quel prix ». En réalité, dans un marché concurrentiel, le bénéfice est simplement la reconnaissance obtenue en satisfaisant les besoins les plus urgents d’inconnus tout en consommant le moins de ressources rares possible. Le bénéfice est donc un résultat, et non une doctrine.

Derrière le seul mot « profit » se cachent trois comportements radicalement différents. La véritable recherche du profit dégage des marges en offrant une meilleure combinaison de disponibilité, de qualité et de prix. Le bénéfice à long terme dépend donc du soin apporté aux bonnes relations avec les clients, les fournisseurs et les employés. Les tactiques de terre brûlée qui embellissent le tableur d’aujourd’hui mais érodent les options de demain se révèlent contre-productives une fois leur taux de rendement complet calculé.

Le deuxième comportement est la recherche du profit « sans fard » que la culture populaire aime condamner : déverser des déchets dans les rivières, brutaliser les fournisseurs ou attirer les clients par une offre trompeuse pour leur en imposer une autre. Cette conduite n’est pas la conséquence logique de la recherche du profit ; elle résulte d’un calcul économique défectueux. Lorsque les amendes, les procès, la fuite des talents et les atteintes à la marque sont ramenés à leur valeur actuelle, le mirage disparaît. L’analyse moderne de supply chain existe précisément pour mettre au jour ces coûts latents en les transformant en valorisations fictives qui imposent une discipline à chaque décision.

Le troisième comportement relève du capitalisme de connivence et de la capture réglementaire. Une entreprise qui fait pression pour obtenir des droits de douane, des licences exclusives ou des normes obligatoires ne réalise pas un bénéfice : elle prélève une rente. Aucun client n’est mieux servi ; les ressources sont simplement détournées par le privilège politique. Les rentes faussent tous les signaux de la supply chain : l’optionalité se réduit, l’innovation stagne et le taux de rendement apparent est soutenu par la loi plutôt que par la performance.²³

La discipline présentée dans ce livre vise la première voie tout en prémunissant l’entreprise contre les deux autres. Toutes les techniques qui suivent supposent un marché ouvert : elles comparent chaque option à ce qu’un concurrent vigilant pourrait faire demain, et non à un privilège obtenu hier au parlement. Rétablissez une véritable concurrence, et la même mécanique d’optimisation devient un moteur de création de richesse ; laissez les rentes s’accumuler, et aucune finesse de prévision ne pourra sauver l’équation économique.

4.4.5 Objectifs supra-économiques

Une objection récurrente aux entreprises qui recherchent le profit invoque des objectifs supra-économiques : des fins supposées supérieures aux simples considérations monétaires, qui justifieraient donc de s’affranchir de la discipline des prix, des coûts et des coûts d’opportunité. Ces appels prennent généralement deux formes. La première est moralisatrice : la conviction que l’entreprise devrait faire avancer une cause éthique ou sociale au-delà du service rendu aux clients. La seconde est apocalyptique : la prédiction d’une catastrophe imminente qui exige de sacrifier immédiatement la rentabilité pour éviter le désastre. Les deux catégories seront examinées dans les pages qui suivent.

Pour les entreprises qui opèrent sur des marchés ouverts, invoquer une finalité supérieure ne dissout pas la rareté ; cela ne fait que renommer les arbitrages. Chaque palette, chaque heure de travail et chaque unité monétaire consacrées à un objectif sont inévitablement soustraites à un autre. Le calcul économique n’est donc pas une vision du monde facultative, mais la seule manière cohérente de comparer les possibilités. Les institutions qui reposent sur la coercition — les armées, par exemple — sortent du cadre de ce livre précisément parce que leurs ressources ne sont pas allouées par l’échange volontaire. Pour toutes les autres organisations, la prétendue suprématie des objectifs supra-économiques est une illusion ; en pratique, elles doivent toujours déterminer si détourner des ressources de leur mission centrale crée ou détruit de la valeur à long terme.

4.4.5.1 Préoccupations moralisatrices

En termes de supply chain, une préoccupation moralisatrice affirme que les gens devraient consommer moins — ou davantage — de quelque chose, et que l’entreprise devrait donc contribuer à orienter le changement social souhaité. Les détails varient selon les époques et les lieux.

Par exemple, en Ruritanie, une religion dominante pourrait déclarer que la consommation de lait par les adultes est un signe de dépravation et que le lait doit être réservé aux enfants. En réponse, une entreprise ruritanienne pourrait réduire volontairement la quantité et la variété des bouteilles de lait commercialisées auprès des adultes, prenant ainsi les devants pour mettre en œuvre ce changement social apparemment souhaitable. Une telle mesure n’affecterait pourtant guère le marché. Contrairement au cliché répandu du « pouvoir économique », une entreprise ne peut pas forcer les clients à acheter ses produits ou à y renoncer. Si elle réduit arbitrairement la production de bouteilles de lait destinées aux adultes, il suffit qu’un concurrent augmente sa production pour que la demande reste aussi bien satisfaite.

Si, en revanche, l’hostilité du public ruritanien envers le lait en bouteille pour adultes est telle que de nombreux clients boycottent d’autres produits sans rapport, il peut être raisonnable d’abandonner entièrement cette gamme, éventuellement en cédant l’activité si sa production peut être séparée des autres gammes. Cette approche diffère fondamentalement d’une simple réduction de l’offre dans l’espoir illusoire de réduire la demande globale du marché.

Les préoccupations moralisatrices portent couramment sur des aliments ou des boissons jugés inappropriés, soit en raison de préjudices supposés pour les individus, soit à cause de dommages occasionnés pendant leur production. Le véganisme est, par exemple, l’une des doctrines les plus récentes d’un ensemble par ailleurs extrêmement diversifié. Ces préoccupations s’étendent aussi au pays d’origine, souvent sur la base de conceptions mercantilistes²⁴ erronées du commerce, par exemple « nous sommes en guerre économique avec la Ruritanie », ou de perceptions des conditions de travail dans ces pays, comme « la Ruritanie laisse ses entreprises exploiter indûment ses citoyens ».

La supply chain ne s’intéresse aux positions moralisatrices que dans la mesure où fournir un type de bien ou utiliser un facteur de production particulier peut compromettre sa capacité générale à fonctionner. Une atteinte à la marque peut éloigner les clients ou diminuer l’attrait de l’entreprise auprès des employés potentiels. Ces préoccupations sont réelles et peuvent être quantifiées comme tout autre risque. Les calculs économiques peuvent indiquer que ces risques sont excessifs et que l’entreprise devrait quitter un segment de marché pour minimiser ses pertes futures. Ces calculs ne doivent toutefois pas être confondus avec les jugements de valeur personnels des employés de supply chain.

La difficulté est cependant aggravée par les incitations perverses auxquelles les employés²⁵ sont soumis en matière de préoccupations moralisatrices. En défendant publiquement une telle préoccupation, selon un procédé appelé affichage de vertu, un employé se présente comme particulièrement vertueux, davantage que ses pairs. L’affichage de vertu a été et reste efficace parce que la politique interne des entreprises tend à récompenser ceux qui se conforment le plus aux normes sociales dominantes, plutôt que les seuls employés qui contribuent à la rentabilité.

Au sein d’une supply chain, ce n’est pourtant pas l’individu qui affiche sa vertu qui supporte le coût du changement de conduite, mais l’entreprise elle-même et, dans une certaine mesure, le marché, qui sera moins bien servi jusqu’à ce qu’un concurrent comble le manque. Les dirigeants doivent donc rester vigilants face à cet affichage de vertu. Les grandes entreprises sont particulièrement vulnérables à cette catégorie de comportements antisociaux, qui sapent l’autorité de la hiérarchie officielle et sa capacité à orienter l’entreprise vers le service aux clients.

4.4.5.2 Préoccupations apocalyptiques

Tout au long de l’histoire, une fascination pour l’anéantissement a saisi une part importante de l’humanité. Explorer ces fascinations morbides et comprendre pourquoi elles perdurent depuis des millénaires relève de la psychologie, de la sociologie et de l’histoire. Les supply chains ne sont concernées que dans la mesure où ces fascinations entravent la conduite des affaires. L’histoire livre deux observations : premièrement, l’ampleur et l’impact des préoccupations apocalyptiques ont été considérables ; deuxièmement, leurs caractéristiques ont varié radicalement d’une décennie à l’autre. Passons en revue une courte liste d’apocalypses modernes qui ont eu leur heure de gloire.

• Surpopulation (18^e–19^e siècles) : La croissance démographique rapide de la première révolution industrielle a conduit de nombreux intellectuels à croire qu’elle dépasserait inévitablement la production alimentaire, entraînant une famine généralisée et l’effondrement de la société. (Voir An Essay on the Principle of Population (1798), de Thomas Malthus.)

• Dégénérescence de la race (années 1920–1930) : Les craintes de dégénérescence raciale et génétique, influencées par l’eugénisme et les théories raciales pseudoscientifiques, annonçaient le déclin des civilisations sous l’effet du mélange des races. (Voir The Passing of the Great Race (1916), de Madison Grant.)

• Prise du pouvoir par les communistes et peur rouge (années 1950) : La montée de l’Union soviétique et l’expansion du communisme ont suscité la crainte d’une prise de pouvoir communiste mondiale, entraînant la peur rouge et le maccarthysme aux États-Unis. (Voir The Naked Communist (1958), de W. Cleon Skousen.)

• Agriculture chimique (années 1960) : Les effets néfastes des pesticides, notamment du DDT, sur l’environnement et la santé publique ont mis en lumière des préoccupations plus larges concernant la pollution industrielle et l’effondrement écologique. (Voir Silent Spring (1962), de Rachel Carson.)

• Hiver nucléaire et refroidissement mondial (années 1970) : En pleine guerre froide, la crainte d’un hiver nucléaire — conséquence d’une guerre nucléaire provoquant un refroidissement mondial — s’est mêlée aux inquiétudes concernant une éventuelle période glaciaire naturelle. (Voir The Cooling: Has the Next Ice Age Already Begun? (1976), de Lowell Ponte.)

• Épuisement des ressources (années 1970–1980) : De nombreuses prédictions annonçaient que l’humanité allait manquer de ressources essentielles comme le pétrole et les minerais, entraînant l’effondrement de la société. (Voir The Limits to Growth (1972), de Meadows et al.)

• Accès à l’eau douce (années 1980–1990) : L’épuisement et la pollution des ressources en eau douce étaient censés entraîner de graves pénuries et des conflits autour de l’eau. (Voir Cadillac Desert: The American West and Its Disappearing Water (1986), de Marc Reisner.)

• Pluies acides (années 1990) : On craignait que les émissions industrielles responsables des pluies acides ne dévastent les forêts, les lacs et les bâtiments, causant des dommages écologiques généralisés. (Voir Acid Rain: Its Causes and its Effects on Inland Waters (1992), de B. J. Mason.)

• Appauvrissement de la couche d’ozone (années 1990) : L’appauvrissement de la couche d’ozone dû aux gaz réfrigérants, entraînant une augmentation du rayonnement ultraviolet, des cancers de la peau et des perturbations écologiques. (Voir Ozone Diplomacy: New Directions in Safeguarding the Planet (1991), de Richard Elliot Benedick.)

• Réchauffement climatique (années 2000) : La hausse des concentrations de gaz « à effet de serre » était censée provoquer des changements climatiques catastrophiques, notamment une élévation du niveau de la mer, des phénomènes météorologiques extrêmes et une perte de biodiversité. (Voir An Inconvenient Truth: The Crisis of Global Warming (2006), d’Al Gore.)

• Changement climatique (années 2010–2020) : Dans le prolongement du récit du réchauffement climatique, le changement climatique englobe des préoccupations plus larges concernant des impacts environnementaux imprévisibles et graves, menaçant la pérennité de la civilisation humaine. (Voir The Uninhabitable Earth: Life After Warming (2019), de David Wallace-Wells.)

Cette liste couvre les 150 dernières années, mais pourrait remonter sur des millénaires. Elle ne vise pas à valider ou à réfuter ces menaces : ces jugements sortent du domaine de la supply chain et relèvent des sciences spécialisées. Elle illustre plutôt l’ampleur du phénomène et l’instabilité des caractéristiques particulières des menaces invoquées.

Les préoccupations apocalyptiques sont supra-économiques parce qu’elles reposent sur l’idée que, faute d’y répondre, le monde — et donc l’économie de marché — prendra fin ou restera dans un état irrémédiablement dégradé. Par définition, une préoccupation apocalyptique prime sur les besoins particuliers de tout individu. Après tout, aucun individu ne peut être autre chose qu’insignifiant face à la possibilité de l’anéantissement d’une part importante de l’humanité, voire de son ensemble.

Pour les peurs apocalyptiques passées de mode, il est évident que les entreprises qui ont historiquement alloué des ressources à ces causes se sont gravement fourvoyées, s’infligeant des dommages considérables. Peu de dirigeants soutiendraient encore qu’une politique de recrutement explicitement discriminatoire envers une minorité religieuse sert au mieux les intérêts économiques de l’entreprise. De même, peu soutiendraient aujourd’hui que des dons généreux à des associations caritatives et à des mouvements politiques prônant l’eugénisme contribuent réellement au progrès de l’humanité. Pourtant, il n’y a pas si longtemps, ces deux politiques étaient largement pratiquées par des personnes instruites et bien intentionnées, qui s’appuyaient sur ce qui passait pour un solide consensus « scientifique »²⁶.

Ces préoccupations apocalyptiques perturbent les supply chains parce que leur prétention supra-économique invalide le calcul économique. Les entreprises doivent pourtant toujours allouer des ressources rares. L’apocalypse n’abolit pas la rareté. Il n’existe pas d’alternative au calcul économique lorsqu’il s’agit de satisfaire les clients. Si une préoccupation prime sur cette satisfaction, pourquoi lui allouer moins que la totalité des ressources ?

Comme s’écrie le roi Richard dans Richard III : « Un cheval, un cheval ! Mon royaume pour un cheval ! »

Plus généralement, l’idée qu’une préoccupation relative à l’allocation de ressources rares puisse bénéficier d’un statut supra-économique, primant catégoriquement sur les préoccupations ordinaires, traduit une profonde incompréhension de l’économie. Il n’existe pas d’alternative aux bénéfices et aux pertes.

4.4.5.3 Organisations à but non lucratif

Dans la plupart des pays occidentaux, la législation fiscale accorde des exonérations particulières aux organisations dites « à but non lucratif », contrairement à celles présumées « à but lucratif ». Déterminer si ces exonérations fiscales et ces allègements réglementaires²⁷ bénéficient à la société dans son ensemble sort du domaine de la supply chain. Toutefois, du point de vue de la compréhension générale de l’économie, cette appellation est très malheureuse et engendre une immense confusion dans le grand public. Pire, de nombreux auteurs de livres de supply chain partagent cette confusion et attribuent des qualités quasi mystiques aux organisations à but non lucratif, faisant écho à des croyances populaires mais erronées. Ils croient à tort que les associations, c’est-à-dire les organisations dites « à but non lucratif », échappent aux principes des bénéfices et des pertes. C’est manifestement faux. Les associations sont soumises aux mêmes lois économiques et, dans la mesure où certaines exploitent une supply chain, obéissent aux mêmes principes. Une technique destinée à améliorer les supply chains est donc tout aussi valide — ou tout aussi invalide — quel que soit le statut fiscal.

Quelques faits suffisent. Les deux types d’organisations sont animés par des entrepreneurs. Certains entrepreneurs qui dirigent des entreprises à but lucratif échouent et finissent plus pauvres qu’au départ. À l’inverse, certains qui dirigent des organisations à but non lucratif réussissent et perçoivent des salaires très supérieurs à la moyenne nationale. Certaines entreprises rentables distribuent des dividendes, d’autres non. Entreprises et associations connaissent des scandales de corruption. Toutes deux ont besoin de clients pour les financer²⁸. Les clients ont des attentes et, dans les deux cas, si une organisation concurrente offre davantage pour moins cher, ils privilégient la plus efficace. Toutes deux se développent lorsqu’elles encaissent davantage qu’elles ne dépensent ; toutes deux font faillite lorsqu’elles dépensent davantage qu’elles n’encaissent.

Qualifier une association de « non lucrative » est impropre : bénéfices et pertes sont les faits fondamentaux de l’économie. L’organisation collecte et dépense des ressources. Si les encaissements dépassent les décaissements, il y a bénéfice. Si les décaissements dépassent les encaissements, il y a perte. Bénéfices et pertes existent même sans comptable. Lorsqu’un comptable tient les comptes, la situation est clarifiée ; il ne crée ni bénéfice ni perte, il se contente de les révéler.

Dans l’économie de marché, tous les acteurs cherchent à satisfaire les besoins les plus pressants des clients. Cela vaut autant pour les entreprises que pour les associations. Par exemple, si les clients se préoccupent de la déforestation, ils peuvent dépenser de l’argent pour planter des arbres ou les faire planter. En donnant à une association consacrée au reboisement, ils portent un jugement de valeur : ils achètent de futures forêts ; un monde plus boisé est leur récompense. S’ils ont le choix entre plusieurs organisations également dévouées à cette cause et que l’une peut faire pousser deux fois plus de forêt par unité monétaire, ils la privilégieront. S’ils découvrent ensuite que l’association a dépensé toute sa collecte en publicité sans planter aucun arbre, ils se sentiront à juste titre escroqués et s’abstiendront probablement de donner à nouveau.

L’absence de correspondance directe entre le paiement d’un client et le service rendu par une association n’est qu’un détail technique. Le même schéma existe dans le commerce : la collecte des déchets urbains est généralement payée au forfait annuel plutôt qu’à la prestation, alors que nombre de ces prestataires sont à but lucratif.

Qualifier une organisation de « non lucrative » est aussi absurde que de la déclarer « affranchie de la pesanteur ». Les lois naturelles n’admettent pas d’objection ; celles qui régissent l’économie ne font pas exception. La manière dont les bénéfices sont affectés — distribués aux actionnaires, réinvestis dans de nouveaux biens d’équipement ou utilisés pour augmenter les salaires — est un détail technique. Les régimes fiscaux influencent sensiblement ces modalités, mais pas d’une manière fondamentalement différente du subventionnement d’un secteur comme l’énergie solaire. Il ne s’agit que d’une des nombreuses façons dont les gouvernements découpent le marché pour répartir les subventions. Celles-ci ne confèrent aucun pouvoir économique particulier aux associations.

En définitive, les motivations profondes des entrepreneurs restent inaccessibles aux observateurs extérieurs, que leurs organisations soient à but lucratif ou non. Ils peuvent être sincèrement animés par l’amélioration du sort de leurs semblables, ou simplement rechercher la vanité et la publicité qui accompagnent une association prospère. Les hommes peuvent mentir ; ils peuvent aussi changer. Ce qui commence par une intention égoïste peut, avec le temps, devenir un véritable altruisme ; l’inverse est également possible.

La supply chain ne peut donc pas établir de distinction catégorique entre les organisations prétendument non lucratives et celles à but lucratif. Cette distinction relève des codes fiscaux, non de la supply chain. Les auteurs qui prétendent que les associations possèdent des propriétés particulières en matière de supply chain soit se livrent à un affichage de vertu — prenant la pose au nom de nobles causes —, soit se laissent égarer par l’idéologie en prêtant des qualités quasi mystiques à ces organisations.

4.4.5.4 Forces armées

Les organisations à but non lucratif montrent que bénéfices et pertes restent incontournables, même sous couvert d’altruisme. Les forces armées constituent un cas distinct : une institution qui relève pleinement de l’économie, mais ne dispose pas des boucles de rétroaction habituelles des organisations à but lucratif. Les armées ne tirent pas de recettes de la vente de services à une clientèle ; elles sont financées par l’impôt prélevé par un pouvoir souverain. Ce recours à la coercition étatique ne les soustrait pas à la rareté ; il ne fait que modifier la manière dont les ressources sont allouées. Les lois économiques ne s’évaporent pas en présence d’armes et d’uniformes : chaque balle et chaque baril de carburant rencontrent les mêmes contraintes que le reste de l’économie.

D’un point de vue économique, l’institution militaire figure parmi les structures de planification centralisée les plus étendues des sociétés modernes. Les forces armées doivent entretenir leur matériel, se procurer des approvisionnements, soutenir les troupes et projeter leur puissance sur différents territoires. Ces activités ne peuvent toutefois pas être évaluées au moyen du cadre des bénéfices et des pertes appliqué aux acteurs du marché. Alors qu’une entreprise privée met constamment ses dépenses en balance avec les paiements de ses clients, l’armée est financée sans échange volontaire et ne subit donc pas directement la discipline du marché. La main invisible qui favorise l’efficacité des entreprises privées est remplacée par des directives descendantes visant à intégrer la stratégie plutôt que les rendements financiers à court terme.

L’absence de signaux de profit n’épargne pourtant pas aux forces armées les problèmes du calcul économique. Comme Ludwig von Mises l’a montré dans Socialism (1922) et Human Action (1949), lorsqu’un planificateur central tente de guider l’allocation des ressources en dehors du processus de formation des prix, aucun étalon fiable ne permet de séparer les usages rentables de ceux qui ne le sont pas. Sans la discipline imposée par les marchés libres, la mauvaise allocation est presque garantie. Ces erreurs restent cachées en temps de paix, lorsque le budget apparaît sous une seule ligne, mais deviennent manifestes quand les forces armées manquent de matériel critique ou disposent d’excédents d’équipements obsolètes. Les mêmes difficultés touchent les grandes entreprises qui exploitent des supply chains complexes, mais les armées les rencontrent à plus grande échelle, avec des conséquences de vie ou de mort.

Aujourd’hui, les budgets de défense se chiffrant en milliards reflètent des arbitrages complexes au plus haut niveau politique. L’analogie classique des « canons ou du beurre » montre que chaque unité consacrée à l’armée n’est pas dépensée en biens civils : écoles, hôpitaux, routes ou autres activités productives. Les forces armées ne réalisent pas de « bénéfice » lorsqu’elles remplissent leur mission ; elles reçoivent plutôt un soutien politique renouvelé pour poursuivre dans la même voie. Lorsqu’une nouvelle génération d’avions de chasse ou de navires de guerre est commandée, aucune file de clients prêts à payer ne vient justifier la dépense. La justification découle plutôt d’impératifs stratégiques, réels ou perçus, qui échappent aux mécanismes habituels de responsabilité du marché.

Naturellement, les armées tentent d’atténuer les écueils de la planification centralisée en recourant à des indicateurs de substitution : « préparation opérationnelle », « capacité à remplir la mission », « projection de forces » et autres indicateurs stratégiques ou bureaucratiques. Bien qu’utiles, ces indicateurs ne remplacent pas le caractère immédiat des bénéfices et des pertes. Une campagne victorieuse ne produit pas d’excédent de recettes pour les forces armées, tout comme un conflit prolongé ne s’inscrit pas directement comme une perte. Des conflits prolongés peuvent entraîner une hausse des budgets de défense et un développement des infrastructures sans aucune démonstration claire d’un usage économiquement efficace. La décision revient alors à la politique — ce que le public ou ses représentants jugent justifiable — plutôt qu’à des arbitrages façonnés par une demande volontaire.

Ces contraintes engendrent des problèmes de supply chain particuliers aux forces armées. La demande est très incertaine et dépend d’événements géopolitiques plutôt que des préférences des consommateurs. D’importants stocks sont maintenus pour se prémunir contre les crises, et les délais peuvent être extraordinairement longs pour des équipements spécialisés comme les sous-marins nucléaires ou les avions furtifs. Lorsqu’une armée ne dispose pas d’une capacité suffisante pour produire elle-même des composants critiques, elle doit se tourner vers des fournisseurs privés de défense. Une partie de la supply chain revient alors dans le domaine de la concurrence de marché, du moins sur le papier : les fournisseurs sont rémunérés à des prix négociés et les États tentent souvent de mettre plusieurs prestataires en concurrence pour réduire les coûts. Toutefois, les ingérences politiques et les complexités réglementaires faussent souvent ces processus, conduisant à des contrats « coût majoré » et à d’autres arrangements qui dégénèrent trop souvent en capitalisme de connivence. Un vernis de discipline de marché peut donc exister, mais il reste généralement partiel et dominé par les jeux politiques de la bureaucratie.

Dans le même esprit, le problème de la connaissance exposé par Hayek dans The Use of Knowledge in Society (1945) s’applique aussi à l’armée. Les informations utiles à l’allocation des ressources sont largement dispersées. Les unités locales connaissent les réalités actuelles de leur logistique et de leurs contraintes stratégiques, mais les décisions majeures d’allocation sont prises par les échelons supérieurs du commandement. Les hiérarchies strictement descendantes étouffent les signaux remontant du terrain et privent les échelons supérieurs des connaissances locales nécessaires à des choix éclairés en matière d’approvisionnement, de déploiement ou de maintenance. De fait, l’industrie de l’armement fonctionne comme un microcosme fermé de planification centralisée : quelles que soient la compétence ou les bonnes intentions des officiers et des bureaucrates, des informations critiques se perdent en chemin, accroissant le risque de mauvaise allocation.

Toutes les ressources concernées restent néanmoins rares. Des approvisionnements manquants peuvent faire échouer des campagnes entières et, à l’inverse, des stocks excessifs de matériel obsolète peuvent entraver la capacité de l’armée à financer sa modernisation. De plus, comme dans toute bureaucratie de grande ampleur, les efforts d’amélioration courants ajoutent des couches de processus : nouveaux comités, nouvelles instances de contrôle, nouvelles étapes de planification. Avec le temps, ces couches acquièrent leur propre inertie, rendant les corrections de trajectoire plus difficiles. Faute d’un test de rentabilité pour éliminer le gaspillage, des filières entières d’approvisionnement peuvent survivre bien au-delà de leur durée d’utilité. Les programmes favorisés politiquement perdurent même lorsqu’ils procurent peu d’avantages sur le champ de bataille. Il en résulte, économiquement, une incapacité structurelle à optimiser l’usage des ressources. Les armées ne sont pas libres de se défaire de ces contraintes : elles ne peuvent pas devenir des forces agiles guidées par le profit. Elles remplissent des fonctions qui sortent de la collaboration volontaire, et le prix de cet arrangement est l’absence de retour direct du marché.

Une dernière particularité des forces armées est leur exposition à des réorientations soudaines, généralement à la suite de changements de direction politique. Les révisions budgétaires peuvent être radicales, à la hausse comme à la baisse, selon la menace perçue. Des alliances changeantes, de nouveaux traités ou la lassitude face à la guerre peuvent tous rebattre les priorités militaires. Les entreprises privées d’un marché libre s’adaptent elles aussi à des changements soudains, mais elles peuvent s’appuyer sur les signaux de profit pour s’orienter vers de meilleures allocations. Les armées, à l’inverse, doivent redessiner leurs supply chains selon des instructions descendantes, supportant la lourdeur d’une vaste bureaucratie qui doit simultanément produire de nouvelles doctrines, abandonner les anciennes et réorganiser des flottes entières de véhicules et d’équipements.

Les forces armées illustrent ainsi une manifestation extrême des mêmes difficultés de planification que rencontrent les grandes entreprises intégrées. L’État ne mesure pas la réussite de ses armées à leur efficacité à satisfaire les besoins des consommateurs ; aucun canal direct ne permet à l’insatisfaction des consommateurs d’agir sur le budget militaire. Les ressources restent pourtant rares et la nécessité de les répartir demeure : la logique économique continue donc de s’appliquer. L’absence de signaux de bénéfices et de pertes peut être partiellement compensée par des indicateurs de substitution, mais ceux-ci n’offrent rien qui approche l’étendue et la finesse des prix de marché. En conséquence, même si les armées opèrent hors du marché, chaque conflit, chaque mobilisation en temps de paix et chaque préparation logistique en coulisses restent soumis à la loi d’airain de la rareté. Bien que l’état de guerre soit souvent traité comme une question purement politique ou stratégique, il constitue aussi, en son cœur, un problème complexe d’allocation auquel aucun décret ne peut échapper.

4.4.6 Solutions et arbitrages

Il n’y a pas de solutions. Il n’y a que des arbitrages.
A Conflict of Visions (1987), Thomas Sowell.

Les supply chains sont strictement soumises aux lois de l’économie. Chaque allocation d’une ressource ferme toutes les autres possibilités d’usage immédiatement disponibles. Une décision n’est correcte que s’il n’existe aucun meilleur usage de la ressource ; la rentabilité ne suffit pas, elle doit être maximale.

Toute allocation de stock porte le coût d’opportunité de la meilleure autre possibilité. Dans un réseau de distribution, une unité expédiée de l’entrepôt à un magasin n’est plus disponible pour les autres magasins. S’il s’agissait de la dernière unité et qu’elle part vers un magasin où les ventes sont lentes alors qu’elles sont soutenues ailleurs, cette allocation était probablement une erreur. Mieux vaut envoyer la dernière unité au magasin où la demande est la plus urgente. Dans les deux cas, elle sera probablement vendue. Mais l’envoyer là où la demande est la plus forte aligne le réseau sur les besoins les plus urgents des clients. Si l’unité reste longtemps dans le magasin médiocre, elle peut être renvoyée à l’entrepôt puis réexpédiée vers un magasin plus approprié. Cela entraîne toutefois des coûts de transport supplémentaires et, pendant son transit, elle ne sert personne.

Vendre maintenant suppose un arbitrage avec la possibilité de vendre plus rentablement plus tard. Ce résultat ultérieur plus rentable n’exige pas nécessairement un prix plus élevé. Par exemple, une vis achetée 1 unité monétaire et vendue 2 produit 1 unité monétaire de marge brute. Mais si cette vis — la dernière en stock — appartient à un ensemble, par exemple une machine vendue 100 unités monétaires dont les composants coûtent 50, la vendre seule rapporte 1 unité monétaire maintenant mais en fait perdre 50 si un acheteur de l’ensemble se présente avant qu’on puisse se procurer d’autres vis. Si l’entreprise s’attend à la venue rapide d’un tel acheteur, vendre la vis seule est une mauvaise décision de supply chain, malgré sa rentabilité. La bonne décision consiste à conserver la vis en stock pour préserver la vente de l’ensemble.

Les ressources sont variées, et les arbitrages qui en découlent le sont encore davantage. Pourtant, de nombreux auteurs de supply chain réduisent les décisions à une opposition entre coûts de stock et ruptures, entre coût, trésorerie et service, ou entre offre et demande. Ces perspectives à faible dimension sont erronées. En érigeant quelques arbitrages d’ingénierie — davantage ancrés dans la tenue des comptes que dans l’économie — en principes premiers, elles masquent le seul étalon universel : le calcul économique.

Dans tout secteur, la supply chain avance constamment sur une corde raide entre des améliorations qui s’excluent mutuellement. Baissez le prix affiché et les volumes augmentent généralement, mais chaque point de pourcentage concédé mord directement sur la marge brute et, dans le luxe, peut dévaloriser la marque au point que les invendus finissent détruits plutôt que démarqués. Élargissez l’assortiment avec de nouvelles couleurs ou tailles et les clients applaudissent, mais les coûts d’approvisionnement, de stockage et de contrôle qualité grimpent tout aussi vite. Ajoutez des fournisseurs de secours pour vous prémunir contre les retards de livraison, et cette résilience s’achète au prix d’un pouvoir de négociation moindre à l’achat. Ouvrez les magasins plus longtemps et la fréquentation augmente, tout comme la masse salariale. Embauchez des préparateurs de commandes temporaires pour absorber un pic saisonnier et le débit s’améliore, tandis que les erreurs et la démarque inconnue augmentent. Passez à un petit fabricant de composants haut de gamme et le produit fini paraît plus luxueux, pourvu que la petite usine ne manque pas son créneau. Assouplissez la politique de retour pour fidéliser les clients et les dépenses de logistique inverse s’envolent. Renouvelez les produits périssables chaque jour pour maximiser leur fraîcheur et les rayons sont impeccables, mais des stocks délibérément réduits garantissent davantage de ruptures. Chaque levier possède cette double nature ; les planificateurs jonglent à tout instant avec des dizaines de dilemmes de ce type.

Cette liste pourrait s’étendre presque indéfiniment à chaque secteur et à ses arbitrages propres. De plus, presque chaque ressource nommée peut être décomposée plus finement. L’appellation est commode, mais reste une approximation. Supposons par exemple que la capacité de l’entrepôt soit de 10 000 \(m^2\). En réalité, tous ces \(m^2\) ne se valent pas. Certains sont proches des quais de chargement ou des extrémités des convoyeurs. On peut affiner la capacité en distinguant 2 000 \(m^2\) « premium » et 8 000 \(m^2\) « ordinaires ».

On peut toujours imposer aux ressources et aux arbitrages une taxonomie arbitraire comportant autant de classes qu’on le souhaite. Au sein d’une entreprise donnée, une telle taxonomie peut faciliter la communication. À l’échelle du marché, ces exercices sont largement inutiles. Ils ne donnent pas de meilleurs résultats que le langage courant.

La seule approche pratique de ces arbitrages est le calcul économique. Celui-ci met ces contradictions en balance pour parvenir à une décision de supply chain appropriée. Il montre aussi qu’aucune décision n’est un bien absolu — une source pure de bénéfice —, mais un mélange de gains et de pertes attendus.

4.5 Questions de valorisation

Les décisions de supply chain sont, au fond, des paris : chacune engage aujourd’hui une ressource rare pour une succession de conséquences incertaines demain. Tenter d’évaluer tous ces paris dans un calcul unique et monolithique est sans espoir : l’espace des décisions est beaucoup trop vaste et évolue trop vite. Le remède pratique consiste à découper ce grand calcul en fragments maniables, un par option, et à doter chacun d’une valorisation. Une valorisation n’est pas une curiosité comptable, mais un instrument : un score monétaire qui rend les options commensurables afin de pouvoir les comparer, les classer et les sélectionner une à une plutôt que toutes à la fois. De bonnes valorisations mettent les coûts d’opportunité au jour et alimentent les moteurs d’optimisation présentés plus haut ; des valorisations défectueuses orientent discrètement l’entreprise vers des erreurs d’allocation systématiques.

Sous cet angle, les valorisations forment le pont indispensable entre le monde concret des palettes et des camions et le domaine abstrait du calcul économique. Elles traduisent des événements hétérogènes — un jour supplémentaire de durée de conservation, un client mécontent, un paiement tardif à un fournisseur, une allée de préparation encombrée — en une échelle unique qu’un logiciel peut manipuler à un rythme de l’ordre de la milliseconde. Construire ce pont suit toujours le même parcours.

Premièrement, l’entreprise définit un modèle économique explicite qui précise quels flux comptent et comment ils se rattachent aux bénéfices et aux pertes. Deuxièmement, elle attribue chaque unité monétaire observée aux décisions qui l’ont engendrée, afin que chaque micro-choix porte sa juste part des coûts et des bénéfices communs. Troisièmement, elle projette ces flux de trésorerie dans l’avenir, intègre l’incertitude et ajoute des ajustements de valorisation fictive là où les seuls comptes passeraient à côté de risques ou de bénéfices importants, tels que la qualité des relations commerciales ou les atteintes à la marque.

Les sous-sections suivantes examinent ces trois étapes tour à tour. Elles montrent comment un modèle économique explicite ancre le calcul, pourquoi l’attribution est à la fois incontournable et controversée, et comment les projections, enrichies de valorisations fictives et internes, transforment les données d’hier en éléments permettant d’agir demain.

4.5.1 Le modèle économique

Le calcul économique commence par un modèle économique explicite : une correspondance concise mais transparente qui relie chaque choix opérationnel — acheter, fabriquer, déplacer, conserver, fixer un prix — à ses conséquences financières projetées. En pratique, le modèle traduit les flux d’atomes en flux d’unités monétaires en précisant quatre éléments : l’unité d’analyse (SKU, palette, heure-machine, etc.), l’horizon temporel sur lequel les conséquences se déploient, les règles d’attribution des coûts et des recettes partagés, et la convention d’actualisation qui rapproche les différentes dates. Son objectif n’est pas une précision prophétique ; il consiste à rendre visibles des arbitrages qui resteraient autrement cachés, afin de classer les options mutuellement exclusives selon un seul étalon : le rendement ajusté au risque. Comme les supply chains opèrent à plusieurs échelles de temps entremêlées, plusieurs sous-modèles coexistent généralement : un modèle de réapprovisionnement à cycle court centré sur la rotation des stocks, un modèle d’approvisionnement intégrant les remises fournisseurs et les MOQ, un modèle de capacité montrant comment les contraintes de production se traduisent en trésorerie. Chacun constitue une facette de la même discipline : convertir les décisions physiques en flux de trésorerie actualisés.

L’un des modèles économiques les plus simples est, par exemple, celui du pur négociant. Celui-ci se contente d’acheter et de vendre des marchandises sans les transporter, les laissant souvent sous la garde du vendeur pendant une période convenue. Sa stratégie consiste à acheter à bas prix et à vendre à prix élevé. Le modèle pertinent se réduit à la marge brute projetée : le prix de vente unitaire moins le prix d’achat unitaire. La variabilité provient du prix de vente, inconnu au moment de l’achat. Les purs négociants remplissent diverses fonctions sur le marché, par exemple protéger les vendeurs contre la variabilité des prix ou leur épargner les interactions avec de nombreux petits clients.

Si le pur négociant représente une simplification extrême, les supply chains réelles comportent invariablement de nombreuses subtilités. Le modèle économique reste toujours approximatif. Certaines approximations sont intentionnelles, car elles permettent de garder le modèle maniable. Par exemple, tous les biens sont périssables : avec suffisamment de temps, même l’acier dit inoxydable rouille. Pour de nombreux biens, la durée de conservation est toutefois si longue que la périssabilité devient négligeable. Dans de tels cas, il est raisonnable de l’omettre du modèle.

D’autres approximations sont involontaires et reflètent l’incertitude opérationnelle. La connaissance peut être affinée, mais elle restera incomplète. Le stock peut, par exemple, contenir des défauts que seuls les clients remarqueront, certains demandant ensuite un remboursement ou un échange. Le contrôle qualité peut réduire les défauts à un niveau presque négligeable, mais cette possibilité demeure et la connaissance ne devient jamais absolue.

Concevoir le modèle, y compris sa structure et ses approximations intentionnelles, relève de l’intelligence générale. Ces problèmes ne se prêtent pas à des résolutions « mécanistes ». La pertinence du modèle relève toujours d’un jugement de haut niveau. On peut réfuter empiriquement un modèle économique, ou du moins quantifier ses approximations et les juger excessives, mais concevoir le modèle lui-même exige des formes supérieures de raisonnement. Des orientations et des principes peuvent être fournis, mais aucun recueil concis de règles formelles ne permettra d’accomplir cet exercice de manière satisfaisante.

Si la conception du modèle relève de l’intelligence générale, une grande part du travail peut néanmoins être automatisée. L’évaluation du modèle et son utilisation pour prendre des décisions peuvent l’être entièrement. Le modèle doit être révisé à mesure que l’entreprise et le marché évoluent ; ce processus est toutefois généralement lent par rapport aux fluctuations des flux de biens et de matières. Pour la plupart des entreprises, un modèle économique pertinent reste valable des mois, voire des années ; une donnée de flux, comme un niveau de stock, reste valable des heures.

4.5.2 Valorisations implicites

De nombreuses entreprises contournent le problème du calcul économique en supply chain en recourant à des politiques fondées sur des pourcentages et à d’autres méthodes dépourvues de fondement économique. Ces politiques régissent la prise de décision en supply chain. Elles mêlent généralement opérations manuelles et automatisées sans adopter explicitement une perspective économique. Le seul mérite de cette approche est d’éviter le travail supplémentaire associé au calcul économique lui-même. Pour le reste, quelle que soit la réussite de l’entreprise grâce à des facteurs indépendants de sa supply chain, comme une marque supérieure, cette approche ne peut plus être considérée que comme arriérée.

Pour une microentreprise — une épicerie unique, un atelier familial, un réparateur de quartier —, l’absence de valorisations formelles n’est pas arriérée : elle est pragmatique. La ressource la plus rare du propriétaire est son temps personnel : chaque heure passée à construire un tableur concurrence le nettoyage des rayons, les échanges avec les clients ou le simple maintien de l’activité. Si deux heures de calcul ne peuvent, au mieux, économiser qu’une poignée d’unités monétaires sur la commande de la semaine suivante, ces heures procurent un rendement supérieur et plus sûr lorsqu’elles sont consacrées à l’entretien ou à la vente directe. Dans ce contexte, des règles simples — « repasser commande lorsqu’il ne reste que deux unités », « ne jamais laisser le présentoir à pain vide » — approchent suffisamment bien l’optimum. Une fois que les volumes, les produits et les sites se multiplient, le calcul s’inverse : le coût des erreurs d’allocation dépasse rapidement le travail administratif. Au-delà de ce seuil, s’accrocher aux valorisations implicites ne relève plus de la frugalité, mais de l’autosabotage.

Cette réserve posée, revenons au fil principal de notre raisonnement. Les stocks de sécurité, les seuils de réapprovisionnement min/max et les tampons temporels sont des politiques non économiques typiques. Chacune produit un nombre — pourcentage, quantité d’unités ou « jours de demande » — qui déclenche une commande, mais aucune ne porte de valorisation exprimée en unités monétaires. Elles sont calibrées pour atteindre des cibles d’ingénierie — taux de satisfaction de la demande, durée de cycle, confort visuel — sans jamais demander ce que vaut l’unité suivante. Le coût du capital, la variance des marges et le coût d’opportunité sont absents des formules. Une entreprise peut exécuter parfaitement ces politiques et néanmoins mal allouer ses ressources, parce que l’étalon qu’elles optimisent est déconnecté des bénéfices et des pertes.

Ces politiques ont beau ignorer le calcul économique, bénéfices et pertes surviennent tout de même : on peut esquiver le calcul, pas ses conséquences. Une idée fausse répandue veut, par exemple, que les pourcentages soient conduits vers 100 %, comme les taux de service qui pilotent les stocks de sécurité. L’augmentation des quantités en stock présente des rendements décroissants évidents. À un certain point, les coûts de dépréciation des excédents égalent les coûts de rupture ; au-delà, toute hausse supplémentaire des stocks engendre des pertes. Lorsqu’on utilise des politiques non économiques, rien ne permet de croire que leurs paramètres internes sont proches des réglages qui maximiseraient les rendements.

Un point positif subsiste : ces réglages ont peu de chances d’être catastrophiques, sinon l’entreprise aurait cessé son activité. Le biais du survivant est considérable : seules les entreprises qui ont évité la faillite restent observables ; les autres ont, par définition, disparu. Ainsi, dans une certaine mesure, une politique non économique qui a maintenu la solvabilité d’une entreprise au fil des années démontre un certain mérite.

Sur le plan conceptuel, toute politique non économique peut être reformulée en politique économique. Il suffit d’introduire une série de valorisations choisies non pour leur adéquation aux bénéfices et aux pertes réels, mais pour leur capacité à produire numériquement les mêmes décisions. Cet exercice révèle le défaut fondamental des politiques non économiques : ce sont des politiques économiques fondées sur des valorisations défectueuses.

Toute politique non économique peut donc être améliorée en la reformulant d’abord explicitement comme une politique économique, puis en rapprochant les valorisations de leurs valeurs réelles. Ce détour présente surtout un intérêt théorique ; en pratique, il est rarement justifié de traiter la situation d’une manière aussi compliquée. Il peut parfois se justifier si le système transactionnel historique est rigide et ne peut fonctionner, par exemple, qu’avec des stocks de sécurité. Dans ce cas, si l’entreprise ne veut pas ou ne peut pas moderniser son système, elle est contrainte au travail fastidieux qui consiste à expliciter les valorisations implicites puis à les réajuster vers des valeurs plus sensées. Ce processus exige une rétro-ingénierie substantielle, est sujet aux erreurs d’implémentation, gonfle les coûts de maintenance et doit rester une option de dernier recours.

Les politiques de flux non économiques étant désormais reformulées comme des valorisations grossières et souvent défectueuses, deux obstacles pratiques séparent encore la tenue des comptes de micro-décisions exploitables. L’attribution demande : « À quels choix passés se rattachent les unités monétaires passées ? » Elle démêle les fils causaux qui entrelacent coûts et recettes. La projection demande ensuite : « Au vu de ces liens, quelle configuration d’unités monétaires demain apportera-t-il le plus probablement ? » Elle prolonge le tableau dans l’avenir, sous incertitude. Les deux sous-sections suivantes abordent ces difficultés dans cet ordre.

4.5.3 Attribution des dépenses et des recettes

L’attribution rattache chaque unité monétaire qui passe dans les comptes au choix opérationnel qui l’a engendrée. Dans le monde du pur négociant, la correspondance est triviale : un achat, une vente, une marge brute. Dès qu’une entreprise stocke, achemine, transforme ou promeut des marchandises, cette symétrie univoque disparaît. Un seul conteneur entrant réapprovisionne des centaines de SKU ; une démarque stimule toute une catégorie ; un joint manquant arrête une chaîne d’assemblage entière. Tant que ces effets entrelacés ne sont pas démêlés, la « valeur » de l’expédition d’une palette supplémentaire ou de la réduction d’un délai d’un jour reste conjecturale. L’attribution fournit donc la causalité quantitative qui transforme les écritures comptables brutes en données prêtes à guider les décisions et rend possible une évaluation microanalytique, option par option.

Considérons le problème qui consiste à établir le prix d’achat unitaire d’une série de produits pouvant tous être acquis auprès du même fournisseur. Ce prix est crucial pour décider s’il faut acheter les unités à ce fournisseur ou à un concurrent. Dans notre exemple, le fournisseur affiche des prix unitaires, mais ceux-ci sont assortis de conditions. Il facture en effet des frais de livraison forfaitaires, reflétant le coût de l’envoi d’un camion. L’entreprise cliente doit arbitrer entre de petites commandes aux faibles coûts de stock mais aux frais de livraison élevés, et de grandes commandes aux coûts de stock élevés mais aux frais de livraison faibles. Quelles que soient la taille et la fréquence des commandes, les factures du fournisseur mêlent des lignes d’articles et des lignes de livraison. Le problème d’attribution consiste à déterminer comment répartir ces lignes dans le calcul des prix d’achat unitaires.

Pour clarifier le propos, supposons que le client commande deux produits : l’un en grand volume et l’autre en petit volume. En pratique, la seule manière « économique » de commander le second consiste à le greffer sur une commande comprenant de nombreuses unités du premier. Le second produit « accompagne » le premier dans le flux des commandes. Dans cette situation, il est tentant de répartir les frais de livraison entre les deux produits au prorata des dépenses. Presque tous les frais seraient ainsi attribués au premier produit, ne laissant qu’une petite part au second. Selon cette attribution, le prix d’achat « ajusté » des deux produits serait majoré d’un pourcentage fixe. Ce raisonnement ignore toutefois leur couplage. Si l’entreprise transfère l’achat du premier produit à un fournisseur moins cher, sa situation pourrait se dégrader, car les économies réalisées seraient compensées par les frais de livraison toujours nécessaires pour commander le second produit. Une telle décision augmente effectivement le prix unitaire du second.

Le problème d’attribution ne se limite toutefois pas aux dépenses ; il touche aussi les recettes. Considérons un magasin qui accorde une remise importante sur un produit donné. Les recettes de ce produit bondissent, car davantage d’unités sont vendues, malgré une marge brute inférieure ; l’effet promotionnel ne s’arrête pas là. Les clients achètent aussi des produits complémentaires, poussés par leur intérêt initial pour le produit remisé. Les recettes de plusieurs produits complémentaires augmentent donc également. Ces recettes peuvent sembler avoir été générées au prix fort, mais cette perspective est trompeuse. Sans la remise sur le produit « phare », ces autres produits n’auraient pas été achetés dans les mêmes proportions. Plutôt que d’attribuer naïvement au seul premier produit toute la contraction des recettes causée par la remise, il est donc plus juste de la répartir entre les produits complémentaires à proportion de la promotion indirecte dont ils bénéficient.

Plus généralement, les couplages sont omniprésents en supply chain : les articles sont achetés, transportés, stockés, transformés et vendus conjointement. Chacune de ces opérations comporte des coûts fixes ou partagés. À l’inverse, presque tous les mécanismes qui génèrent des recettes s’accompagnent d’effets indirects : notoriété et fidélité à la marque, achats impulsifs dépassant l’intention initiale, etc. L’attribution réorganise dépenses et recettes de manière à mieux les aligner sur la prise de décision. Elle constitue ainsi l’un des mécanismes clés des calculs économiques nécessaires pour identifier les meilleures options dont dispose l’entreprise. Dans une large mesure, elle définit la structure même du calcul économique.

On ne peut pas démontrer mathématiquement qu’une attribution est correcte ; on peut seulement montrer qu’elle est incorrecte si elle fait apparaître des dépenses ou des recettes de toutes pièces, ou si son arithmétique est défectueuse. Ces problèmes sont toutefois relativement triviaux, et même des attributions erronées peuvent satisfaire ce critère élémentaire de « correction ».

Dans la plupart des pays, de très nombreuses règles, généralement comptables, encadrent ces attributions. Elles peuvent, par exemple, viser à empêcher la « vente à perte », selon une définition semi-arbitraire des « pertes »²⁹. Ces règles répondent à des objectifs fiscaux ou réglementaires. Leur validité ne dépasse pas leur objectif initial. Les recycler à des fins analytiques serait une grave erreur. La supply chain doit respecter les exigences réglementaires, mais cela s’arrête là.

Chaque schéma d’attribution s’accompagne de ses propres distorsions. Du point de vue de l’information, l’attribution est une technique de réduction de dimension. Reprenons l’exemple des grands et petits volumes : nous avons deux prix d’articles et un forfait de livraison. En attribuant les frais de livraison aux produits eux-mêmes, nous projetons une situation tridimensionnelle dans un espace à deux dimensions. Cette projection simplifie la décision, car chaque produit reçoit un prix fictif reflétant les frais de livraison. Elle peut toutefois conduire à de mauvaises décisions si ces prix fictifs représentent mal la situation initiale. En général, réduire les dimensions ne permet pas de préserver parfaitement toutes les propriétés de l’espace d’origine.

Des techniques d’optimisation capables de fonctionner en grande dimension peuvent atténuer, voire éliminer, le problème d’attribution. Par exemple, si nous disposons d’une recette numérique capable de traiter directement les six dimensions de deux fournisseurs en concurrence sur les deux mêmes produits — soit quatre prix unitaires et deux forfaits de livraison —, aucune attribution n’est nécessaire : la recette prend en charge la dimensionnalité supérieure du problème.

L’attribution relève de l’économie plutôt que de l’histoire économique, dans la mesure où elle tient pour acquises l’exactitude et l’exhaustivité des enregistrements. Elle simplifie l’espace du problème par réduction de dimension, tout en conservant un modèle économique pertinent, c’est-à-dire un modèle qui représente fidèlement les bases de dépenses et de recettes nécessaires à la valorisation des options. Une fois ces bases établies, il faut passer au second mécanisme : la projection.

4.5.4 Dépenses et recettes projetées

L’histoire économique ne doit pas être confondue avec l’économie proprement dite. Si les dépenses et les recettes passées peuvent être établies avec certitude, à quelques erreurs administratives près, les dépenses et les recettes futures sont toujours incertaines. Leur incertitude est irréductible. Aussi récentes ou nombreuses soient-elles, les observations transactionnelles ne peuvent jamais raconter toute l’histoire de ce qui se produira, car l’avenir dépend de décisions qui restent à prendre. Certaines seront prises par l’entreprise elle-même ; d’autres par des tiers, par exemple les clients et les fournisseurs.

Les options de supply chain étant choisies en fonction de leurs rendements économiques estimés, elles reposent en définitive sur des valorisations projetées, donc intrinsèquement imparfaites. Il existe des situations où les écarts de valorisation entre le passé récent et l’avenir proche sont jugés insignifiants, mais elles sont rares. C’est l’inverse qui domine en supply chain. Illustrons brièvement cette proposition.

Lorsqu’un distributeur décide d’ajouter en rayon une unité dont le prix affiché est d’une unité monétaire, deux projections complémentaires sont nécessaires.

Viennent d’abord les décaissements projetés. Dès son entrée dans le magasin et jusqu’à sa sortie, l’article immobilise du capital et absorbe des coûts de détention : loyer de la surface qu’il occupe, salaires du personnel qui le déplace ou le compte, charges d’énergie et de services, démarque inconnue, assurance et coût d’opportunité de la trésorerie immobilisée dans l’unité elle-même. Ces dépenses s’accumulent jour après jour, et leur espérance est strictement positive ; si elles étaient réellement négligeables, la stratégie rationnelle serait d’étendre sans limite la surface de vente. Ce raisonnement par l’absurde confirme que les coûts sont réels et significatifs.

Viennent ensuite les encaissements projetés. L’unité monétaire affichée n’est qu’un prix possible : si la demande tarde, l’article devra peut-être être démarqué ; s’il se dégrade, il pourra être passé en perte ; si les concurrents baissent leurs prix, le magasin pourra les suivre ; et, à l’inverse, une hausse soudaine de la demande ou l’inflation générale peut porter le prix réalisé au-dessus du prix affiché. La trésorerie attendue de la vente n’est donc presque jamais exactement d’une unité monétaire : elle est le plus souvent inférieure, parfois supérieure. Ce n’est qu’après avoir actualisé les deux flux que le distributeur peut déterminer si le stockage de cette unité supplémentaire augmente ou réduit le bénéfice à long terme.

Plus généralement, le problème de projection est aussi épineux que celui de l’attribution. Si l’exemple ci-dessus est simple — la mesure est seulement retardée d’un cycle de stock —, de nombreuses questions sont plus difficiles à saisir empiriquement. Elles peuvent pourtant être d’une importance critique. Il n’existe aucune corrélation entre la facilité de mesure et l’importance pour l’entreprise.

Considérons une marque de mode qui pratique des remises en fin de saison pour liquider la collection en cours. Deux forces distinctes sont à l’œuvre. Premièrement, la remise augmente le volume des ventes, mais au détriment de la marge brute. Deuxièmement, elle habitue les clients à attendre des remises comparables à l’avenir, érodant leur disposition à payer : certains reporteront leurs achats jusqu’aux périodes de soldes. Cette érosion peut ralentir ; avec suffisamment de temps, son effet sur les recettes de la marque est néanmoins considérable. Pour de nombreuses marques, sinon la plupart, il peut largement dépasser le premier effet. Pourtant, si quantifier cette érosion n’est pas impossible, cela n’a rien de simple.

Toute valorisation implique une projection : un énoncé numérique concernant l’avenir, une « prévision » qui ne se limite pas à la demande. Les dépenses et les recettes historiques, ainsi que leurs attributions, fournissent les bases sur lesquelles calculer ces projections. Ces bases historiques ne doivent toutefois pas être assimilées à leurs projections. L’avenir dépend de décisions qui n’ont pas encore été prises. Toute projection apparemment exacte peut devenir totalement inexacte si les décisions ultérieures sont révisées. Ce problème est fondamental et ne peut être éliminé par les seules méthodes statistiques, aussi sophistiquées soient-elles ; il peut être atténué par des méthodes qui reconnaissent l’incertitude intrinsèque.

La performance économique d’une décision de supply chain dépend largement de la qualité et de la fiabilité des projections qui la sous-tendent. Si traiter cette difficulté mobilise généralement beaucoup de statistiques, il serait erroné d’y voir un problème purement statistique. Une projection doit en effet être évaluée avant tout sur sa pertinence économique, un critère plus exigeant que la seule précision statistique.

La suite de cette section examine deux catégories particulières de projections qui méritent un traitement dédié. D’abord, les valorisations fictives : des nombres qui ne figurent dans aucune ligne comptable mais qu’il faut établir pour saisir des effets difficiles à observer et pourtant décisifs sur le plan économique. Viennent ensuite les valorisations internes, les prix de transfert internes appliqués aux composants intermédiaires qui ne rencontrent jamais le marché extérieur, mais se disputent malgré tout la trésorerie, l’espace et l’attention au sein de l’entreprise. Ces deux familles suivent la logique générale qui vient d’être établie, mais chacune comporte ses propres écueils et techniques pratiques.

4.5.4.1 Valorisations fictives

L’impact économique d’une décision se mesure généralement en projetant la trésorerie dépensée aujourd’hui et celle gagnée demain. Pourtant, de nombreux effets de second ordre — dégradation des relations, méfiance des fournisseurs, fatigue des employés — n’apparaissent jamais dans les comptes, même s’ils se traduisent ensuite en argent bien réel. Les ignorer produit la caricature d’un comptable à courte vue, piloté par son tableur, qui « optimise » le trimestre en cours tout en détruisant discrètement l’année suivante. Pour échapper à ce piège, les praticiens doivent introduire des valorisations fictives : des estimations explicites, exprimées en monnaie, qui rendent tangibles des conséquences invisibles. Ces chiffres sont des hypothèses — ils n’ont pas de base historique —, mais sans ces ajustements, le calcul se réduit à une compression naïve des coûts qui sacrifie l’optionalité à long terme et, finalement, le bénéfice.

Prenons un exemple dans la distribution : si un client ne trouve pas ce qu’il attendait dans un magasin, son achat est au moins retardé et peut même être annulé s’il perd son intérêt. Il peut aussi se rendre chez un concurrent, y trouver le produit et finir par préférer ce magasin. Ces défauts de service surviennent silencieusement, sans laisser de trace dans les enregistrements transactionnels, mais leurs conséquences sont réelles : les recettes à court comme à long terme en pâtissent.

Si un distributeur valorise son stock uniquement à partir des ventes observées, il néglige l’érosion de sa clientèle causée par un service insuffisant. Autrement dit, en sous-évaluant le stock — et en laissant de côté les contraintes de capacité des rayons —, le magasin finit par détenir un stock sous-optimal. Consciente de cela, l’entreprise peut introduire une « pénalité de rupture », une valorisation fictive conçue pour saisir le coût à long terme des ventes perdues. Intégrée au calcul économique, cette pénalité augmente la valeur perçue de la détention de stock et incite le magasin à en conserver davantage.

Plus généralement, la qualité des relations³⁰ qu’une entreprise entretient avec ses clients, ses fournisseurs et ses employés est mieux prise en compte par des valorisations fictives. Si les détails varient d’une organisation à l’autre, la plupart des décisions de supply chain influent sur ces relations. Intégrer des valorisations fictives permet donc de mieux prendre en compte ces conséquences plus larges dans l’évaluation des options.

Par exemple, des achats erratiques — tailles de commandes fluctuantes et fréquences irrégulières — peuvent nuire aux fournisseurs. En lissant le flux des commandes et en rendant la demande plus prévisible, les entreprises incitent les fournisseurs à réduire leurs prix. Dans ce contexte, une valorisation fictive qui pénalise la variabilité des commandes oriente les achats dans le sens souhaité.

De même, les employés souffrent de charges de travail excessives. Si, par exemple, le personnel d’une épicerie reçoit en une journée plus d’articles qu’il ne peut en mettre en rayon pendant les heures normales, il peut être contraint à des heures supplémentaires imprévues. De plus, un stock laissé en désordre plutôt que correctement rangé mécontente aussi bien les employés que les clients. Une valorisation fictive pénalisant les volumes de livraison excessifs aide à lisser les expéditions de l’entrepôt.

En pratique, les valorisations fictives sont souvent des estimations grossières, et c’est acceptable : mieux vaut avoir approximativement raison qu’exactement tort. Négliger des facteurs difficiles à saisir mais lourds de conséquences est une erreur. Cette omission conduit à des solutions d’« idiot savant », parfois d’une grande sophistication technique mais qui passent néanmoins à côté de l’essentiel. Nous verrons plus loin comment l’optimisation expérimentale offre une réponse plus robuste aux questions de valorisation ; pour l’instant, une approximation éclairée vaut mieux que l’ignorance de facteurs importants.

4.5.4.2 Valorisations internes

La formation des prix est une caractéristique fondamentale de l’économie de marché. Pour les biens finis ou « commercialisables », les entreprises doivent opérer dans les contraintes imposées par les prix du marché. Une entreprise peut orienter ses prix à la baisse grâce à des innovations qui réduisent fortement les coûts, ou à la hausse par un travail soigné sur la marque, comme dans le luxe. Les prix du marché s’appliquent néanmoins toujours. Même une entreprise qui dispose d’un monopole protégé par un brevet doit ajuster ses prix en fonction des autres possibilités offertes sur le marché. Les prix de marché n’exigent pas de substituts parfaits.

À l’inverse, les biens non commercialisables ne bénéficient pas directement de prix de marché. Ils sont fréquents dans l’industrie manufacturière, où la production exige souvent de nombreux composants intermédiaires, certains assemblés à partir de sous-composants achetés à l’extérieur. Ces intermédiaires n’existent généralement qu’au sein du processus de production de l’entreprise et ne disposent pas des compléments — documentation technique, canaux de vente établis, supports marketing, procédures de conformité — qui les rendraient commercialisables. Tous les biens intermédiaires ne sont toutefois pas non commercialisables : un fabricant peut, par exemple, produire à la fois des pompes et des climatiseurs, les premières entrant dans la composition des seconds tout en étant vendues séparément.

Les biens non commercialisables exigent des investissements à la fois dans la capacité de production et dans un stock suffisant. Lorsqu’un composant non commercialisable entre exclusivement dans un seul produit fini, sa valorisation est relativement simple³¹ : le coût du produit fini peut être réparti proportionnellement entre ses composants. En revanche, lorsqu’un composant sert à plusieurs produits finis, valoriser chaque unité supplémentaire en stock devient plus difficile, car cela dépend de la probabilité de son utilisation dans chacun des produits.

Supposons, par exemple, qu’un fabricant utilise un composant dans deux produits vendus en volumes égaux : le produit A dégage une marge brute de 10 unités monétaires et le produit B de 1 seulement. La valeur de la production d’une unité supplémentaire de ce composant dépend du produit auquel elle est destinée. Si le produit A dispose d’un stock abondant tandis que le produit B est en rupture, l’unité suivante a plus de valeur pour le produit B. À l’inverse, si le produit A est en rupture et le produit B bien approvisionné, l’unité supplémentaire a plus de valeur pour le produit A, dont la marge est supérieure. La valeur du composant supplémentaire dépend donc de manière cruciale des niveaux de stock en aval et des marges des produits.

En pratique, un fabricant peut gérer de nombreux produits et composants. Les cycles de production diffèrent souvent, et la demande fluctue tant en volume qu’en prix. Chaque produit dispose généralement de son propre stock, souvent réparti sur plusieurs sites, et la production peut se faire par lots de tailles variables. Ces conditions compliquent la valorisation des stocks de composants.

Le taux de rendement de tout investissement lié à des biens non commercialisables — qu’il s’agisse d’acquérir des équipements ou d’utiliser des ressources d’entrée pour produire des unités supplémentaires — doit être évalué à partir de son impact projeté sur les recettes et les dépenses de l’entreprise. Comme l’attribution présentée plus haut, les valorisations internes constituent une technique de réduction de dimension, résumant des effets complexes et multidimensionnels en une espérance de rendement.

Dans les grandes entreprises intégrées verticalement, les valorisations internes deviennent plus fréquentes et plus importantes. Les biens non commercialisables y sont souvent plus nombreux que les produits finis et représentent une part supérieure de la valeur des stocks. Valoriser ces actifs devient donc crucial.

4.5.4.3 Le rôle du marché

Les valorisations internes sont intrinsèquement difficiles. À mesure que les entreprises grandissent et s’intègrent verticalement, leurs problèmes de supply chain ressemblent de plus en plus aux problèmes d’allocation des ressources auxquels les gouvernements sont confrontés sous le socialisme et sa planification centralisée. Le socialisme a en effet été mis en œuvre de nombreuses fois, en de nombreux lieux ; comme des économistes de premier plan l’avaient prédit dans la première moitié du 20^e siècle, toutes ces tentatives ont échoué et ont invariablement conduit à un appauvrissement général. Le socialisme, avec son corollaire de planification centralisée, échoue parce qu’il tente de résoudre le problème de la valorisation des ressources rares, une difficulté que seul le marché libre peut résoudre à grande échelle. De même, si les entreprises peuvent réaliser des valorisations internes exactes à petite échelle, les grandes entreprises rencontrent souvent d’importantes déséconomies d’échelle qui limitent leur croissance, les erreurs de valorisation interne en étant un facteur majeur.

Dans un marché libre, les prix indiquent aux acteurs économiques comment allouer les ressources. Lorsque la demande dépasse l’offre, les prix augmentent et incitent à investir dans le produit rare. À l’inverse, une offre excédentaire fait baisser les prix et encourage un déplacement vers des possibilités plus rentables. Lorsqu’une supply chain est relativement simple — peu de produits, un minimum de biens intermédiaires et des délais courts —, traduire les prix du marché en décisions d’allocation des ressources est simple. Dans ces cas, les prix du marché résolvent eux-mêmes une partie critique du problème de supply chain, sans nécessiter de connaissances approfondies ni d’analyses avancées³².

À mesure que les grandes entreprises développent la profondeur et la complexité de leurs supply chains, le lien entre la planification et le retour fourni par les prix du marché s’affaiblit, et les difficultés se multiplient. Ce problème était bien connu des entrepreneurs du 19^e siècle, mais le fondateur d’IKEA, Ingvar Kamprad, le formule sans détour dans son Testament of a Furniture Dealer (1976) :

Mais n’oubliez pas qu’une planification excessive est la cause la plus fréquente de la mort des entreprises.

En effet, à l’instar des gouvernements qui tentent le socialisme, les grandes entreprises n’ont d’autre choix que de nommer une caste d’experts — planificateurs des approvisionnements et de la demande, responsables de catégorie, prévisionnistes de la demande et gestionnaires de stocks — pour traiter l’allocation des ressources. Bien que ces fonctions ne diffèrent que légèrement par leur périmètre, la difficulté globale est immense : les entreprises doivent prendre en compte des centaines de facteurs économiques et établir des milliers de valorisations internes, tout en affrontant les incertitudes inhérentes à l’avenir. Les valorisations erronées engendrent des décisions non rentables.

À mesure qu’une organisation grandit, les incitations changent : les cadres intermédiaires préfèrent de plus en plus éviter les reproches plutôt que rechercher des gains supplémentaires, et l’appétit pour le risque diminue avec la taille de l’entreprise. Ils s’appuient donc sur des processus établis, auxquels ils adhèrent souvent rigidement, indépendamment de leur mérite économique. Lorsque ces processus produisent de manière répétée des résultats non rentables, la bureaucratie réagit en ajoutant des règles, en allongeant les listes de contrôle et en multipliant les étapes des procédures. En somme, la bureaucratie s’étend sans égard à sa justification économique.

Les déséconomies d’échelle, et non un manque d’ambition, freinent généralement les très grandes entreprises intégrées verticalement. À mesure que les couches organisationnelles se multiplient, les valorisations internes dérivent et chaque nouvel échelon amplifie les erreurs d’allocation qui en résultent. Pour retrouver de l’agilité, les entreprises se défont généralement d’activités périphériques — par l’externalisation, la scission ou la création de coentreprises — et redoublent d’efforts sur les segments où leur avantage comparatif est évident et où les prix du marché extérieur offrent une boucle de rétroaction rapide et sans ambiguïté.

5 Information

Toute décision de supply chain est un pari dans l’incertitude ; pour être bonne, elle doit être éclairée. Fait peut-être inattendu pour le lecteur non spécialiste, être « informé » n’est pas une simple métaphore : depuis les années 1940, la théorie de l’information donne à ce mot un sens précis et quantitatif. Ce chapitre précise ce qu’implique « être informé » pour une supply chain moderne.

Deux constats motivent ce qui suit. Premièrement, les supply chains contemporaines sont des objets irréductiblement numériques. Leurs états et leurs historiques résident dans les systèmes de l’entreprise ; qualifier une supply chain de « numérique » est redondant, car aucune chaîne d’une certaine ampleur ne peut fonctionner sans logiciel. Deuxièmement, la théorie dominante de la supply chain confond couramment données et information : elle traite les grandeurs sur lesquelles elle entend décider — demande, délais, taux de service — comme directement observables. En réalité, l’entreprise ne dispose que de traces rudimentaires (commandes clients, expéditions, retours, corrections de stock) dont ces grandeurs doivent être déduites. C’est précisément l’oubli de cette distinction qui explique pourquoi d’élégantes formules échouent si souvent face aux traces brutes produites par les systèmes d’entreprise. Ce décalage entre théorie et pratique provoque l’échec de nombreuses initiatives : les entreprises tentent de greffer des idées antérieures à l’informatique sur des infrastructures issues de l’informatique.

Pour nous orienter dans ce paysage, nous devons distinguer trois notions que le langage courant mêle : les données, l’information et les connaissances. Les données sont les symboles enregistrés — octets dans des tables, lignes de journaux, codes-barres. L’information est la capacité de ces symboles à dissiper l’incertitude, une grandeur que Shannon nous a appris à mesurer. Les connaissances constituent la structure causale qui permet à un esprit — humain ou machine — de transformer l’information en décisions améliorant les rendements de l’entreprise. Confondre ces notions engendre des recettes naïves, sophistiquées en apparence sur le papier, mais moins performantes que de grossières heuristiques en production.

La numérisation a déjà retiré aux humains la garde des données ; le même mouvement érode désormais leur garde de l’information et des connaissances. À mesure qu’explosent les volumes et les fréquences de mise à jour, l’architecture des systèmes — et non l’ingéniosité personnelle de leurs utilisateurs — détermine ce que l’entreprise peut ou ne peut pas bien décider. Comprendre où réside véritablement l’information dans l’entreprise devient donc stratégique.

Depuis les années 1970, trois classes de logiciels structurent ce « où » : les systèmes d’enregistrement (exécuter les processus, conserver les transactions), les systèmes de reporting (décrire ce qui s’est passé) et les systèmes d’intelligence (décider de ce qui doit se passer ensuite). La plupart des déceptions des entreprises viennent de la confusion de ces rôles — attendre des registres qu’ils réfléchissent, ou des couches analytiques qu’elles fassent office de sources de vérité.

Ce chapitre procède par étapes : nous démêlons d’abord données, information et connaissances, en ancrant l’« information » dans la théorie de Shannon. Nous examinons ensuite comment ces notions apparaissent — et sont couramment déformées — dans les trois grandes classes de logiciels d’entreprise. Avec ce cadre, nous abordons la sémantique désordonnée des données de l’entreprise, le folklore des « mauvaises données » et les incitations qui détournent les enregistrements de l’intérêt de l’entreprise. Enfin, nous revenons sur les connaissances tacites, dites ordinaires, qui résident encore dans les esprits, et montrons comment elles peuvent, elles aussi, être progressivement codifiées. Nous préparons ainsi le chapitre suivant sur l’intelligence et la mécanisation complète de la prise de décision.

5.1 Données, information et connaissances

Données, information et connaissances sont trois mots que les diapositives de présentation et les brochures des éditeurs emploient volontiers l’un pour l’autre ; en pratique, leur confusion ruine les architectures et les politiques de décision. Traiter des enregistrements bruts (données) comme s’ils dissipaient déjà l’incertitude (information), ou traiter une incertitude réduite comme si elle portait déjà un modèle causal capable d’orienter l’action (connaissances), n’est pas un léger glissement sémantique. C’est la cause profonde des tableaux de bord qui ne décident jamais, des modules de « planification » qui ne planifient jamais et des analyses d’échec qui continuent d’accuser les « mauvaises données » pour des échecs en réalité méthodologiques.

Les données sont des symboles captés par des systèmes — octets dans des tables, lignes de journaux, codes-barres ; à eux seuls, ils ne disent rien de l’incertitude qui demeure. L’information est ce que ces symboles nous apportent face à l’incertitude ; elle peut être quantifiée et faire l’objet d’un budget. Les connaissances sont la structure — explicite ou tacite — qui permet à une intelligence de transformer l’information en décisions améliorant systématiquement les rendements de l’entreprise. Confondre ces couches invite à deux erreurs symétriques. Premièrement, les entreprises accumulent toujours plus de données et de puissance de calcul, convaincues que le volume remplace l’information ; elles se retrouvent avec des pétaoctets de traces médiocres qui réduisent à peine l’incertitude pertinente. Deuxièmement, elles prennent l’information pour des connaissances et attendent des rapports ou des KPI qu’ils « pilotent » l’entreprise ; les personnes compensent alors manuellement, en injectant des règles ad hoc et un folklore qui ne sont jamais formalisés, versionnés ni testés.

Pour une supply chain moderne, ces distinctions sont opérationnelles. Si vous ne pouvez pas dire où réside l’information, vous ne pouvez pas dire quel système fait autorité ; si vous ne pouvez pas dire où résident les connaissances, vous ne pouvez pas dire qui — ou quoi — répond des décisions. Sous cet angle, les « systèmes d’enregistrement », les « systèmes de reporting » et les « systèmes d’intelligence » deviennent des contraintes architecturales essentielles : les registres détiennent les données, pour l’essentiel ; les rapports exposent des fragments d’information ; l’intelligence rend les connaissances opérantes pour émettre des ordres. Attendre de l’une de ces couches qu’elle fasse le travail des autres relève du vœu pieux — et constitue un moyen sûr de brûler à la fois les budgets et la crédibilité.

Ce qui suit ne ressasse donc pas des définitions pour le plaisir de classer. Nous partons de la nature mécanique des données — de simples symboles — et des réalités techniques qui gouvernent leur stockage et leur récupération. Nous ancrons ensuite l’« information » dans le traitement quantitatif de l’incertitude proposé par Shannon, en montrant pourquoi de nombreux jeux de données apparemment « riches » ont peu de poids informationnel pour les décisions à prendre. Enfin, nous abordons les connaissances, la moins facile à saisir des trois notions, et les rattachons au code, aux recettes et aux personnes de l’entreprise — là où elles résident effectivement, comment les entretenir et comment les mécaniser progressivement. Ce n’est qu’en maintenant ces trois niveaux distincts qu’une entreprise peut espérer bâtir des systèmes de décision à la fois informés et fiables.

5.1.1 Stockage des données

Les données sont des symboles enregistrés. Il peut s’agir de nombres, de caractères, de pixels ou de toute autre marque discrète qu’un système peut stocker et récupérer de manière fiable. À eux seuls, ces symboles n’ont aucun sens ; seule une interprétation convenue (un schéma, un dictionnaire de codes, un protocole) en fait quelque chose sur quoi une entreprise peut raisonner. Un code-barres, un identifiant client, une ligne de commande fournisseur ou le relevé d’une sonde de température sont tous des « données » dans ce sens strict et mécanique.

Dans les ordinateurs, ces symboles sont en définitive encodés en chiffres binaires et regroupés en octets (8 chiffres binaires par octet)³³. Les dispositifs de stockage modernes, qui ne pèsent que quelques grammes³⁴, peuvent contenir plus de 1 To, soit \(10^{12}\) octets. Un téraoctet dépasse déjà ce que l’intuition permet de saisir. L’édition 1768–1880 de l’Encyclopaedia Britannica compte 143 volumes, dont le texte représente au total 336 Mo — environ 3 000 fois moins que 1 To. Même avec des images en haute résolution, l’encyclopédie ne totalise que 23,5 Go, soit environ 400 fois moins que 1 To. Avec des représentations efficaces, 1 To peut conserver plus d’une décennie de transactions de vente au détail pour un grand réseau.

Du point de vue de la supply chain, les grandes capacités de stockage permettent de constituer de vastes registres électroniques. Ceux-ci retracent à la fois l’état courant de la supply chain et la séquence détaillée des événements qui y ont conduit, notamment le flux de biens physiques. Ils peuvent aussi inclure des données de marché, telles que les prix des concurrents. Toutes ces données sont conservées dans les systèmes d’enregistrement de l’entreprise, que nous examinerons plus loin.

La capacité de stockage du matériel moderne est si vaste qu’il est difficile de se représenter les chiffres — et cet écart ne fera que se creuser avec les progrès technologiques. Les piles numériques modernes couvrent couramment 10 à 15 ordres de grandeur : des cycles de processeur de l’ordre de la nanoseconde aux traitements par lots qui durent une journée, des octets des appareils embarqués aux pétaoctets des entrepôts de données. En comparaison, l’écart entre une entreprise unipersonnelle et les plus grandes entreprises de la planète n’est « que » d’environ sept ordres de grandeur (de 1 à 10 millions de salariés). Ces quantités sont parfaitement mesurables ; la difficulté consiste à se forger une intuition de phénomènes qui diffèrent par des facteurs de mille milliards ou davantage.

À mesure que les capacités augmentent, récupérer et traiter ce que nous stockons devient aussi plus difficile. Mais la pression du marché fait généralement progresser suffisamment le reste de la pile — bande passante, RAM, processeur — pour que le stockage supplémentaire reste économiquement exploitable. Lorsque le stockage devance trop longtemps ses compléments, l’investissement dans des supports toujours plus denses marque simplement le pas jusqu’à ce que le reste du matériel rattrape son retard ; de nouveaux gains retrouvent alors leur intérêt économique.

Une puce de stockage d’environ un gramme contient désormais plus de bits qu’un esprit — ou mille esprits — ne pourrait jamais en conserver en mémoire de travail. C’est cette capacité considérable qui a fait des systèmes d’entreprise, il y a déjà des décennies, les dépositaires de facto de presque toute l’information pertinente pour la supply chain. Un processus de décision de supply chain n’est donc véritablement informé que s’il puise dans les immenses réserves détenues par les systèmes d’enregistrement de l’entreprise.

L’immensité du stockage moderne s’accompagne de deux écueils distincts. Les praticiens de la supply chain peu versés dans les technologies de l’information sous-estiment souvent la quantité de données qu’il est possible de stocker et de traiter pour les besoins de la supply chain. Des données vitales ne sont donc pas enregistrées, sont supprimées trop tôt ou ne sont jamais collectées. Si elles étaient disponibles, elles pourraient servir à affiner davantage les processus de décision. Les deux erreurs les plus courantes consistent à ne pas conserver tous les événements affectant les systèmes d’entreprise et à supprimer l’historique après trois à cinq ans, alors que l’intégralité de cet historique pourrait être conservée presque indéfiniment³⁵.

Par exemple, si tous les systèmes de gestion des stocks permettent de corriger manuellement les niveaux de stock pour résorber les écarts entre les stocks physiques et les registres électroniques, certains n’enregistrent pas ces corrections. Leur historique complet est pourtant indispensable pour remonter aux causes profondes des erreurs de stock. Idéalement, tout événement qui finit par modifier l’état du système d’entreprise devrait être enregistré³⁶.

À l’inverse, les ingénieurs logiciels, qui connaissent bien les capacités du matériel informatique, en profitent souvent pour privilégier les solutions faciles à mettre en œuvre plutôt que celles économes en ressources. Les logiciels finissent donc souvent par mal exploiter le matériel, particulièrement les logiciels d’entreprise par rapport aux applications grand public. Dans le grand public, l’acheteur et l’utilisateur sont généralement la même personne, et la réactivité de l’application est un facteur déterminant de son adoption³⁷. Les ingénieurs consacrent donc une grande partie de leurs efforts à tirer le meilleur parti de chaque cycle de calcul de l’application.

En revanche, l’acheteur d’un logiciel d’entreprise est rarement son utilisateur, et les démonstrations portent habituellement sur des jeux de données fictifs bien plus petits que ceux de production ; les performances réelles sont donc peu examinées. De plus, malgré une utilisation inefficace des ressources de calcul, le coût total de possession de l’application dépasse généralement de loin ses coûts matériels. Face à un problème de performance, il est donc courant d’ajouter du matériel plutôt que d’améliorer l’efficacité intrinsèque du logiciel. Plus généralement, la plupart des éditeurs de logiciels d’entreprise sont assez peu incités à investir pour rendre leur technologie économe en ressources.

L’efficacité dans l’utilisation des ressources compte, car la même information peut être encodée de multiples façons, certaines beaucoup plus légères que d’autres. Un jeu de données de 1 Go (\(10^{9}\) octets) peut sembler plus riche et plus informatif qu’un jeu de 1 Ko (\(10^{3}\) octets), mais davantage d’octets ne signifie pas en soi davantage d’information. Par exemple, le nombre 123 peut être stocké dans un seul octet ou dans un million d’octets avec un million de zéros initiaux.

Utiliser un million d’octets pour représenter un petit nombre constitue un gaspillage évident de ressources informatiques ; pourtant, les logiciels d’entreprise créent souvent des copies redondantes des mêmes données dans leurs bases. Dans les bases de données relationnelles, les logiciels d’entreprise multiplient généralement par dix — et parfois par cent — le volume de stockage du fait de représentations redondantes. Diverses raisons techniques justifient ces représentations redondantes. Elles sortent de notre propos, mais soulèvent une question importante : quel rapport la représentation choisie entretient-elle avec l’information elle-même ?

5.1.2 Théorie de l’information

Les enregistrements de l’entreprise peuvent être stockés sous forme de données. Pourtant, si les données se mesurent conventionnellement en octets, cette unité n’indique pas la quantité d’information qu’elles contiennent. Un même enregistrement admet de nombreuses représentations, certaines plus économes en stockage que d’autres. L’information sous-jacente est indépendante de sa notation. Par exemple, 1776 s’écrit MDCCLXXVI en chiffres romains ; l’information reste inchangée. La théorie de l’information étudie ce qu’est l’information — et comment elle se mesure, se stocke et se transmet.

Claude Shannon a fondé la théorie moderne de l’information dans les années 1940. C’est une science auxiliaire fondamentale de la supply chain. Cette théorie s’appuie sur les probabilités et définit l’information comme la capacité à dissiper l’incertitude. Pour illustrer le lien entre incertitude et information, considérons deux magasins, chacun stockant 100 produits. Concentrons-nous sur les niveaux de stock — 100 nombres au total — et comparons l’information nécessaire à la gestion de deux magasins très différents.

D’abord, un magasin de montres de luxe. Pour chaque montre de l’assortiment, on conserve au plus une unité. Lorsqu’une montre est vendue, une autre est rapidement expédiée pour maintenir l’assortiment complet. Ensuite, un dépôt périurbain de matériaux de construction en vrac. Les réapprovisionnements y sont peu fréquents et portent sur de gros lots, généralement un camion complet. Dans le magasin de montres, un responsable consciencieux connaît probablement le stock exact à tout moment. Le niveau de stock est généralement de 1 pour toutes les montres ; pour celles qui viennent d’être vendues, il tombe temporairement à 0 jusqu’au réapprovisionnement. Comme la plupart des montres sont à 1 et seules quelques-unes brièvement à 0, le responsable peut facilement mémoriser les niveaux. À l’inverse, les niveaux de stock du dépôt périurbain vont de 0 à 10 000 unités. Un responsable peut se souvenir des produits en rupture ou récemment réapprovisionnés, mais même consciencieux, il ne peut mémoriser les niveaux exacts des 100 produits. Les deux magasins suivent 100 articles, mais le magasin de montres porte beaucoup moins d’information que le dépôt.

La théorie de l’information précise ce contraste. La notion d’entropie quantifie l’information ; elle se mesure en bits (parfois appelés « shannons »). Revenir à l’exemple suffit à illustrer l’entropie. Supposons que le magasin de montres ait un taux de service de 95 % : chaque montre est en rupture avec une probabilité de 5 %, sinon son stock est de 1. Supposons en outre que les niveaux de stock du dépôt périurbain soient uniformément répartis entre 0 et 9999. Bien qu’une distribution uniforme soit irréaliste, elle suffit pour cette illustration.

L’entropie sera d’environ 29 bits pour le magasin de montres de luxe et de 1328 bits pour le dépôt périurbain (le calcul détaillé figure en annexe). L’entropie du dépôt périurbain vaut près de \(50\times\) celle du magasin de montres, ce qui explique pourquoi même un responsable consciencieux ne peut suivre mentalement son stock.

Du point de vue de la supply chain, la théorie de l’information précise ce que signifie complexe pour un système de supply chain. Une supply chain se prête mal à une description succincte : il faut des millions de bits pour en représenter une de taille moyenne, et des milliards pour une grande. Ce besoin considérable n’est pas un artefact de représentation ; c’est une propriété fondamentale de la supply chain. L’information nécessaire pour déterminer l’état d’une supply chain dépasse de loin ce qu’un groupe de personnes pourrait mémoriser, sans même parler d’en suivre les transitions au fil des années.

Produire chaque jour des décisions de supply chain éclairées exige donc des millions de bits en entrée pour refléter l’état, et des millions supplémentaires en sortie pour représenter les décisions. Le logiciel est ainsi fondamental pour les supply chains modernes : sans lui, les faire fonctionner serait impossible. Avant la diffusion des systèmes d’entreprise au début des années 1970, les supply chains étaient bien moins complexes qu’aujourd’hui. Cet essor de la complexité découle directement des progrès du matériel informatique. Les entreprises gèrent désormais plus de SKU, de fournisseurs, de sites, de grilles tarifaires et de canaux que jamais, en s’appuyant sur le matériel informatique moderne pour maîtriser cette complexité accrue.

Si les supply chains se sont complexifiées, de nombreuses sources de complexité accidentelle ont été maîtrisées. Pour les biens physiques, la standardisation, les tolérances strictes et le contrôle qualité formalisé se sont généralisés dans la première moitié du 20^e siècle. Le tournant numérique des années 1970 a poussé la standardisation encore plus loin. Le concept moderne de SKU (stock-keeping unit, unité de gestion des stocks) suppose que toutes les unités en stock sont physiquement identiques.³⁸ Le contenu d’un SKU peut se résumer à un seul nombre : la quantité en stock.

Le lecteur moderne aura peut-être du mal à croire qu’au 19^e siècle, même les articles produits en série variaient sensiblement d’une unité à l’autre. Dans de telles supply chains, un système de gestion des stocks — s’il avait existé — aurait dû suivre les caractéristiques de chaque unité pour refléter fidèlement les stocks. En pratique, le problème était traité autrement : les vendeurs accordaient sur place une remise sur les unités de qualité inférieure.

La théorie de l’information apporte des éclairages fondamentaux à la supply chain, notamment lorsqu’il faut juger si une source de données peut affiner les décisions.

Cette perspective explique, par exemple, pourquoi les corrections manuelles fines — comme l’ajustement des prévisions ou des politiques de stock — sont vaines. Si les planificateurs de la demande s’appuient sur l’historique pour effectuer ces corrections, ils n’ajoutent aucun bit d’information au système. Ils ne font que pallier les défauts des recettes numériques existantes — construites sur ces mêmes données. Pour qu’un tel processus manuel rende le système mieux informé, il doit donc introduire des bits d’information « nouveaux ». Supposons qu’un nombre fondé sur l’intuition ou sur des connaissances préalables porte moins de 10 bits d’information. Même si un salarié fournit chaque jour 100 nombres pertinents, cela ne représente que 1000 bits — en supposant, de manière irréaliste, une indépendance complète. Ajouter 1000 bits à un système qui en traite des millions a peu de chances de le rendre sensiblement mieux informé. Un salarié peut certes apporter occasionnellement une information d’une portée disproportionnée, mais cela soulève la question de la source de ces éclairages et de la probabilité de les reproduire régulièrement.

Plus généralement, le prisme informationnel aide à évaluer dans quelle mesure une source de données peut éclairer les décisions de supply chain. Comme l’a montré l’exemple précédent, traiter des données n’ajoute aucune information — cela ne peut que révéler ce qui figurait déjà dans les données d’origine. Il précise aussi que le volume des données n’est pas nécessairement corrélé à leur contenu informationnel.

Mais transformer l’information en décisions éclairées exige encore un ingrédient : les connaissances.

5.1.3 Connaissances

Les connaissances sont la compréhension théorique et pratique d’un objet. Elles englobent les éclairages, les règles et les principes qui façonnent le modèle causal qu’un esprit se fait de cet objet³⁹. Ce modèle causal permet à un esprit de déduire pourquoi l’objet est tel qu’il est et vers quoi il évolue. Les connaissances transforment les observations en actions qui orientent l’objet vers un meilleur état.

Pour les besoins de la supply chain, nous ne puisons que dans une infime fraction des connaissances de l’humanité. Nous nous intéressons uniquement aux supply chains ; le périmètre des connaissances se limite à cette fin. Des connaissances ne relèvent de la supply chain que si elles améliorent les décisions de l’entreprise. Au sens le plus large, les connaissances de supply chain couvrent un vaste éventail de sujets. Toutefois, comme l’expliquait le chapitre Épistémologie, il faut distinguer le cœur du domaine de la supply chain de ses sciences auxiliaires, car leurs façons d’organiser et de développer les connaissances diffèrent sensiblement.

Contrairement à l’information — entièrement caractérisable mathématiquement, phénomène mécanique sans intelligence dont le support de stockage importe peu —, les connaissances sont difficiles à cerner et inséparables de l’esprit qui les produit.

Donnez le même manuel de physique à deux étudiants : l’un peut en tirer des enseignements qui dépassent largement ses exemples, tandis que l’autre ne reliera peut-être jamais les exemples aux principes. Ce qu’en retire un lecteur est subjectif : les connaissances d’un livre restent latentes tant que personne ne le lit. Jusque-là, il n’est qu’un dispositif de stockage de données. Le contenu du livre reste identique quelle que soit la qualité du papier — et même si le livre n’est pas imprimé ; la copie électronique a un contenu identique.

Les connaissances et l’intelligence générale étant intimement liées, comprendre pleinement les unes exige de comprendre pleinement l’autre. Toute définition de l’une sans les autres est nécessairement incomplète. L’intelligence générale reste un sujet de recherche actif. Les progrès dans ce domaine se sont accélérés au cours des sept dernières décennies, avec des résultats remarquables. Mais nous avons aussi pris conscience de l’ampleur de l’ignorance que nous avions sous-estimée sur ce sujet. Nous y reviendrons au chapitre Intelligence.

Tout aussi important est le lieu des connaissances — là où elles résident effectivement dans l’entreprise —, question cruciale lorsqu’on les applique à la supply chain. Deux conceptions courantes mais simplistes passent à côté du sujet. La première, et la plus répandue, veut que les connaissances résident exclusivement chez les experts et dans leurs supports — articles, livres et cours. Le monde universitaire entretient souvent cette vision ; nombre de professeurs se voient au sommet de l’expertise. La seconde veut que les connaissances soient réparties uniformément dans l’entreprise. Cette croyance découle souvent d’une volonté malavisée d’associer tous les salariés aux efforts de supply chain de l’entreprise. Pour préciser où résident les connaissances, il nous faut affiner encore ce que nous entendons par ce terme.

Dans son essai fondateur de 1945⁴⁰, L’utilisation de la connaissance dans la société, Friedrich Hayek distingue les connaissances « spécialisées » des connaissances « ordinaires ». Les connaissances spécialisées englobent les manuels, les formules, le code source, les politiques et les réglementations. L’erreur fondamentale consiste, selon lui, à croire qu’elles constituent la seule forme de connaissances.

Hayek ajoute une seconde forme, cruciale : les connaissances ordinaires. Elles couvrent les menus détails liés aux circonstances d’un lieu et d’un moment donnés. Un chauffeur routier, par exemple, connaît le ronronnement d’un moteur en bon état et programme des réparations avant que les ennuis ne commencent. Ces connaissances s’affinent lorsqu’il conduit régulièrement le même camion et en découvre les particularités au fil du temps. Elles sont informelles et non documentées, mais souvent indispensables pour accomplir le travail de façon fiable.

La supply chain mêle donc des connaissances spécialisées, détenues par un petit groupe, et des connaissances ordinaires, détenues par un groupe bien plus large. Dans les deux cas, leurs détenteurs peuvent être salariés de l’entreprise — ou non. Par exemple, une partie des connaissances spécialisées peut être confiée à un éditeur de logiciels d’entreprise, et une partie des connaissances ordinaires à une société de réparation externe.

Depuis un siècle, les entreprises s’efforcent de remplacer le savoir-faire ordinaire par des règles codifiées. Les connaissances ordinaires restent importantes — ce que vous ignorez peut vous nuire —, mais leur caractère informel crée des frictions pour les grandes entreprises. Celles-ci cherchent à rendre leurs processus aussi reproductibles que possible pour réduire les variations accidentelles de qualité, de coût ou de délai dans leur flux de biens physiques. Sous cet angle, les connaissances ordinaires freinent la standardisation des processus.

L’essor des logiciels d’entreprise au cours des cinq dernières décennies a amplifié cette tendance : le logiciel incarne les connaissances spécialisées et accélère la transition. Il mécanise l’application des connaissances et procure des gains de productivité significatifs lorsqu’il est déployé avec succès. Toutefois, un logiciel est coûteux à mettre en place et plus encore à entretenir, particulièrement dans les environnements d’entreprise complexes. Codifier un processus apporte deux gains : une reproduction plus facile et un contrôle plus étroit par le logiciel.

Dans une supply chain moderne, le code source qui met en œuvre les recettes numériques de l’entreprise — avec les éléments qui l’accompagnent (tests, notebooks, configuration, documentation) — constitue son actif de connaissances spécialisées le plus précieux. Contrairement aux présentations ou au savoir oral du groupe, cet actif est opérant : il transforme l’information en décisions sans attendre une réunion. Point crucial, ce code n’est pas une bibliothèque figée de formules ; c’est un corpus vivant qu’il faut entretenir, versionner et remettre continuellement à l’épreuve des résultats en matière de profits et de pertes.

Comme ce code est de l’information, il peut lui-même être analysé par logiciel. L’analyse statique, les systèmes de types, les analyseurs de code, les profileurs, les tests formels et les bancs de simulation rendent les connaissances inspectables et améliorables à la vitesse des machines. Inversement, ces connaissances étant inséparables des esprits qui les font évoluer, les ingénieurs qui entretiennent et enrichissent le code font partie de l’actif : faute d’entretien responsable, la dégradation s’installe, la sémantique dérive et l’entreprise glisse discrètement vers le folklore.

Cette observation boucle la boucle. Les données sont des symboles. L’information est leur pouvoir de réduire l’incertitude. Les connaissances sont la structure causale — de plus en plus consignée sous forme de code — qui convertit systématiquement cette incertitude réduite en de meilleures allocations de ressources rares. Pour la supply chain, « détenir les connaissances » signifie détenir et exploiter le code qui les incarne.

5.2 Classes de logiciels d’entreprise

La majeure partie de l’information dont une supply chain moderne a besoin réside dans les logiciels d’entreprise. Pourtant, ces applications jouent des rôles épistémiques distincts. Les pages précédentes ont distingué données, information et connaissances ; cette section transpose cette tripartition au logiciel. Ce que l’entreprise enregistre (données), rapporte (information) et décide (connaissances rendues opérantes) réside dans trois classes distinctes de systèmes. Les confondre — demander aux registres de réfléchir ou aux tableaux de bord d’être des sources de vérité — figure parmi les erreurs les plus coûteuses des entreprises.

Depuis les années 1970, trois classes dominent les piles logicielles d’entreprise : les systèmes d’enregistrement, les systèmes de reporting et les systèmes d’intelligence. Il existe des dizaines d’outils spécialisés (par exemple, la CAO pour l’ingénierie, la virtualisation pour l’informatique), mais leurs budgets et leur importance pour la supply chain sont bien moindres que ceux de ces trois classes. Ce qui suit nomme précisément chaque classe, explique pourquoi leurs responsabilités doivent rester distinctes et montre comment leur mélange détériore les performances et dilue les responsabilités.

Ses principales vertus sont la fiabilité, la traçabilité et la cohérence. L’« intelligence » n’y est ni nécessaire ni souhaitée. Un système d’enregistrement numérise et fluidifie des tâches autrement accomplies sur papier. Presque tous les systèmes transactionnels — ERP, CRM, WMS, PLM, MRP — appartiennent à cette classe. Leur architecture repose d’abord sur le CRUD (création, lecture, mise à jour, suppression) et sur une base de données relationnelle. Le contrôle des accès concurrents, l’auditabilité et la cohérence forte dominent la conception. Les analyses lourdes et l’optimisation n’y ont pas leur place : elles accaparent les ressources partagées, dégradent l’expérience utilisateur et brouillent les responsabilités que les registres doivent préserver.

Il n’ajoute aucune information ; il se contente de remodeler l’existant. Les systèmes de reporting automatisent ce que les employés administratifs et les analystes faisaient autrefois à la main : totaux, moyennes, tableaux croisés, tableaux de bord. Ils se placent au-dessus des systèmes d’enregistrement et sont intrinsèquement descriptifs. Pour la pratique moderne de la supply chain, leur utilité est limitée : ils restent utiles à la conformité, à l’investigation et au contrôle de la direction, mais pas comme sources d’entrée des moteurs d’optimisation. Faire reposer la prise de décision sur une couche de reporting introduit des pertes d’information, une dérive sémantique et des biais supplémentaires sans gain économique.

Il le fait par une API au périmètre restreint et expose des journaux assez précis pour être confrontés aux résultats en matière de profits et de pertes. Il ne détient presque aucune donnée de référence et son interface utilisateur est très réduite. Un système d’intelligence remplace les étapes manuelles, réalisées à l’aide de tableurs, qui s’intercalent habituellement entre les rapports et l’exécution. Il consomme les données faisant autorité, calcule des options, procède à un arbitrage économique et inscrit des commandes, des allocations, des prix ou des calendriers dans le registre. Sa culture d’ingénierie, son profil d’exécution et son modèle de responsabilité diffèrent fondamentalement de ceux des systèmes d’enregistrement et de reporting. Cette classe sera examinée plus en détail au chapitre Décisions.

Dans une entreprise, les systèmes d’enregistrement viennent en premier, ceux de reporting en deuxième et ceux d’intelligence en dernier. Les systèmes de reporting et d’intelligence sont destinés à se superposer aux systèmes d’enregistrement — éventuellement avec l’appui de lacs ou d’entrepôts de données. Les entreprises commettent souvent l’erreur de mélanger ces classes, en attendant d’un seul produit qu’il crée de la valeur au-delà de ses frontières naturelles ; ces tentatives échouent invariablement. Les systèmes d’enregistrement font de très mauvais systèmes d’intelligence, et réciproquement.

La seconde erreur consiste à tenter de faire fonctionner un système d’intelligence au-dessus d’un système de reporting. Un système de reporting est une source d’information secondaire. Les données d’origine sont invariablement modifiées pour se prêter davantage au reporting. Ces transformations causent non seulement des pertes d’information, mais introduisent aussi des complications et des biais. Bien que ces transformations soient justifiées — dans le cadre du système de reporting —, les données ne reflètent plus fidèlement ce qui s’est réellement passé.

Par exemple, les ventes hebdomadaires présentées par les outils de business intelligence peuvent être nettes des retours. Pour les articles fréquemment retournés, ces chiffres peuvent sous-estimer le stock nécessaire au maintien d’un taux de service donné.

L’idée de faire fonctionner un système d’intelligence au-dessus d’un système de reporting est tentante, car, aux yeux d’un humain, les données présentées par le système de reporting paraissent plus claires et mieux organisées que leurs équivalents d’origine dans le système d’enregistrement. On a donc l’impression que cela aiderait le système d’intelligence. C’est pourtant faux. Le point de vue informationnel explique pourquoi : le système de reporting contient non seulement moins d’information, mais ajoute aussi sa propre couche de complications.

Une compréhension claire de ces trois classes de logiciels est indispensable pour que la pratique moderne de la supply chain s’enracine dans une entreprise.

5.2.1 La place du logiciel

La supply chain est désormais bornée par le logiciel : ce que l’entreprise peut observer, mémoriser et finalement décider est moins contraint par les chariots élévateurs et les quais que par les schémas, les API et les environnements d’exécution. Mal placer le logiciel dans l’architecture d’ensemble n’est pas une préoccupation informatique tatillonne ; c’est une erreur économique qui prélève discrètement un coût sur chaque décision de l’entreprise. Si l’on demande au mauvais système de réfléchir, ou si l’on prive le bon des données dont il a besoin, l’optionalité se réduit, la variabilité frappe plus durement et le fonds de roulement se trouve immobilisé pour des raisons qui n’apparaissent jamais dans un compte de résultat.

Les pages précédentes ont distingué données, information et connaissances, puis les ont rattachées à trois classes de logiciels : les systèmes d’enregistrement, de reporting et d’intelligence. Cette section précise pourquoi cette séparation doit être imposée en pratique, et pas simplement reconnue sur des diapositives. Avant d’examiner comment la plupart des auteurs se trompent sur ce point, nous devons expliciter l’enjeu : l’autorité sur les faits (enregistrements), sur leur récit (rapports) et sur les leviers qui déplacent réellement la trésorerie et les atomes (intelligence). Confondre ces rôles brouille les responsabilités, gonfle les coûts par la contention des ressources et garantit que les « mauvaises données » seront accusées de ce qui est, en réalité, un défaut de conception.

Ce cadre posé, nous pouvons examiner comment le discours sur la supply chain présente couramment le logiciel sous un faux jour — soit comme un détail sans importance qui fournit par magie tous les nombres réclamés par une formule, soit comme un bel organigramme de modules interchangeables dont l’assemblage constituerait les « meilleures pratiques ».

Les auteurs de supply chain se répartissent généralement en deux camps. Ceux de sensibilité universitaire traitent le logiciel d’entreprise comme une abstraction, supposant que des chiffres tels que les ventes ou les niveaux de stock sont simplement « là ». L’origine des nombres est rarement abordée ; leur obtention est traitée avec autant de désinvolture que le choix d’une marque de pelle par un entrepreneur. Pour élargir leur portée, ils proposent un éventail de modèles — certains s’appuient sur des entrées telles que les relevés de ruptures de stock, d’autres s’en passent —, laissant les entreprises choisir celui qui convient aux données dont elles disposent effectivement.

Les auteurs issus des cabinets de conseil s’appuient sur les mots à la mode, déployant des diagrammes ouvragés et des matrices de maturité qui traitent les modules logiciels comme des pièces de puzzle. Ils prescrivent des « parcours d’adoption » par étapes, mais celles-ci reçoivent rarement plus qu’un vernis de présentation. Les formules destinées aux dirigeants abondent ; la substance technique solide est rare.

Aucun de ces deux points de vue n’offre un traitement rigoureux de la supply chain. Traiter les « données de vente » ou les « données de stock » comme des évidences trahit une méconnaissance des réalités des logiciels d’entreprise ; décrire des outils sans leurs mécanismes sous-jacents ni leurs marchés ne vaut guère mieux. Trop souvent, le résultat n’est rien de plus qu’un argumentaire commercial sous des habits savants.

Le logiciel est une science auxiliaire indispensable de la supply chain, et sa maîtrise ne peut être déléguée à des spécialistes — pas plus qu’un médecin moderne ne peut externaliser la chimie. Une entreprise doit comprendre son propre terrain logiciel pour bien conduire sa supply chain.

5.3 Systèmes d’enregistrement

Les systèmes d’enregistrement sont les registres d’une entreprise : ils matérialisent les processus opérationnels, consignent chaque transaction et changement d’état et deviennent, par construction, la mémoire de référence des biens en mouvement. Dans les supply chains modernes, ils sont les seuls dépositaires de l’information capables de passer à l’échelle : ce que l’entreprise peut observer et mémoriser réside là — pas dans les esprits.

Cette section traite les systèmes d’enregistrement pour ce qu’ils sont : indispensables, mais limités sur les plans épistémique et technique. Ils sont conçus pour la fiabilité, la traçabilité et le contrôle des accès concurrents. Ils ne sont pas conçus pour produire des rapports, encore moins pour décider. Les confondre avec des systèmes de reporting ou d’intelligence compte parmi les erreurs les plus courantes — et les plus coûteuses — des entreprises.

Nous procédons en cinq étapes : d’abord, nous rappelons le parcours historique qui a produit les ERP, CRM, WMS et leurs cousins actuels. Ensuite, nous disséquons leur conception CRUD et la banalisation qui en découle. Puis, nous examinons la trajectoire technologique qui fait enfler tout système d’enregistrement au fil du temps, créant des chevauchements fonctionnels et des cauchemars de synchronisation. Quatrièmement, nous exposons les limites fonctionnelles strictes qui empêchent d’introduire des analyses lourdes ou de l’optimisation dans le registre. Enfin, nous terminons par le dilemme de l’éditeur — l’incitation structurelle à commercialiser les registres comme des plateformes « intelligentes » malgré leurs limites intrinsèques.

Ce cadre posé, la suite de la section peut se lire comme un guide de terrain : comment exploiter sans ménagement les systèmes d’enregistrement pour ce qu’ils font bien, et comment les tenir à l’écart du rôle décisionnel qu’ils n’ont jamais été conçus pour occuper.

5.3.1 L’origine des logiciels d’entreprise

Les systèmes d’enregistrement sont apparus à la fin des années 1970 et se sont rapidement diffusés dans les années 1980 et 1990. Leur rôle était de convertir le travail administratif très consommateur de papier — notamment la comptabilité et la tenue des stocks — en processus électroniques. En consignant chaque transaction et mouvement de stock, ils ont éliminé des catégories entières d’erreurs administratives et, avec l’arrivée des lecteurs de codes-barres, accru la productivité. À la fin des années 1990, la plupart des grandes entreprises avaient déployé plusieurs de ces systèmes pour automatiser leurs tâches administratives courantes.

La baisse du coût du matériel a soutenu cet essor. Sur la période 1970–2000, la loi de Moore s’est vérifiée : le nombre de transistors doublait environ tous les deux ans, tandis que les prix bougeaient à peine. La mémoire, le stockage, la bande passante et les entrées-sorties suivaient des courbes similaires, si bien qu’à la fin des années 1990, stocker les transactions sous forme numérique coûtait plusieurs ordres de grandeur de moins que les solutions papier.

Dans le flot des produits de tenue des registres, deux appellations se sont imposées : ERP (enterprise resource planning, planification des ressources de l’entreprise) et CRM (customer relationship management, gestion de la relation client). Ôtez le marketing : il s’agit du même animal, un registre CRUD entouré de processus. La seule véritable différence est le point d’entrée — l’ERP s’organise autour du produit (et de ses nomenclatures, gammes, stocks), le CRM autour du client (et du pipeline commercial). Une fois qu’un éditeur a pris pied, les deux familles se développent de la même façon : ajout d’entités adjacentes, regroupement de toujours plus de modules et acquisition de concurrents de niche. À la fin des années 1990, la plupart des ERP et CRM étaient devenus des monolithes tentaculaires, préparant les problèmes techniques examinés ensuite.

L’une des causes profondes était technique : les réseaux à commutation de paquets ont été conçus dans les années 1960, mais les véritables systèmes d’entreprise distribués sont restés marginaux jusqu’à la fin des années 1990. Les entreprises exploitaient donc de grands ordinateurs centralisés, et l’intégration entre éditeurs était soit ruineuse, soit impossible. Étendre le système en place coûtait moins cher que d’en raccorder un nouveau.

Mais construire et exploiter des bases de code toujours plus volumineuses coûte cher. Au cours des années 2000, des outils d’intégration banalisés — ETL open source et API web — ont réduit le coût du raccordement des systèmes ; des applications spécialisées de tenue des registres sont donc réapparues et ont repris une partie du travail aux monolithes.

Pourtant, les anciens monolithes n’ont jamais rétréci, et les nouveaux outils de niche ont vite enflé à leur tour : tout système d’enregistrement continue de croître suivant la même logique. D’où la soupe d’acronymes WMS, OMS, PIM, PLM, SRM et leurs innombrables cousins — des points de départ différents, mais une architecture et une trajectoire de croissance très similaires.

Dans le travail de supply chain, le monolithe ERP est généralement la première source de données, car il détient les registres des achats et des ventes. L’appellation Enterprise Resource Planning est un artefact marketing : un ERP ne planifie pas au sens économique d’un arbitrage entre options dans l’incertitude ; il exécute et enregistre les processus liés aux ressources (commandes, stocks, factures) et, au mieux, ordonne des étapes administratives (approbations, calculs de besoins MRP suivant un calendrier, changements de statut) selon des paramètres saisis par les utilisateurs.⁴¹ Appeler cela « planification » confond tenue des registres et prise de décision, et alimente le mythe récurrent selon lequel un système d’enregistrement pourrait également servir de système d’intelligence.

5.3.2 La conception CRUD

Presque tous les systèmes d’enregistrement actuels suivent le modèle CRUD (création, lecture, mise à jour, suppression), né avec les bases de données relationnelles à la fin des années 1970⁴². Les interfaces sont passées des écrans verts aux applications web soignées, mais les principes sous-jacents ont à peine changé. L’outillage, en revanche, a tellement progressé que, depuis le milieu des années 2000, les systèmes d’enregistrement ne sont guère plus que des produits banalisés.

En pratique, « la base de données » désigne un moteur relationnel (SQL) : un ensemble de tables, chacune composée de colonnes typées (nombres, texte, dates…) et de lignes de données. D’autres conceptions existent, mais leur importance est bien moindre dans les logiciels d’entreprise. Les bases relationnelles relient les tables par des paires de clés primaires et étrangères. Une ligne de Orders, par exemple, peut porter un ProductID qui pointe vers le ProductID correspondant dans Products ; le moteur interdit qu’une commande fasse référence à un produit inexistant.

Les dialectes des éditeurs diffèrent, mais le noyau SQL-92 (publié en 1992) fonctionne partout, et la plupart des applications CRUD ont rarement besoin de davantage, malgré les extensions ultérieures plus sophistiquées. Les détails de SQL sortent du cadre de cet ouvrage ; toutefois, des notions de base en SQL devraient faire partie des connaissances fondamentales nécessaires à un praticien moderne de la supply chain.

La conception CRUD commence par définir des entités — des groupes de tables reflétant les concepts métier gérés par l’application. Il peut s’agir de produits, de clients, de stocks, de fournisseurs, de contrats, de salariés, de paiements, etc. De plus, la plupart des concepts métier ne tiennent pas dans une seule table. Une commande client, par exemple, peut nécessiter une table Orders avec une transaction par ligne, et une autre table OrderDetails répertoriant tous les articles de chaque commande.

Chaque entité dispose d’écrans permettant aux utilisateurs de créer, lire, mettre à jour ou supprimer ses enregistrements, conformément au paradigme sous-jacent de la base de données. Ces écrans sont fréquemment accompagnés de fragments de logique métier qui automatisent les modifications de la base — conséquences mécaniques des saisies de l’utilisateur — et suivent généralement un processus quelconque.

La complexité d’une application CRUD augmente presque toujours insensiblement : de nouvelles entités apparaissent, les anciennes s’étendent. Les nouveaux écrans prolifèrent ; les anciens accumulent des options. Les processus gagnent en expressivité par l’ajout d’options qui affinent l’automatisation déclenchée après la saisie. En théorie, la complexité pourrait diminuer ; en pratique, les incitations en place l’en empêchent. Nous y revenons ensuite.

Les applications CRUD sont, comme leur nom le suggère en anglais, rudimentaires. Si l’on met de côté la couche fondamentale elle-même (base de données comprise), il n’y a rien de vaguement « intelligent » dans la conception ou l’exécution d’une application CRUD. Les principes logiciels qui sous-tendent les règles et comportements mis en œuvre dans un CRUD sont fondamentalement accessibles à quiconque a terminé le collège. Cela se résume à des opérations arithmétiques entrecoupées d’instructions IF-THEN, et guère plus. Naturellement, l’activité elle-même peut être complexe, avec des règles et des comportements qui dépassent largement la compréhension d’un collégien. Dans ce cas, le paradigme CRUD n’offre qu’une décomposition laborieuse en étapes élémentaires de traitement.

La simplicité du CRUD en a fait le modèle par défaut des applications métier pendant des décennies, et, depuis le milieu des années 2010, les piles open source en ont fait un produit banalisé. Ces outils rendent les ingénieurs logiciels beaucoup plus productifs lorsqu’ils développent des applications CRUD que lorsqu’ils développent presque tout autre type de logiciel. Les applications CRUD sont notamment l’exemple de prédilection de la plupart des démonstrations d’environnements de programmation. De plus, si le recrutement d’ingénieurs logiciels reste notoirement difficile, le développement CRUD est largement accessible aux développeurs juniors (et aux seniors médiocres) et représente de loin le type de logiciel le plus facile à construire.

De nombreuses entreprises paient encore trop cher leurs systèmes d’enregistrement CRUD, sous-estimant à quel point l’outillage open source les a banalisés. Les éditeurs exploitent ce retard pour maintenir des prix élevés. Aussi utile et vital pour l’activité qu’un système d’enregistrement puisse être, ce type de produit peut désormais être développé rapidement et à faible coût. Pourtant, par habitude bien ancrée, de nombreuses entreprises versent encore aux éditeurs des redevances annuelles supérieures au coût d’un redéveloppement interne de ces systèmes. Naturellement, les éditeurs profitent de cette confusion et sont passés maîtres dans l’art de retarder l’inévitable : baisser le prix des registres qu’ils vendent. Cette situation découle aussi de la trajectoire technologique des systèmes d’enregistrement.

5.3.3 Trajectoire technologique

Les systèmes d’enregistrement, contrairement aux tableurs qu’ils ont remplacés, sont rigides et moins expressifs. Même un système d’enregistrement extrêmement performant ne couvre aujourd’hui qu’une fraction de ce qu’autorise une collection souple de feuilles de calcul. Avec de telles feuilles, les salariés peuvent toujours s’écarter des processus formalisés — tant que leurs collègues sont d’accord. Des étapes ou des exigences peuvent être omises ; toute règle peut souffrir des exceptions ; ou, inversement, un jugement arbitraire peut rejeter une demande que des règles « aveugles » jugeraient acceptable. Naturellement, cette liberté se paie en fiabilité et en productivité, car les tableurs se prêtent mal à une automatisation substantielle.

Les éditeurs lancent généralement un système d’enregistrement avec un petit ensemble d’entités, ainsi que les écrans et les processus nécessaires à leur gestion. Les ressources techniques d’un jeune éditeur sont limitées, et poursuivre le développement n’a pas d’intérêt si le produit peut être vendu en l’état malgré ses limites. De plus, développer une application métier sans retours détaillés est vain tant que les clients ne l’ont pas intégrée à leurs processus. Ainsi, si le noyau initial peut reposer sur une vision a priori du marché, les extensions sont presque invariablement construites en étroite collaboration avec quelques clients.

Les marchés professionnels n’ont pas la profondeur des marchés grand public. Une fois un produit vendu à une entreprise cliente, l’éditeur exploite donc naturellement cette position pour vendre à nouveau au même client — la vente additionnelle⁴³. Vendre des modules supplémentaires à un client existant coûte bien moins cher que d’en conquérir un nouveau, car cette conquête exige de franchir tous les obstacles internes associés à un nouveau poste de dépenses — comme participer à un appel d’offres face à des concurrents.

Les systèmes d’enregistrement offrent toujours une entité supplémentaire à ajouter — ou à enrichir — pour que l’éditeur puisse justifier la vente suivante. Quelle que soit la couverture fonctionnelle du produit, il reste toujours des concepts métier et des variantes de processus à ajouter. Rien dans la technologie des systèmes d’enregistrement n’impose un impératif de cohérence qui limiterait cette croissance. Un système de gestion des stocks peut, par exemple, être étendu à la gestion des clients ; inversement, un système de gestion de la relation client peut être étendu à la gestion des stocks. De fait, la plupart des grands éditeurs d’ERP proposent des fonctions de CRM ; inversement, la plupart des grands éditeurs de CRM proposent des fonctions d’ERP. Il s’agit d’ajouter toujours plus de tables, d’écrans et de logique métier, ad infinitum. Même en laissant de côté les personnalisations propres à chaque client, le système d’enregistrement devient la somme des particularités de l’ensemble de sa clientèle.

Tout système d’enregistrement maintenu commercialement continue de croître jusqu’à la faillite de l’éditeur ou à l’abandon complet de la gamme. Le coût d’ingénierie étant une fonction superlinéaire du nombre d’entités — autrement dit, mettre en œuvre deux fois plus d’entités fait plus que doubler les coûts —, le rythme de croissance du produit (en fonctionnalités et en capacités) tend à ralentir avec le temps, même si l’éditeur continue d’augmenter ses effectifs d’ingénierie à mesure que l’entreprise se développe. Pourtant, malgré ces coûts superlinéaires qui freinent une croissance de la complexité autrement illimitée, de nombreux systèmes d’enregistrement deviennent des mastodontes fonctionnels après deux décennies de développement continu. De nombreux systèmes populaires, y compris ceux destinés aux petites entreprises, comptent plus de 10 000 tables, dont la plupart comportent des dizaines de champs.

La trajectoire d’une complexité sans cesse croissante est pratiquement irrésistible pour les éditeurs de systèmes d’enregistrement. Supprimer des entités rarement utilisées n’apporte tout simplement aucun avantage : cela mécontente les quelques entreprises clientes qui les utilisent — aussi peu nombreuses soient-elles — tout en laissant les autres indifférentes. Malheureusement, cette trajectoire conduit à un abâtardissement prévisible du produit. En effet, si la collaboration avec les clients est un ingrédient essentiel du développement logiciel d’entreprise, certaines demandes sont malavisées. D’autres reflètent des niches étroites qui ne justifiaient pas de fonctions sur mesure. D’autres encore imposent des terminologies ou des concepts incompatibles avec ceux adoptés par l’éditeur. Au fil du temps, tout système d’enregistrement activement développé devient ainsi une construction lovecraftienne qui menace la santé mentale de ceux qui la contemplent trop longtemps.

Dans A Deepness in the Sky (1999), l’écrivain américain de science-fiction Vernor Vinge dresse un tableau d’une troublante justesse des initiatives logicielles de longue durée :

Il y avait là des programmes écrits cinq mille ans auparavant, avant même que l’humanité quitte la Terre. Le prodige — l’horreur, disait Sura — était que, contrairement aux épaves inutiles du passé de Canberra, ces programmes fonctionnaient encore ! Et, par un million de chemins tortueux d’héritage, nombre des programmes les plus anciens tournaient toujours dans les entrailles du système Qeng Ho. Prenez la façon dont les Marchands mesuraient le temps. Les corrections de référentiel étaient incroyablement complexes — et, tout au fond, un petit programme faisait tourner un compteur. Seconde après seconde, les Qeng Ho comptaient depuis l’instant où un humain avait posé pour la première fois le pied sur la lune de la Vieille Terre. Mais, en y regardant de plus près… le point de départ se situait en réalité quelque cent millions de secondes plus tard, à la seconde 0 de l’un des premiers systèmes d’exploitation informatiques de l’humanité.

Derrière toutes les interfaces de haut niveau s’empilaient donc les couches de support. Certains de ces logiciels avaient été conçus pour des situations radicalement différentes. De temps à autre, les incohérences provoquaient des accidents mortels. Malgré le romantisme du vol spatial, les accidents les plus courants étaient simplement dus à d’anciens programmes mal employés qui finissaient par prendre leur revanche.

« Nous devrions tout réécrire », dit Pham.

« On a déjà essayé, rectifia Bret, tout juste revenu des congélateurs. Mais même les niveaux supérieurs du code des systèmes de la flotte sont énormes. Toi et un millier de tes amis devriez travailler pendant un siècle environ pour le reproduire. » Trinli eut un sourire mauvais. « Et tu sais quoi ? Même si vous le faisiez, vous auriez, une fois le travail terminé, vos propres incohérences. Et vous ne seriez toujours pas compatibles avec toutes les applications dont on pourrait avoir besoin de temps à autre. »

Pourtant, cette spirale d’accumulation n’est pas une loi d’airain pour l’acheteur. Plusieurs grandes organisations ont gardé leurs registres légers en déplaçant les processus annexes vers des composants latéraux détachables — de petits services ou modules d’extension qui communiquent avec le cœur par une frontière d’API. Ces extensions étant détenues, versionnées et — point crucial — éliminées à volonté par le client, les scories s’accumulent à la périphérie, où elles peuvent être élaguées sans toucher au stockage de référence.

Un levier plus radical consiste à retirer progressivement des fonctions. Contrairement à l’idée reçue selon laquelle « personne ne réécrit un ERP », beaucoup d’entreprises le font — simplement pas dans un unique élan héroïque. Le modèle éprouvé est celui de l’étrangleur : placer une façade légère devant le monolithe, rediriger une fonction autonome (moteur de tarification, autorisation de retour, module fiscal…) vers un service construit de zéro, figer les tables correspondantes, puis les supprimer physiquement après une période de retrait. Répétez l’opération chaque trimestre, et l’impossible big bang devient une suite d’interventions chirurgicales maîtrisables.

Ces tactiques ne suppriment pas l’incitation de l’éditeur à vendre encore plus d’extensions ; elles ne font que rendre au client sa capacité d’action. Rien n’oblige une entreprise à installer la prochaine extension séduisante lorsque le coût récurrent de la complexité dépasse celui d’un remplacement sobre. En pratique, le coût de possession à long terme le plus bas s’obtient en traitant le registre central comme un sanctuaire et tout le reste comme du code jetable. La croissance de la complexité est le comportement par défaut, pas une fatalité — à condition que l’organisation cultive la discipline d’élaguer continuellement son propre jardin.

5.3.4 Chevauchements fonctionnels

Les données de référence⁴⁴ sont les premières victimes des chevauchements fonctionnels. Dès que deux systèmes d’enregistrement coexistent, aucune correspondance 1-à-1 entre entités ne peut être présumée. Des attributs qui semblent identiques (« poids du produit », « date de commande », « code fournisseur ») divergent couramment par leur sens, leur unité, leur temporalité et leur gouvernance. Ce que l’ERP appelle product_family peut ne correspondre qu’approximativement à ce que le PIM stocke sous category ; lead_time dans le MRP peut être une promesse d’approvisionnement, tandis que le WMS enregistre une moyenne empirique. Le prétendu « enregistrement de référence unique » est une fiction managériale : en réalité, chaque système est maître pour certains attributs, à certains moments, pour certains usages.

Cette fragmentation n’est pas une simple nuisance administrative ; elle est le principal moteur de la dérive sémantique (voir la section Sémantique des données). Lorsque des registres qui se chevauchent ne partagent pas des schémas isomorphes, l’information relative à un même fait métier se disperse entre tables, systèmes et équipes, sans règle canonique de rapprochement. Les programmes de gestion des données de référence (MDM) tentent de masquer cette réalité à l’aide de plateformes centrales et de règles de sélection des valeurs à conserver, mais — en l’absence d’une autorité claire pour chaque attribut et d’un système de décision auditable — ils ne font qu’ajouter un autre système qui chevauche les précédents et une autre couche de synchronisation à entretenir.

Les chevauchements fonctionnels entre systèmes d’enregistrement d’éditeurs tiers sont la conséquence directe de leur trajectoire technologique, et ce sont les données de référence qu’ils frappent le plus durement. En effet, les éditeurs repoussant sans cesse leurs frontières fonctionnelles respectives, les collisions sont inévitables ; seul leur calendrier reste incertain. Les grands éditeurs y sont d’ailleurs particulièrement sujets, puisqu’ils ont grandi en élargissant continuellement leur couverture fonctionnelle. Ce problème est propre aux systèmes tiers ; même une coordination interne modeste empêche généralement de tels chevauchements d’apparaître dans les développements internes.

En pratique, les systèmes qui se chevauchent exigent des processus de synchronisation des données. La synchronisation des données de référence est particulièrement pernicieuse : les schémas sont rarement isomorphes, les attributs portent des sémantiques différentes et l’autorité par attribut (quel système est maître de quoi, et quand) est rarement explicitée. Ces synchronisations sont invariablement des projets logiciels ad hoc. Le marché des logiciels d’entreprise est en effet trop fragmenté pour justifier le développement d’outils de synchronisation prêts à l’emploi.

Une synchronisation bidirectionnelle entre systèmes d’enregistrement — où des modifications peuvent être apportées dans les deux systèmes et où chaque modification dans l’un doit être propagée à l’autre — exige généralement au moins un ordre de grandeur d’effort supplémentaire par rapport aux intégrations unidirectionnelles, dans lesquelles un système est dit « maître » et l’autre « esclave ». Une synchronisation bidirectionnelle doit traiter les modifications contradictoires et leur résolution, ce qui est bien plus délicat que de simplement copier toutes les modifications du maître dans l’esclave en écrasant les valeurs existantes. Pour les données de référence, dont différents sous-ensembles d’attributs sont continuellement modifiés par plusieurs services, cette surface de conflit est la règle, non l’exception. Malgré l’existence d’algorithmes extrêmement ingénieux consacrés à ce cas, la synchronisation de données à N voies, avec N supérieur à 2, devrait généralement être considérée comme une abomination.

Même lorsque l’informatique identifie soigneusement le système maître pour chaque domaine, la plupart des grands systèmes finissent à la fois maîtres et esclaves — selon le domaine (par exemple, l’ERP peut faire autorité sur le prix et le PIM sur le contenu descriptif d’un même SKU). Le CRM peut ainsi être maître pour les « clients », mais esclave de l’ERP pour les « fournisseurs ».

Ces chevauchements constituent un obstacle massif et permanent que les entreprises sous-estiment systématiquement. En particulier, lorsqu’il s’agit de choisir le prochain éditeur, elles privilégient souvent des listes de fonctionnalités impressionnantes, comme l’illustre le processus habituel de RFQ (Request For Quotation, demande de devis), qui comprend fréquemment des centaines d’exigences. Les entreprises tendent ainsi à choisir de grands éditeurs aux produits inutilement complexes, suivant l’intuition de bon sens qui peut le plus, peut le moins. Pourtant, cette intuition malavisée les conduit invariablement à retenir des éditeurs présentant de vastes chevauchements fonctionnels. Ceux-ci se révèlent extrêmement coûteux.

Ces chevauchements ne sont pas seulement un surcoût informatique ; ils corrompent directement le sens. Nous y revenons dans la section Sémantique des données, où nous montrons comment une sémantique insaisissable, dépendante des lignes, fait discrètement dérailler les efforts d’optimisation.

Premièrement, pour le service informatique, la résolution des problèmes de synchronisation est fortement superlinéaire — l’effort croît bien plus vite que le nombre d’entités. Bientôt, le plan du métro de Tokyo paraît plus simple que le graphe de synchronisation que l’informatique doit entretenir. Il est désormais courant de voir des directions informatiques se retrouver de fait en faillite : elles ne parviennent plus à maintenir ce graphe face au flux incessant de mises à jour de leurs systèmes d’enregistrement tiers.

Deuxièmement, pour les salariés qui saisissent les données, ces chevauchements créent une source permanente de confusion, car les mêmes entités peuvent être consultées et modifiées à plusieurs endroits. Les éditeurs n’ont aucune raison de faciliter la mise en « esclavage » de certaines parties de leurs produits au profit de concurrents pour atténuer cette confusion. De leur point de vue, même une fonction inutilisée garde un pied dans la porte pour la prochaine vente additionnelle. De plus, l’idée que l’entreprise devrait payer pour faire supprimer des fonctions d’un système va tout simplement à l’encontre de l’ensemble du paradigme qui gouverne le marché des logiciels d’entreprise.

Troisièmement, toute tentative d’exploitation des données, au sein d’un système de reporting ou d’intelligence, se heurte à un palais des glaces : la même information apparaît à plusieurs endroits. Or, les données secondaires produites par les processus de synchronisation ne devraient pas servir à ces fins. Elles peuvent être périmées, dégradées ou subtilement altérées, et semer le chaos dans les processus en aval. Il faut donc, pour chaque information, s’assurer de lire l’enregistrement maître canonique.

Bien que l’histoire des logiciels d’entreprise soit courte, le développement interne de systèmes d’enregistrement — malgré leurs défauts — est le seul moyen viable d’éviter les coûts incessants qu’induisent les chevauchements fonctionnels entre systèmes tiers. Heureusement, comme indiqué plus haut, le développement de tels systèmes d’enregistrement est, à toutes fins pratiques, devenu une activité banalisée.

5.3.5 Limites fonctionnelles

Si les systèmes d’enregistrement apportent de la valeur aux entreprises qui les exploitent, ce qu’ils peuvent apporter est strictement limité. Ce sont, au mieux, des registres améliorés. En particulier, ils ne sont ni des systèmes de reporting efficaces ni des systèmes d’intelligence efficaces ; ces objectifs sont technologiquement antagonistes aux fonctions fondamentales qu’ils doivent assurer.

Une grande partie de la valeur d’un système d’enregistrement provient de sa base de données — son noyau transactionnel. Sa conception est fondamentalement centralisée — précisément ce que veut l’entreprise. Par exemple, si le système détient le niveau de stock d’un SKU donné, chaque utilisateur ou agent qui l’interroge doit voir la même valeur. De plus, si quelqu’un réclame 1 unité, cette unité ne doit pas être accordée à une demande concurrente. Préserver l’intégrité du stock électronique exige du système qu’il coordonne les demandes concurrentes et simultanées portant sur une même donnée — une unité en stock.

Plus généralement, cette classe de problèmes relève de la contention des ressources : un conflit d’accès à une ressource partagée, comme la RAM, le disque ou un autre composant matériel. La contention des ressources est notoirement difficile à traiter, car elle revient souvent à réduire la latence. Or les progrès en matière de latence ont largement marqué le pas il y a plus d’une décennie — plus de deux pour de nombreux problèmes particuliers. Dans une large mesure, la latence est désormais bornée par la vitesse de la lumière elle-même. Par exemple, les paquets de données sur Internet se propagent à environ deux tiers de la vitesse de la lumière dans le vide. Cela laisse peu de marge à de nouvelles améliorations⁴⁵. Autre exemple : en environ 0,3 nanoseconde — soit approximativement un cycle d’horloge de processeur —, la lumière ne peut parcourir qu’environ 5 cm dans un aller-retour.

Il existe des techniques pour atténuer la contention des ressources dans les traitements gourmands en calcul — partitionnement horizontal (sharding), séparation des lectures et des écritures, files asynchrones, CQRS⁴⁶/event sourcing, verrous distribués, modèles de saga ou d’orchestration, entre autres. Chacune échange toutefois les vertus mêmes qu’un système d’enregistrement doit maximiser — simplicité, traçabilité, cohérence forte — contre une complexité opérationnelle et sémantique : cohérence à terme à expliquer en aval, chemins de lecture et d’écriture dupliqués, logique élaborée de relance et de compensation, transactions distribuées fragiles, exigences d’observabilité accrues, évolution plus lente des schémas et audits plus difficiles. Bref, ces modèles peuvent permettre à un registre de passer à l’échelle, mais au prix d’une ambiguïté et d’une fragilité précisément là où l’entreprise a besoin d’une vérité limpide et faisant autorité. Tout ce qui est « lourd » en calcul devrait donc être expulsé du registre et confié à un système de reporting ou d’intelligence.

La contention des ressources explique largement pourquoi les applications métier ne sont pas fondamentalement plus réactives aujourd’hui qu’au début des années 2000. Modifier une entité entraîne encore un délai perceptible par l’utilisateur — des dizaines de millisecondes. Des délais d’une seconde ou davantage restent courants pour des opérations apparemment élémentaires. Ils semblent surprenants sachant qu’à coût égal, le matériel est aujourd’hui plus performant de plusieurs ordres de grandeur qu’il y a deux décennies. Pourtant, cette stagnation reflète l’absence de progrès de la latence ; la contention des ressources ne s’améliore pas non plus.

Dans le système d’enregistrement, les ressources étant partagées, chaque opération doit être aussi légère que possible. Toute opération lourde risque d’accaparer les ressources du système, dégradant la qualité de service des autres opérations concurrentes. Il faut donc scrupuleusement éviter les processus de décision au sein d’un système d’enregistrement. Les décisions exigent de peser de nombreuses options et nécessitent plusieurs ordres de grandeur de calcul de plus que de simples opérations arithmétiques ou règles logiques.

Considérons un optimiseur d’achats qui nécessite 10 secondes de processeur pour calculer la quantité à commander d’un seul SKU. Dans un système d’intelligence, exécuté hors ligne ou sur une grappe de calcul dédiée, ce coût est insignifiant — et même 100 secondes pour gagner quelques points de base supplémentaires peuvent être rationnelles. Dans un système d’enregistrement, en revanche, le même calcul est catastrophique : avec des dizaines de milliers de SKU par jour, 10 secondes par SKU deviennent des dizaines d’heures de processeur qui concurrencent les traitements transactionnels, bloquent les écrans et dégradent l’expérience utilisateur. Même à 1 seconde par SKU, le calcul créerait encore des latences imprévisibles là où le registre doit garantir des temps de réponse faibles et stables. L’optimisation lourde a donc sa place hors du registre : le système d’enregistrement doit conserver des résultats compacts (par exemple, des lignes de commandes fournisseurs), et non effectuer la recherche combinatoire qui les a produits.

En théorie, il existe des alternatives au CRUD permettant d’entrelacer opérations lourdes et légères. En pratique, elles sapent toutefois les raisons mêmes de l’attrait du CRUD. L’approche la plus simple et la plus pratique consiste à séparer toutes les opérations « lourdes » du système d’enregistrement. Les statistiques descriptives relèvent des systèmes de reporting ; la prise de décision relève des systèmes d’intelligence. Maintenez ces trois classes strictement découplées, et la contention des ressources sera largement atténuée.

Au-delà de la contention de bas niveau se trouve un obstacle plus lourd : les cultures d’ingénierie des trois classes de logiciels sont fondamentalement incompatibles. De loin, chaque classe semble semblable — toutes impliquent d’écrire du code —, mais passer de l’une à l’autre revient à passer de la peinture en bâtiment aux beaux-arts. Les deux métiers utilisent de la peinture ; ils partagent peu d’autre chose. Détailler ces nuances dépasse notre propos ; il suffit de noter que, depuis cinq décennies, les éditeurs s’aventurent hors de leur classe d’origine — le plus souvent avec des résultats désastreux, particulièrement lorsque des spécialistes des systèmes d’enregistrement se lancent dans les systèmes d’intelligence. Pourtant, les éditeurs continuent d’essayer, aveugles aux échecs prévisibles qui s’ensuivent.

5.3.6 Le dilemme de l’éditeur

La valeur ajoutée d’un système d’enregistrement est fondamentalement limitée. Une fois que le système offre une large couverture et s’avère fiable, aucun bénéfice supplémentaire ne s’accumule. Les éditeurs qui vendent ces systèmes ont toujours eu une conscience aiguë de cette limite. Depuis la fin des années 1970, presque tous ceux qui ont réussi ont donc tenté de s’aventurer dans les systèmes d’intelligence.

Pour comprendre pourquoi, prenons le cas d’un comptable. Un excellent comptable apporte peu de bénéfices tangibles supplémentaires par rapport à un comptable simplement compétent. Les entreprises n’embauchent donc pas des comptables « superstars » à des salaires cent fois supérieurs ; la comptabilité n’apporte qu’une valeur bornée. Le marketing, en revanche, peut ajouter de la valeur sans limite. Un génie du marketing peut revitaliser une marque d’une manière apparemment impossible, créant des fortunes pour les actionnaires. Les entreprises recherchent donc couramment des esprits créatifs « superstars » et les rémunèrent généreusement.

La contribution d’un système d’enregistrement ressemble à celle d’un comptable. Une fois le travail accompli correctement et consciencieusement, il n’y a plus rien à attendre. À l’inverse, la valeur ajoutée d’un système d’intelligence — le moteur de décision — ressemble à celle du talent marketing. À toutes fins pratiques, la qualité d’une décision d’entreprise n’a pas de borne supérieure.

La disposition à payer pour des systèmes d’enregistrement plus récents et meilleurs est donc limitée. Ce constat fondamental n’est pas nouveau : les éditeurs le percevaient déjà comme tel dans les années 1970. Jusqu’au début des années 1990, les éditeurs prospères avaient peu de capacité d’ingénierie au-delà de l’ajout de fonctionnalités et du suivi des progrès réguliers du matériel. Cela a changé dans les années 1990 et conduit beaucoup d’entre eux à se rebaptiser éditeurs d’« ERP », le nouveau « P » de planning signalant l’ambition de proposer des systèmes d’intelligence. Des mouvements semblables ont touché d’autres variantes de systèmes d’enregistrement. Pourtant, comme indiqué, ces tentatives ont largement échoué — et échouent encore —, parfois de manière spectaculaire.

Par effet secondaire, le marketing des éditeurs sème souvent la confusion chez les dirigeants. La distinction entre systèmes d’enregistrement, de reporting et d’intelligence restant relativement méconnue du grand public, les éditeurs vantent invariablement la promesse de meilleures décisions. En somme, tout logiciel d’entreprise est présenté comme un système d’intelligence. Par exemple, un système qui se contente d’enregistrer les mouvements de stock tandis que des employés gèrent le réapprovisionnement ne devrait pas promettre moins de surstocks ou de ruptures — pourtant, de telles affirmations sont omniprésentes.

Du point de vue de l’acheteur, trois heuristiques simples dissipent la confusion.

Premièrement, un véritable système d’intelligence est livré presque sans écran de saisie. L’intelligence consomme les enregistrements faisant autorité ; elle ne sollicite ni ressaisie quotidienne ni « confirmation » par les utilisateurs. Chaque formulaire supplémentaire trahit un registre déguisé et brouille les responsabilités : lorsque les résultats sont mauvais, l’éditeur peut toujours prétendre que « l’utilisateur a saisi le mauvais nombre ». Un véritable système d’intelligence assume ses décisions de bout en bout : ses entrées sont les enregistrements de l’entreprise ; ses sorties — commandes, allocations, prix, calendriers — peuvent être auditées au regard des profits et des pertes. Aucune échappatoire administrative quotidienne ne subsiste pour l’une ou l’autre partie.

Deuxièmement, le moteur ne doit pas se prétendre une solution indépendante. Au-delà de son propre code, de sa configuration et de ses journaux d’audit, il ne conserve aucun état métier durable. Les tables de travail ou les caches sont jetables par conception. Il lit le système d’enregistrement faisant autorité, calcule des recommandations et les y réinscrit par une API versionnée au périmètre restreint. Dès qu’apparaissent des tables de données de référence, des outils de conception de processus ou des modules de gestion des utilisateurs, l’offre est un système d’enregistrement qui se fait passer pour de l’« IA ».

Troisièmement, le modèle commercial doit aligner les redevances sur la qualité économique des décisions produites, et non sur les effectifs, le volume de stockage ou les pages vues. Une tarification par poste, par page vue ou par gigaoctet crée une incitation perverse à maintenir davantage de personnes dans la boucle, à multiplier les tableaux de bord et à accumuler les données, puisque le revenu de l’éditeur croît alors avec l’inefficacité organisationnelle. Un véritable système d’intelligence devrait, au contraire, faire disparaître la plupart des postes administratifs. Les contrats devraient donc indexer le paiement sur le débit de décisions et/ou sur une part mesurée de la valeur créée (par exemple, des réductions du besoin en fonds de roulement ajustées au risque, une hausse de la marge brute ou une amélioration de la qualité de service à capitaux employés constants), avec des plafonds explicites pour borner le risque des deux parties.

Pris ensemble, ces tests d’exclusion éliminent la plupart des « plateformes intelligentes » et permettent au praticien de concentrer son attention — et son budget — sur les rares offres ayant une chance crédible d’améliorer les décisions de supply chain.

Une erreur courante consiste à moderniser un système d’enregistrement simplement parce qu’il « fait vieux ». Les dirigeants voient l’informatique progresser à grands pas et en déduisent que le système plus récent doit être bien meilleur. De plus, l’apparence et l’ergonomie des dernières versions proposées par les éditeurs sont généralement plus attrayantes que celles de l’ancien système. Cette déduction est trompeuse. Le progrès des technologies logicielles n’implique pas que les systèmes d’enregistrement eux-mêmes progressent.

Au contraire, les technologies et concepts fondamentaux des systèmes d’enregistrement ont à peine progressé depuis les années 1980. Les progrès actuels visent presque exclusivement à réduire les coûts de développement de technologies déjà largement banalisées. Pour les systèmes d’enregistrement, l’objectif principal d’une modernisation devrait donc être de réduire les redevances versées aux éditeurs. De même, les avantages d’une meilleure apparence et d’une meilleure ergonomie sont généralement surestimés : si l’ancien système était réactif, des écrans plus élégants rendent rarement les salariés plus productifs. Les interfaces très productives sont souvent perçues comme hostiles aux nouveaux venus, précisément parce qu’elles sont dépourvues des fonctions d’accompagnement qui entravent la productivité une fois le système connu.

Collectivement, sans collusion ni même coordination, les éditeurs de systèmes d’enregistrement ont entretenu un état de confusion persistant dans le grand public. Au début des années 2020, alors que ces systèmes étaient banalisés depuis plus d’une décennie, la plupart des entreprises les payaient plus cher que deux décennies auparavant. Cette situation dépasse nos préoccupations de supply chain, mais les logiciels de supply chain en sont peut-être l’exemple le plus révélateur. Cela illustre à nouveau la nature antagoniste des problèmes de supply chain, où les incitations ne sont que partiellement alignées.

Les systèmes d’enregistrement sont donc indispensables — et strictement limités. Ce sont les registres de référence de l’entreprise, pas ses calculateurs ni ses stratèges. Chaque fois qu’on leur demande de produire des rapports lourds, d’optimiser ou de « planifier », suivent contention des ressources, dérive sémantique et flou des responsabilités. La bonne posture architecturale est austère : garder le registre léger, central et ennuyeux ; déplacer les analyses descriptives vers les systèmes de reporting ; déplacer la prise de décision vers les systèmes d’intelligence ; délimiter chaque interface par une API versionnée au périmètre restreint ; élaguer sans relâche les chevauchements fonctionnels, même si les éditeurs résistent.

Le corollaire est autant managérial que technique. Traitez l’ERP (et ses cousins) comme un sanctuaire : il mémorise les faits et fait respecter les processus — rien de plus. Chaque fonctionnalité supplémentaire qui s’y glisse — KPI, prévisions, optimiseurs, scénarios « et si » — grève discrètement les performances, brouille la sémantique et dilue les responsabilités. Si quelque chose est lourd en calcul, probabiliste ou soumis à un arbitrage économique, sa place est hors du registre.

Maintenant que le rôle et les limites des systèmes d’enregistrement sont explicites, nous pouvons nous tourner vers ce qu’ils abritent : les données. La section suivante examine comment ces symboles bruts deviennent de l’information, pourquoi la sémantique — et non les lignes manquantes — constitue la véritable difficulté, pourquoi les « mauvaises données » sont le mauvais bouc émissaire et comment extraire, documenter et fiabiliser ce dont les moteurs de décision auront besoin.

5.4 Données

Sous forme numérique, les données de l’entreprise sont de loin les principales sources d’information pour les décisions de supply chain. Elles sont collectées principalement par les systèmes d’enregistrement de l’entreprise. D’autres sources existent, mais leur importance est bien moindre. Du point de vue de la supply chain, l’information pertinente réside dans ces données ; extraire cette information s’avère plus difficile qu’on ne le suppose généralement. De plus, la complexité des données est elle aussi sous-estimée.

Les données sont cruciales parce que les supply chains ne sont pas directement observables ; on ne les voit qu’à travers les enregistrements de l’entreprise. On pourrait soutenir qu’elles ont cessé d’être directement observables — par les sens, de quelque manière significative que ce soit — bien avant l’avènement des ordinateurs. Dès la fin du 19^e siècle, l’essor des entreprises géantes a en effet entraîné l’apparition d’armées d’employés chargés de tenir les registres. Déjà, la supply chain ne se voyait donc qu’à travers ces registres. De nombreux objets de la connaissance humaine, comme les supply chains, ne sont pas directement accessibles aux sens ; les conséquences sont considérables.

Comme indiqué précédemment, de nombreux auteurs de supply chain ignorent le logiciel ou le traitent superficiellement. Les données ne font pas exception. Elles sont notamment souvent confondues avec l’information qu’elles contiennent, comme si transformer les premières en la seconde allait de soi. Rien n’est plus éloigné de la réalité, et cette transformation consomme souvent à elle seule plus de la moitié de l’effort technique d’une initiative de supply chain. De plus, loin de se réduire à des détails logiciels, elle exige une compréhension profonde du problème de supply chain. Penser que cette tâche peut être déléguée à l’informatique, ou à des spécialistes qui ne sont pas avant tout des spécialistes de la supply chain, est donc profondément erroné.

Dans ce contexte, une explication toute faite est ressortie dès qu’une initiative de planification s’enlise : les données sont mauvaises. Les échecs passés — rarement examinés — sont brandis comme preuves. Le slogan est commode : il absout éditeurs et intégrateurs, accuse un bouc émissaire informe et décourage tout examen des registres. Dans les supply chains numérisées, les enregistrements transactionnels sont généralement suffisants ; ce qui manque, c’est le travail difficile consistant à les transformer en information — sémantique clarifiée, provenance et autorité établies — puis en décisions. Les sections qui suivent distinguent ces étapes et explicitent leurs modes d’échec.

5.4.1 Origine des données

La plupart des données de l’entreprise résident dans les systèmes d’enregistrement, mais ceux-ci ne les collectent qu’incidemment. Leur raison d’être est de numériser les processus informationnels de l’entreprise pour les rendre plus fiables et plus productifs. Les données ne sont pas le résultat recherché ; elles sont un sous-produit de ces opérations. Ce constat est simple, mais ses conséquences sont fréquemment mal comprises.

Les données sont organisées à l’image des particularités du système. Ces subtilités proviennent de contraintes de performance délicates, de vestiges de mises à niveau abandonnées, de concepts périmés issus d’une époque antérieure du développement ou des compromis habituels du développement logiciel.

Pour rendre cela concret, considérons deux exemples courants qui montrent comment la structure des enregistrements reflète des arbitrages d’ingénierie plutôt que des besoins analytiques.

Il y a des décennies, un ingénieur bien intentionné — travaillant sur un ERP encore populaire — a stocké les retours de produits avec les commandes clients dans la table sales, avec des quantités négatives. Grâce à cette astuce, sommer les ventes dans le temps donne un chiffre « presque » net des retours. Cette conception présente pourtant plusieurs inconvénients et s’avère bien moins ingénieuse en pratique. Pour la qualité de service, s’appuyer sur les ventes nettes biaise l’analyse vers un excès de confiance quant aux ruptures de stock. Si 10 unités sont vendues une semaine et que 3 reviennent la semaine suivante, il fallait en avoir au moins 10 en stock la première semaine — et non 7 — pour servir la demande. Inversement, si la plupart des unités retournées peuvent être reconditionnées et revendues⁴⁷, réapprovisionner juste avant la fin de saison risque de générer des surstocks considérables, puisque le stock bénéficiera naturellement de l’arrivée des retours. Plus généralement, les retours ne sont pas des ventes ; s’ils peuvent partager des champs (identifiants du client et du produit), les confondre dans une même table impose des colonnes qui n’ont de sens que pour l’un des deux — par exemple, un champ cause_of_return.

Considérons une simple interface de boutique en ligne. Après chaque transaction, la quantité en stock doit être décrémentée pour que la disponibilité reste à jour pour les clients suivants. Cette mise à jour consiste en un simple UPDATE de la table qui détient ces valeurs ; appelons-la stock. Toutefois, comme l’a constaté pratiquement toute équipe derrière une boutique un tant soit peu populaire⁴⁸, mettre à jour stock après chaque transaction crée une forte contention dans la base de données — précisément autour de cette table. En effet, stock est volumineuse — généralement des dizaines ou des centaines de milliers de lignes — et chaque mise à jour peut déclencher une cascade dans l’interface de l’application. La correction habituelle consiste à ajouter une table pending_updates qui met en attente les modifications du stock. À chaque transaction, des lignes sont ajoutées à pending_updates plutôt que de mettre à jour stock. Puis, environ toutes les minutes, pending_updates est purgée tandis que stock est mise à jour par lots. L’information sur la quantité en stock est donc répartie entre deux tables au lieu d’une. Le modèle est sain, mais c’est à un spécialiste de la supply chain de décider s’il reste acceptable d’ignorer pending_updates — par simple souci de simplicité.

De nombreux autres cas racontent la même histoire : les données des systèmes d’enregistrement n’ont jamais été conçues pour les travaux de data science. Pour les ingénieurs qui ont écrit le logiciel, il s’agissait au mieux d’une préoccupation secondaire, souvent envisagée après coup.

Les dirigeants sont fréquemment surpris du temps et de l’effort nécessaires pour extraire la bonne information des systèmes d’entreprise. Beaucoup attribuent ce surcroît de travail à l’inefficacité supposée du service informatique et à des outils excessivement compliqués. Cette impression est renforcée par les informaticiens qui se cachent derrière l’opacité technique pour justifier coûts et délais. Cette perspective est pourtant erronée. Les données des systèmes d’enregistrement sont facilement accessibles et, à condition d’utiliser une base de données courante, les outils de requête sont tout bonnement excellents. Les coûts et les délais sont élevés parce que transformer les données en information est étonnamment difficile — surtout lorsque des informaticiens dépourvus de l’expertise métier nécessaire s’y essaient.

5.4.2 Sémantique des données

Un système d’enregistrement d’entreprise typique stocke des dizaines de milliers de champs ; les plus grands dépassent la centaine de milliers. La sémantique de ces champs — ce qu’ils signifient, la fonction qu’ils remplissent, les comportements qu’ils déclenchent — est généralement, au mieux, vaguement documentée. Cette documentation peut provenir de l’éditeur d’origine ou, pour les systèmes internes, de l’entreprise elle-même. Les extensions sur mesure — omniprésentes dans les logiciels d’entreprise — brouillent davantage le sens. En pratique, il y a rarement plus d’un court paragraphe par champ, et trop souvent il ne fait que paraphraser son nom.

Pour comprendre l’importance de la sémantique, considérons un seul champ : la « date de commande ». Cet horodatage peut désigner le passage en caisse, la dernière modification, l’accusé de réception ou la validation du paiement. Chaque lecture entraîne une réalité opérationnelle différente : elle déplace les délais mesurés, modifie les indicateurs de service et de satisfaction des quantités demandées, et change la façon de comptabiliser les flux de trésorerie et les engagements. Une ambiguïté à ce niveau corrompt discrètement tous les calculs en aval.

Dans un monde idéal, deux conditions seraient réunies : les concepteurs laisseraient une documentation précise pour chaque champ, et la direction ferait respecter des pratiques quotidiennes qui en stabilisent le sens dans les opérations. En pratique, trois forces brisent cet idéal : l’âge (les systèmes et leurs notes survivent à leurs auteurs), l’incohérence au niveau des champs (les sens dérivent entre modules et versions) et la sémantique façonnée par les opérateurs (les utilisateurs détournent des champs pour accomplir leur travail). Les paragraphes suivants les examinent tour à tour.

À l’échelle du logiciel, la plupart des systèmes d’enregistrement sont anciens — deux ou trois décennies sont courantes. Les premières implémentations étaient rarement accompagnées d’une documentation par champ et, même lorsque c’était le cas, leurs auteurs sont depuis longtemps passés à autre chose. Le code a été corrigé, migré et étendu si souvent que les messages de commit ne permettent plus de retrouver l’intention d’origine. Point crucial, la sémantique des champs est inséparable des comportements qui leur sont associés, et ceux-ci changent selon les versions et les modules. Le résultat est prévisible : des pans entiers de sens sont tout simplement perdus, et les reconstruire revient à faire de la rétro-ingénierie — une tâche lente et coûteuse. Les notes périmées — voire totalement obsolètes — sont le fléau des initiatives logicielles de longue durée.

La perte n’est que la moitié de l’histoire. De nouveaux sens s’accumulent aussi informellement à mesure que les opérations s’adaptent. Les équipes inventent des contournements, réinterprètent les libellés et rattachent de nouveaux processus à des champs commodes. Avec le temps, ces pratiques ad hoc deviennent le contrat de fait du système, indépendamment de l’intention de l’éditeur ou de ce que dit encore le manuel. Cette couche émergente et non documentée entraîne la dérive sémantique : le « sens courant » d’un champ est celui que lui donnent désormais les personnes qui saisissent les données — et il peut varier selon le site, la période ou le rôle. Le cerner exige d’observer la pratique, pas seulement de lire les schémas.

En pratique, les utilisateurs n’ont structurellement pas conscience de cette dérive. Les sens s’accumulent au fil des années — souvent plus longtemps que quiconque n’occupe un poste donné —, si bien que l’interprétation actuelle semble simplement être « la façon dont le système fonctionne ». Si l’application expose deux quasi-synonymes comme Discontinuation Date et Phase-out Date, et qu’aucun ne pilote une automatisation visible, les équipes adoptent un sens interne commode et passent à autre chose. Que ce sens corresponde à l’intention de l’éditeur importe peu ; ce qui compte, c’est que les utilisateurs locaux convergent vers une lecture et l’utilisent de manière cohérente. Personne ne prendra Volume pour une « hauteur de talon », mais beaucoup conviendront, assez raisonnablement, que Discontinuation Date marque le moment où le stock restant est dirigé vers une liquidation à prix réduit. Puisque la plupart des champs ne déclenchent aucun comportement, deviner la sémantique de l’éditeur est un effort perdu ; le véritable travail consiste à veiller à ce que tous, dans l’entreprise, utilisent la même sémantique.

De plus, la sémantique des champs dépend souvent des lignes ; toutes les valeurs d’un même champ ne signifient pas la même chose. Nous en avons vu un exemple plus haut avec la « quantité commandée », qui désigne un achat lorsqu’elle est positive et un retour lorsqu’elle est négative. Plus généralement, la sémantique d’un champ dépend souvent de la valeur d’un autre champ, ou de plusieurs. La documentation ne peut être un simple dictionnaire de champs ; le sens change avec le contexte. Pour saisir cette sémantique dépendante des lignes, la documentation doit couvrir la logique métier pertinente — là encore, un exercice long et coûteux, aggravé par des années d’évolution du système.

En définitive, le sens appartient aux personnes qui saisissent les données — salariés, clients, voire fournisseurs —, quelle qu’ait été l’intention des ingénieurs. Par exemple, si les achats réaffectent un champ obscur — autrefois inutilisé et lié à des Incoterms ésotériques — pour y encoder l’itinéraire de transport d’un fournisseur, la sémantique de ce champ devient cet itinéraire, et non celle de la documentation d’origine. Réaffecter un champ n’est guère une bonne pratique, mais cela arrive couramment. De plus, la sémantique des champs étant délicate même dans les meilleures conditions, les équipes commettent de véritables erreurs, attribuant à de nombreux champs des sens proches, mais pas tout à fait justes.

Cerner la sémantique des champs est difficile — même les systèmes « leaders du marché » s’avèrent étonnamment et invariablement obscurs. Ce travail n’est pas de la pédanterie : sans sens stables, les enregistrements bruts ne peuvent être transformés en information exploitable par un moteur de décision. Au-delà des obstacles pratiques précédents, une autre difficulté subsiste : il faut pouvoir vérifier que les sens attribués sont effectivement corrects.

Même une initiative modeste de supply chain exige généralement de documenter au moins une centaine de champs. Pour chacun, une demi-page à une page entière est habituellement nécessaire pour préciser la sémantique qui compte pour les décisions : définition ; unités et valeurs admissibles ; provenance et autorité ; interprétations dépendantes des lignes ; dépendances entre champs ; exemples concrets. Ces notes doivent s’ancrer dans les données de l’entreprise — de simples distributions, plages de valeurs et dénombrements font souvent apparaître l’essentiel (par exemple, un hypermarché typique de notre portefeuille propose plus de 100 000 SKU, ce qui exclut les algorithmes dont le coût croît de façon superlinéaire avec le nombre d’articles). Le dossier sémantique d’un « petit » périmètre atteint donc facilement une centaine de pages, voire davantage. Vu ce volume, il est déraisonnable de s’attendre à ce que tout soit factuellement correct. Des erreurs — des fautes grossières aux incompréhensions subtiles — parsèmeront la documentation. Il faut donc une méthode pour évaluer la validité de ces connaissances et en éliminer les erreurs.

Des relectures supplémentaires — même par les pairs — détectent rarement toutes les erreurs. En effet, une fois qu’un malentendu s’est figé dans la documentation, il faut généralement un élément nouveau pour le révéler. Cet élément doit être un retour du monde réel issu d’un processus de décision qui s’appuie, entre autres, sur ces connaissances. Si des connaissances imparfaites produisent de bonnes décisions, le défaut est inoffensif et la question sans portée pratique. Les détails de cette méthodologie — l’optimisation expérimentale — seront exposés dans un chapitre ultérieur. Pour l’heure, il suffit de dire que la validité sémantique doit finalement s’ancrer dans les retours empiriques de l’application pratique de ces connaissances à la production de décisions.

5.4.3 Manœuvres autour des données

Les données, comme tout le reste en supply chain, se plient aux incitations de ceux qui les produisent et les collectent. Comme indiqué précédemment, ces incitations divergent souvent des intérêts de l’entreprise. Il en résulte de nombreuses singularités dans les données — certaines mineures, d’autres lourdes de conséquences.

Considérons une mésaventure réelle chez un grand industriel. Celui-ci souffrait de surstocks chroniques. Un examen des commandes passées révélait des achats régulièrement exubérants — la principale cause du surstockage. Pour redresser la situation, la direction a choisi un nouvel éditeur de supply chain afin d’automatiser entièrement le réapprovisionnement, en supprimant les jugements bien intentionnés mais malavisés de l’équipe des achats. Les tests de préproduction montraient que les commandes excessives disparaissaient. Il restait possible de créer un surstock en cas de forte baisse imprévue de la demande, mais les surstocks immédiats, sans mouvement majeur du marché, étaient éliminés. La solution paraissait prometteuse.

Pourtant, deux mois après la mise en production, les commandes de réapprovisionnement excessives persistaient. Le résultat était déconcertant : les commandes ne ressemblaient en rien aux sorties de la recette.

Un examen plus attentif suggérait une cause banale : les commandes fournisseurs étaient encore saisies à la main dans l’ERP, car l’intégration bidirectionnelle avait été reportée — l’équipe informatique était surchargée. L’extraction des données historiques de l’ERP — un vénérable système de quatre décennies — était automatisée, mais pas la réinscription des nouvelles commandes. Le moteur de décision produisait les commandes sans intervention humaine ; des employés les ressaisissaient ensuite chaque jour dans l’ERP. Cette étape manuelle restante est devenue notre principale suspecte.

Cependant, après des jours d’examen minutieux, il est devenu clair que, malgré la saisie manuelle, cette étape était exécutée très soigneusement et que les salariés ne modifiaient en aucun cas volontairement les quantités. La nouvelle solution est donc redevenue la principale suspecte. Pourtant, l’inspection des journaux a vite montré qu’elle n’avait jamais généré ces commandes excessives. Les dates et les produits correspondaient ; les quantités, non. La perplexité s’est accrue : jour après jour, les commandes saisies la veille dans l’ERP correspondaient exactement aux sorties de la solution. Mais, des jours — voire des semaines — plus tard, certaines quantités de réapprovisionnement enflaient soudainement, et le contrôle de stock suivant confirmait le surplus.

Les commandes de réapprovisionnement semblaient gonfler spontanément, sans rythme ni raison. L’équipe de l’éditeur a donc étudié ces occurrences de plus près. Un schéma surprenant est apparu : les gonflements touchaient surtout les commandes passées en fin de trimestre. Comme les délais variaient selon les produits, les épisodes de surstockage étaient assez uniformément répartis, ce qui avait masqué le schéma. Le rythme calendaire était manifestement humain, mais les acteurs restaient mystérieux.

Des semaines d’enquête ont conduit les équipes de l’éditeur aux quais de réception, où la marchandise était déchargée des camions affrétés par les fournisseurs. Les équipes de réception suivaient plusieurs étapes d’assurance qualité. L’une consistait à compter les unités et à vérifier qu’elles correspondaient à la quantité commandée. Lorsqu’un écart apparaissait, l’ERP offrait peu de moyens de traiter ce cas particulier. En fait, la seule politique officielle prise en charge consistait à déclarer la livraison non conforme et à la renvoyer intégralement. Or les équipes de réception avaient appris que cela leur attirait invariablement les foudres de la production. Si des marchandises avaient été commandées, elles étaient nécessaires ; sans elles, la production s’arrêtait, provoquant la colère des collègues.

Pour y faire face, les équipes de réception avaient créé, des décennies auparavant, une porte dérobée dans l’ERP. Pour éviter de renvoyer une livraison à cause d’un écart d’une seule unité, elles utilisaient cette fonction pour ajuster la quantité commandée à la quantité reçue. Le fournisseur était alors payé au montant ajusté, correspondant à ce qui avait effectivement été reçu. Pendant des années, le dispositif a fonctionné, jusqu’à ce que la porte dérobée soit pratiquement oubliée de tous, sauf de l’équipe de réception.

Avec le temps, quelques fournisseurs ont remarqué que les petits excédents de livraison étaient acceptés sans même un coup de téléphone. C’était inhabituel : les clients renvoyaient généralement les unités excédentaires ou, au moins, se plaignaient vivement. Quelques fournisseurs ont commencé à exploiter le processus. En fin de trimestre, s’ils étaient en retard sur leurs objectifs, ils utilisaient l’industriel comme variable d’ajustement. Au début, ils ne gonflaient que légèrement les commandes, mais le silence de l’industriel les a vite enhardis à livrer des quantités bien plus importantes.

Une fois le schéma compris, identifier les fournisseurs fautifs était facile. Une série d’appels aux quelques fournisseurs incriminés a mis fin du jour au lendemain aux gonflements explosifs.

Contre toute attente, bien que le phénomène soit déconcertant et manifestement nuisible à la performance de la supply chain, les données étaient fondamentalement correctes. Les quantités commandées étaient réelles et exactes, comme le démontrait clairement la quantité en stock. L’erreur résidait dans la véritable politique de réapprovisionnement — laisser les fournisseurs décider de ce qu’ils voulaient —, que l’industriel n’avait jamais envisagée.

Si les manœuvres autour des données ne sont pas toujours aussi tortueuses que dans cet exemple, des incitations néfastes involontaires apparaissent couramment dans toute supply chain d’une certaine ampleur, produisant toutes sortes de bizarreries dans les données. Nous avons déjà relevé une erreur fréquente dans les milieux de la supply chain : considérer les problèmes de données comme des sujets à laisser aux informaticiens. L’exemple précédent montre clairement pourquoi cette approche échoue généralement. Comprendre les données de supply chain relève avant tout des spécialistes de la supply chain.

5.4.4 Informatique parallèle

Dans les organisations, l’informatique parallèle désigne les systèmes propres aux services qui fonctionnent sans la supervision de la direction informatique — des systèmes dont l’équipe informatique centrale ignore parfois jusqu’à l’existence.⁴⁹ L’informatique parallèle existe dans pratiquement toutes les grandes entreprises, même si son ampleur varie considérablement. Du point de vue de la supply chain, ces systèmes sont principalement des systèmes d’enregistrement et de reporting peu structurés, mêlant souvent les deux fonctions. L’informatique parallèle compte pour la supply chain parce que sa composante « système d’enregistrement » détient souvent des données précieuses. Les ERP, par exemple, omettent couramment certaines contraintes de commande propres à des fournisseurs particuliers. Pour composer une commande de réapprovisionnement valide, le praticien s’appuie donc sur son propre système parallèle, qui recense l’ensemble des contraintes applicables.

Les tableurs sont, de très loin, la technologie la plus répandue dans l’informatique parallèle. Tout processus reposant sur des employés qui interagissent avec une feuille de calcul partagée relève presque certainement de cette catégorie. L’informatique sait que des tableurs sont utilisés et le logiciel lui-même est approuvé. Toutefois, un système d’enregistrement géré dans un tableur ne dispose pas de ce que l’informatique devrait exiger de tout système supervisé : gestion des versions, sauvegardes, pistes d’audit, permissions fines, etc.

Outre les tableurs, des bases de données simples⁵⁰ sont également couramment utilisées dans l’informatique parallèle. Ces bases permettent de construire des systèmes d’enregistrement plus soignés, en imposant un minimum de validité au niveau des types : une valeur est un nombre, une date, etc. Pourtant, comme les tableurs, elles ne disposent pas des processus d’accompagnement qui assurent leur maintenabilité à long terme : gestion des versions, sauvegardes, etc.

La motivation de l’informatique parallèle est simple : la direction informatique est débordée pour des mois, parfois des années ; les équipes métier construisent donc ce qu’elles ne peuvent pas attendre. Le paradoxe est que l’informatique parallèle naît rarement d’un excès d’enthousiasme pour le logiciel ; elle naît d’une culture logicielle insuffisante. Le logiciel intervient désormais dans presque tous les processus, si bien que la plupart des problèmes des services sont, en partie, des problèmes logiciels. Si l’organisation attend d’une seule équipe informatique centrale qu’elle les résolve tous, la surcharge est garantie.

Ce déficit culturel allonge la liste des demandes en attente. En dehors de l’informatique, les équipes manquent souvent du vocabulaire nécessaire pour énoncer les besoins, les hiérarchiser économiquement ou estimer le travail d’ingénierie. Des projets de prédilection sont présentés comme des « gains rapides », des besoins essentiels sont reportés parce qu’ils paraissent ternes, et les demandes arrivent sous forme de solutions (« ajouter un champ ») plutôt que de problèmes (« nous devons cesser de facturer les retours en double »). Assiégée par des demandes mal formulées, la direction informatique paraît peu réactive ; les services métier, contraints de produire des résultats, se tournent vers les tableurs et les bases de données ad hoc. Les frictions deviennent la norme et la productivité s’érode des deux côtés.

La direction informatique se trouve aussi dans une impasse : on comprend que les employés hésitent à révéler toute l’étendue de leurs initiatives parallèles, qui fonctionnent souvent avec l’approbation tacite de leur hiérarchie et enfreignent ouvertement les consignes informatiques. Les personnes mêmes qui pourraient aider à régulariser ces outils ne les découvrent donc que lorsqu’un problème survient. Attendre de la direction informatique qu’elle « apporte les données » est par conséquent irréaliste ; une grande partie lui échappe par construction.

La voie de sortie est simple, sinon facile : remplacer les systèmes d’enregistrement parallèles par de petites applications CRUD maintenables, une par une. Donner la priorité aux registres, puis aux rapports. Les enregistrements risquent d’être perdus ; les rapports peuvent être recalculés une fois les tables sous-jacentes fiables. Concrètement : prendre le tableur utilisé au quotidien, ou la base de données de bureau, le figer en lecture seule, esquisser un schéma minimal reflétant le processus réel, mettre en place un service CRUD au périmètre restreint avec gestion des versions, sauvegardes, journaux d’audit et permissions, y reprendre les données, rediriger les utilisateurs, puis retirer l’ancien fichier. Recommencer. Une fois les données placées dans un système de stockage adapté à la production, réécrire les rapports qui les entourent devient rapide et peu coûteux.

Les spécialistes de la supply chain doivent prendre en charge cette remise en ordre. Le logiciel est une science auxiliaire de la pratique, pas une cible d’externalisation. La direction informatique doit fournir les garde-fous — environnement d’exécution, sécurité, sauvegardes —, mais le périmètre, l’ordre des travaux et la sémantique doivent être pilotés par ceux qui comprennent les flux de marchandises.

5.4.5 Données dérivées

Les systèmes d’entreprise stockent davantage que des faits. Aux côtés des enregistrements d’événements — ventes, réceptions, comptages de stock, accords tarifaires, contraintes calendaires — se trouvent de grands volumes de ce que j’appellerai des données dérivées : des nombres créés à partir d’autres enregistrements, tels que des agrégats, des prévisions, des quantités économiques de commande, des stocks de sécurité, des indicateurs de classification, etc. Les données dérivées n’ajoutent aucune information nouvelle ; elles reformulent ce qui figure déjà dans le registre. Un débutant s’attend à ce que chaque table et chaque champ apportent des données « nouvelles » ; en pratique, la majorité des tables d’une application mature sont des artefacts. Pour clarifier les termes, les données factuelles désignent les enregistrements originaux du flux, et les données dérivées tout ce qui en est calculé.

Toutes les données dérivées ne se valent pas. Une catégorie est dûment justifiée : les tables de travail ou temporaires — vues matérialisées, caches, synthèses dénormalisées — introduites pour améliorer les performances ou faciliter les opérations. Elles existent pour rendre le système réactif et sont jetables, puisqu’elles peuvent toujours être recalculées à partir des données factuelles. L’autre catégorie relève de la décoration épistémique : des artefacts de planification enregistrés dans les registres — prévisions, quantités économiques de commande, « taux de service », étiquettes ABC, etc. Ces tables ne contiennent pas non plus d’information nouvelle ; elles figent simplement le résultat d’une recette. Mêlées aux enregistrements, elles brouillent les responsabilités, multiplient les incohérences et induisent ensuite en erreur les systèmes de reporting et d’intelligence.

Les prévisions de la demande sont un exemple classique de tels artefacts. Plus généralement, presque toutes les données de planification détenues par les entreprises ne sont que des données dérivées. Malheureusement, beaucoup de praticiens prennent ces artefacts pour des étapes vers un système d’intelligence ; en pratique, ce sont des mines.

Avant d’expliquer pourquoi les artefacts de planification induisent en erreur, réglons le cas d’une sous-catégorie inoffensive de données dérivées. Les ingénieurs introduisent souvent des tables « de travail » ou temporaires — vues matérialisées, synthèses dénormalisées, zones de transit — uniquement pour maintenir la réactivité des registres CRUD ou décomposer une logique lourde. Ces tables sont des commodités, pas des connaissances ; elles n’apportent aucune information nouvelle par rapport aux faits sous-jacents et peuvent être recalculées à volonté. Les praticiens devraient largement les ignorer pour prendre leurs décisions.

Les praticiens mal orientés sont naturellement attirés par des artefacts tels que les prévisions de ventes, les quantités économiques de commande, les stocks de sécurité et les taux de service, parce que ces agrégats paraissent « digestes ». Ils condensent des milliers d’événements enregistrés ligne par ligne en une poignée de nombres — un total hebdomadaire de ventes semble bien plus exploitable qu’une page de transactions —, si bien que leur densité informationnelle pour le lecteur humain est élevée. Pourtant, cette commodité ne doit pas être confondue avec de la nouveauté : ces chiffres contiennent exactement ce que les faits sous-jacents impliquaient déjà, et rien de plus. Traiter ces synthèses comme des entrées primaires d’un moteur de décision revient à confondre facilité de lecture et apport d’information, et trahit une mauvaise compréhension de la tâche à accomplir.

Premièrement, les données dérivées ne contiennent aucune information nouvelle. Ce sont des fonctions déterministes des données factuelles. Dès lors que les faits sous-jacents peuvent être exportés, il est possible de recalculer chaque prévision, quantité économique de commande, « taux de service » ou étiquette ABC en dehors du système d’origine. De plus, les registres CRUD sont culturellement et techniquement hostiles aux calculs lourds. Les analyses sophistiquées ont leur place dans des environnements conçus pour elles ; recalculer ces chiffres dans un environnement non CRUD est à la fois plus simple et plus fiable que de contraindre le registre à effectuer les calculs.⁵¹

Autrement dit, pour renouer avec la question de l’information, les données dérivées ne contiennent aucun bit nouveau. Ce sont des fonctions déterministes des données factuelles de l’entreprise ; au mieux, ce sont des compressions avec perte, commodes pour un lecteur humain. Traiter ces artefacts comme des entrées primaires revient à confondre représentation et connaissance : toute incertitude qu’ils semblent lever l’était déjà, ni plus ni moins, par les enregistrements sous-jacents.

Pourquoi, alors, les registres regorgent-ils de ces tables ? Les systèmes CRUD sont conçus pour que les processus restent réactifs et auditables, pas pour effectuer des optimisations lourdes. Les éditeurs matérialisent donc des calculs intermédiaires — prévisions, quantités économiques de commande, stocks de sécurité, étiquettes ABC — pour que les écrans se chargent vite et qu’un registre puisse se donner des airs de « planification ». Ce précalcul se répand parce qu’il est peu coûteux à stocker et facile à montrer en démonstration, pas parce qu’il apporte de l’information.

Deuxièmement, traiter ces artefacts est sensiblement plus difficile que travailler sur les données primaires, c’est-à-dire factuelles : souvent d’un ordre de grandeur ou davantage. Les événements du flux sont limités par la physique ; les artefacts ne le sont que par le stockage, disponible en abondance dans les faits. Dans les logiciels qui confondent registres, reporting et « planification », les artefacts dérivés prolifèrent jusqu’à dominer le schéma. Il est courant de voir dix tables dérivées pour une table factuelle. La conséquence est prévisible : davantage de volume à déplacer, à réconcilier et à gouverner, pour peu ou pas de gain informationnel.

Troisièmement, les artefacts analytiques intégrés aux applications CRUD — en laissant de côté les caches et les vues matérialisées purement opérationnels — reflètent presque toujours des approches naïves et héritées du passé, qui n’ont pas leur place dans la pratique moderne. Ce n’est pas un accident, mais une conséquence de la culture d’ingénierie CRUD : les registres sont construits pour que les processus restent réactifs et auditables au-dessus de bases de données relationnelles ; les éditeurs se tournent donc vers des recettes (a) exprimables en SQL, (b) peu coûteuses à précalculer et (c) faciles à montrer en démonstration. Les tables de prévisions, les quantités économiques de commande, les « taux de service » et les étiquettes ABC cochent les trois cases ; la valorisation de l’optionalité, l’arbitrage du capital entre SKU ou les décisions de portefeuille ajustées au risque, non. Il en résulte une accumulation continue de nombres fragiles qui figent des hypothèses simplistes dans le registre, brouillent les responsabilités — quel chiffre fait autorité : l’artefact ou les faits qui l’ont produit ? — et égarent les travaux en aval en faisant passer la commodité pour de la connaissance. Si leurs auteurs avaient visé des décisions économiquement fondées plutôt que la rapidité des écrans et les supports commerciaux, ces artefacts n’auraient jamais été mêlés au système d’enregistrement.

Tout énoncé sur l’avenir n’est pas une donnée dérivée. Certaines écritures datées dans le futur sont elles-mêmes des faits : des décisions ou des engagements qui lient l’entreprise ou ses partenaires. Par exemple, si le service marketing a formellement approuvé le budget d’une campagne publicitaire démarrant au début de l’année prochaine, avec son calendrier, sa répartition régionale et ses allocations par canal, cette écriture n’est pas calculée à partir d’autres enregistrements ; c’est une contrainte nouvelle qui modifie les flux de trésorerie et les capacités, quelle que soit la demande qui se manifestera ensuite. Il en va de même pour des changements de prix dont la date d’effet est déjà convenue avec un fournisseur, des ouvertures ou fermetures de magasins prévues à des dates fermes, ou une modification réglementaire dont la date d’entrée en vigueur est fixée. Ces éléments doivent être enregistrés comme des faits, avec une provenance, des périodes de validité, un périmètre et des règles de révocation clairement définis.

Plus largement, l’habitude de traiter les artefacts dérivés comme des entrées d’un système d’intelligence reflète une vision du monde centrée sur la planification, qui place celle-ci sur un piédestal. Pourtant, la planification, ainsi que les artefacts qu’elle produit, occupe une place secondaire dans la supply chain. Ce qui compte, ce sont les décisions mises à exécution qui engagent des ressources rares. Les calculs intermédiaires, comme les prévisions de séries temporelles, surtout lorsqu’ils étayent des choix lointains tels que les réapprovisionnements de la saison prochaine, ne méritent pas d’être placés au même rang : ils sont provisoires et seront révisés à plusieurs reprises avant que de l’argent ou des atomes ne bougent.

Les systèmes d’intelligence existent pour produire des décisions — commandes d’achat, allocations, prix, calendriers — qui engagent des ressources rares. En explorant l’espace des options, le moteur laisse derrière lui une série de calculs intermédiaires : scores, simulations, journaux de scénarios, prévisions provisoires. Ce sont des données dérivées : elles ne contiennent aucune information nouvelle par rapport aux entrées et au code. Utiles pour l’auditabilité et le diagnostic, ce sont des sous-produits techniques transitoires, pas des données de référence. Les seules sorties durables sont les décisions elles-mêmes, qui doivent être réinscrites dans le système d’enregistrement par une interface au périmètre restreint. Ces écritures ne sont pas des « artefacts » : ce sont de nouveaux faits, des engagements que l’entreprise exécutera et qui se matérialiseront ensuite sous forme de réceptions, de mouvements et de ventes.

Par conséquent, un système d’intelligence doit consommer les faits faisant autorité des systèmes d’enregistrement, et éventuellement quelques flux externes à la provenance claire, pas les artefacts figés intégrés aux registres ou aux outils de reporting. Si une synthèse est nécessaire, elle doit être recalculée dans le moteur à partir des faits sous-jacents ; ingérer des artefacts précalculés ne fait qu’importer les hypothèses de quelqu’un d’autre, ainsi que leurs pertes d’information.

5.4.6 Données externes

Par données externes, nous entendons les signaux qui ne proviennent pas des systèmes d’enregistrement de l’entreprise et ne peuvent pas être reconstitués à partir de ceux-ci. Ils doivent être obtenus à l’extérieur : sites web publics, publications officielles, flux de capteurs tiers ou courtiers en données commerciaux. Si les octets peuvent être dérivés uniquement des registres internes, ils ne sont pas externes ; ce sont des données internes ou dérivées. Exploiter des données externes peut créer de la valeur, mais les coûts d’acquisition, de nettoyage et d’entretien sont élevés et érodent souvent les rendements. En règle générale, il faut d’abord épuiser la valeur économique des données internes ; les exceptions récurrentes sont les prix affichés par les concurrents et quelques jeux de données sectoriels soigneusement constitués.

Le principal obstacle avec les données externes est le coût de leur acquisition, de leur nettoyage et de leur mise à jour. À la différence des registres de l’entreprise, les flux externes sont irréguliers, partiellement structurés et rarement alignés sur les schémas internes ou les cycles de rafraîchissement. Le volume des enregistrements internes tend à croître avec l’entreprise ; celui des sources externes, non. Lorsque les données externes se révèlent intéressantes, elles appartiennent généralement à trois familles récurrentes : (1) la veille concurrentielle — prix affichés, assortiments et conditions des concurrents —, qui module directement la demande et contraint les prix ; (2) les observations météorologiques et les prévisions à court terme, qui peuvent éclairer les allocations et les calendriers proches ; et (3) les traces laissées sur les réseaux sociaux, séduisantes en théorie mais généralement peu fructueuses en pratique.

Chaque famille apporte ses propres frictions : rapprochement et normalisation des articles entre catalogues pour les données concurrentielles ; caractère local, horizons limités et volumes importants pour la météo ; bruit, manipulation et faibles liens de causalité pour les réseaux sociaux. Les sous-sections suivantes les abordent dans cet ordre, en commençant par la veille concurrentielle.

5.4.6.1 Veille concurrentielle

La veille concurrentielle, au sens de la supply chain, consiste à recueillir les signaux publics des concurrents — prix affichés, assortiments (styles, couleurs) et conditions (garanties, promesses de livraison) — et à les intégrer à nos propres décisions. C’est avant tout un problème de données externes : ces signaux ne figurent pas dans nos registres ; il faut les acquérir, les rapprocher de notre catalogue, les nettoyer et les tenir à jour.

Économiquement, le lien est direct : le prix rationne les biens rares et coordonne la substitution. De petits mouvements de prix, les nôtres ou ceux d’un concurrent, modifient à la fois le volume total et les parts de marché, parfois brutalement dès que les représailles commencent. Ainsi, pour allouer rationnellement le capital et les stocks, la supply chain doit suivre les prix, les assortiments et les conditions des concurrents et en tenir compte dans ses décisions.

Avant la fin des années 1990, recueillir les prix affichés par les concurrents était un travail administratif fastidieux. L’essor de l’e-commerce dans les années 2000 a rendu les prix aisément accessibles sur les sites publics. Même les biens professionnels autrefois cachés derrière des demandes de devis sont désormais visibles, puisqu’il suffit qu’un seul revendeur publie le chiffre. Un petit secteur d’experts de l’extraction de données web, accompagné d’outils capables d’analyser des pages désordonnées en se faisant passer pour des visiteurs humains⁵², a donc émergé dans les années 2000.

Aujourd’hui, les entreprises peuvent acheter à bas prix de vastes jeux de données, actualisés plusieurs fois par jour, qui cartographient les assortiments des concurrents. Exploiter ces données reste laborieux ; plusieurs obstacles subsistent.

Les données de veille concurrentielle sont bien plus bruitées que les enregistrements internes de l’entreprise. Les outils d’extraction web s’appuient sur de nombreuses heuristiques, qui peuvent parfois mal lire une valeur⁵³. Même lorsque la qualité globale est élevée, il faut toujours détecter et neutraliser les valeurs erronées.

Sur la plupart des marchés, notre catalogue ne correspond pas 1 pour 1 à celui d’un concurrent. Même lorsqu’un concurrent vend le « même » article, son SKU, son conditionnement, sa gamme de couleurs ou les accessoires inclus diffèrent. Le rapprochement est donc un problème d’appariement, pas une simple recherche. Une approche viable procède en trois étapes : (1) générer des paires candidates à l’aide de signaux peu coûteux — références fabricant communes, GTIN/EAN/UPC, titres normalisés, attributs saillants tels que la taille, le volume ou la puissance nominale et, lorsqu’elles sont disponibles, représentations vectorielles des images ; (2) évaluer chaque paire candidate par plusieurs tests indépendants — similarité textuelle, compatibilité des attributs, cohérence du prix unitaire et règles relatives aux lots et aux variantes — pour produire un score de confiance ; (3) conserver le graphe complet des appariements, un-à-plusieurs et plusieurs-à-un, avec des horodatages, plutôt qu’un unique « meilleur » lien, car les assortiments évoluent et le bon appariement peut changer au fil du temps. Les modèles modernes de langage et de vision facilitent l’étape (1), mais ne dispensent pas des étapes (2) et (3). Sans une couche d’appariement auditable, avec des règles versionnées et des seuils de confiance, les comparaisons de prix en aval seront numériquement précises et économiquement fausses.

Le volume de données n’est pas la seule préoccupation ; leur conservation et leur provenance le sont aussi. Les flux concurrentiels ne se résument pas à « une ligne par SKU, par concurrent et par jour ». Pour qu’ils restent auditables et économiquement utiles, l’entreprise doit conserver : (i) chaque observation brute — URL horodatée, instantané de la page ou de l’API, et version de l’analyseur utilisé —, (ii) le graphe d’appariement complet avec les scores de chaque arête et les versions horodatées des règles, (iii) les règles de normalisation et les conversions d’unités telles qu’elles étaient à ce moment-là, et (iv) chaque changement détecté : prix, disponibilité, ensemble de variantes, composition d’un lot. Les prix peuvent bouger plusieurs fois par jour ; les places de marché présentent plusieurs offres propres à chaque vendeur ; variantes et accessoires apparaissent et disparaissent. Réduire cette volatilité à un unique « prix du jour » élimine précisément le signal dont nous avons besoin pour les allocations et les prix.

En pratique, le corpus concurrentiel dépasse souvent le journal des transactions de l’entreprise d’un facteur 10–100 \(\times\) en nombre de lignes, et de bien davantage en octets si des instantanés HTML/JSON bruts sont archivés à des fins de traçabilité.⁵⁴ Le matériel moderne absorbe ce volume ; le véritable coût réside dans la plomberie : des chaînes d’ingestion résistantes aux changements des sites, des détecteurs d’anomalies pour neutraliser les erreurs d’extraction, des traitements périodiques de réappariement à mesure que les assortiments évoluent, et des indicateurs d’assurance qualité qui mettent les observations douteuses en quarantaine sans interrompre le flux. Négliger l’un de ces éléments donne un jeu de données numériquement dense, mais épistémiquement pauvre.

Dans l’ensemble, la veille concurrentielle a suffisamment de poids et reste assez abordable pour mériter sa place dans la plupart des supply chains. Toutefois, si un projet peut démarrer sans données concurrentielles, ajoutons ce flux plus tard, une fois la recette centrale en production.

5.4.6.2 Données météorologiques

De nombreuses catégories — habillement, boissons, maison et jardin, accessoires automobiles — sont sensibles à la météo. Comme la météo fait varier la demande, il est tentant de laisser les prévisions piloter la supply chain. La bonne question n’est pourtant pas de savoir s’il faut utiliser les données météorologiques, mais quand elles éclairent véritablement une décision. Deux axes pratiques déterminent la réponse : l’horizon de la décision — heures, jours, semaines — et la granularité spatiale à laquelle l’entreprise agit — magasin, ville, région. Une prévision ne véhicule d’information utile que si son horizon et sa localisation correspondent à ceux de la décision. En pratique, deux contraintes fortes limitent les gains des décisions fondées sur la météo.

Horizon : au-delà d’une dizaine de jours, les prévisions modernes reviennent vers les moyennes saisonnières. Des règles empiriques du début du 20^e siècle à l’imagerie satellitaire haute résolution d’aujourd’hui, des progrès réguliers ont amélioré les prévisions, mais celles-ci restent résolument une affaire de court terme. Par conséquent, pour les choix portant au-delà de dix jours, les flux météorologiques n’apportent pas plus d’information que la simple saisonnalité mesurée sur l’historique de l’entreprise.

Caractère local : la météo est profondément locale. Les conditions peuvent diverger fortement entre des lieux séparés de quelques kilomètres seulement, voire à quelques heures d’intervalle, alors que les grandes entreprises vendent et opèrent sur des centaines de milliers, voire des millions de kilomètres carrés. Un signal météorologique n’aide que s’il est disponible, et relié à nos actifs et à nos clients, à la même granularité spatiale que celle à laquelle nous pouvons agir — magasin, itinéraire, ville ou région — et dans le délai pertinent. Obtenir cette correspondance exige des grilles haute résolution et des réanalyses historiques denses pour calibrer le lien statistique entre météo et demande. Couvrir les dix prochains jours et plusieurs années d’historique produit rapidement des jeux de données de plusieurs dizaines de gigaoctets, souvent d’un ordre de grandeur supérieur au journal des transactions de l’entreprise. Le matériel moderne absorbe ce volume, mais la plomberie n’est pas triviale. Lorsque les décisions sont prises à un niveau plus agrégé, par exemple des allocations régionales, les signaux fins s’annulent en grande partie par effet de moyenne, ce qui réduit le gain.

De plus, la météo n’est pas un phénomène unidimensionnel. Les paramètres courants comprennent la température, l’humidité, la vitesse et la direction du vent, les précipitations, la pression, la visibilité et la couverture nuageuse. Selon les biens concernés, certains paramètres se révèlent sans intérêt, mais les identifier demande tout de même du travail. Pour la demande d’électricité, la température suffit souvent, tandis que d’autres produits dépendent d’une combinaison différente de facteurs météorologiques.

Enfin, l’asymétrie des risques dans une décision de supply chain donnée peut compromettre les bénéfices de prévisions enrichies par la météo. Prenons les rasoirs pour femmes. Dans les pays occidentaux, ces produits suivent une quasi-saisonnalité marquée : la demande bondit dans la semaine qui précède le premier week-end chaud du printemps. Le reste de l’année, elle demeure faible. Pour un magasin généraliste, le choix le plus sage est d’éviter un réapprovisionnement de dernière minute, en juste-à-temps, dès qu’un week-end chaud se profile. Si la prévision est erronée, le réapprovisionnement arrive trop tard et le magasin a manqué son unique occasion annuelle de vendre ces produits. Un choix judicieux, ajusté au risque, consiste à réapprovisionner au début du printemps. Il y aura presque certainement un premier week-end chaud au printemps ; l’incertitude porte sur sa date précise. Garder quelques semaines de plus en rayon un paquet de petits produits non périssables coûte bien moins cher que manquer la pointe de demande à cause d’une mauvaise prévision.

La météo n’aide que lorsque son signal résiste aux deux contraintes fortes déjà évoquées : l’horizon, environ dix jours, et le caractère local, à l’échelle où l’entreprise peut agir. En dehors de cette fenêtre, la physique de la prévision et les coûts de plomberie dominent, tandis que les régularités saisonnières et les politiques ajustées au risque pèsent davantage. Les outils pourront atténuer ces frictions plus tard, mais, pour l’instant, la météo est un complément à la planification, pas son fondement.

5.4.6.3 Données des réseaux sociaux

Dans les années 2010, les données des réseaux sociaux ont fasciné les dirigeants plus que toute autre source externe. Alors que des millions de consommateurs commençaient à exprimer leurs désirs et leurs opinions sur les réseaux sociaux, une entreprise capable d’affiner continuellement son offre à partir de ces informations pouvait surpasser ses concurrents. Plutôt que de s’appuyer sur des données de ventes observées avec plusieurs semaines de retard, l’espoir était de capter le sentiment du marché en temps réel. De plus, les réseaux sociaux devaient contenir des informations allant au-delà de l’offre actuelle de l’entreprise, fournissant des indices pour orienter le lancement de nouveaux produits.

Pourtant, les données des réseaux sociaux n’ont jamais apporté les richesses promises par les éditeurs ; les bénéfices attendus ne se sont pas matérialisés. Ces données sont en effet très difficiles à exploiter, car elles sont extrêmement bruitées, souvent par malveillance. Les faux comptes abondent ; les véritables utilisateurs provoquent ou manipulent ; les influenceurs gagnent et perdent en importance. Les chiffres d’audience gonflés — vues ou abonnés — sont monnaie courante. Les plateformes de réseaux sociaux ont peu d’incitations à éliminer le trafic des fermes à clics⁵⁵ qui gonfle ces chiffres.

Même si la qualité était meilleure, rapprocher les publications d’éléments précis de l’offre de l’entreprise, à grande échelle et automatiquement, resterait coûteux. S’il est évident que les retours publics aident les équipes de conception ou d’ingénierie à repérer des défauts subtils ou, inversement, des pistes d’amélioration, les retours concernant la supply chain sont généralement peu utiles. L’entreprise n’a pas besoin des réseaux sociaux pour savoir que des expéditions récentes ont été retardées ; ses systèmes d’enregistrement et ses intégrations avec les transporteurs fournissent déjà cette information.

Enfin, les coûts de traitement restent importants. Contrairement à des jeux de données de taille comparable, comme les données météorologiques, qui sont entièrement numériques, les données des réseaux sociaux sont largement non structurées, les textes et les images en constituant la quasi-totalité. Les progrès récents des LLM multimodaux, ou grands modèles de langage, facilitent leur traitement, mais les exécuter à grande échelle reste coûteux et lent.

Parmi les sources externes, les données des réseaux sociaux affichent le pire rapport coût-bénéfice. Leur extraction est ardue et les enseignements sont rarement exploitables du point de vue de la supply chain. En pratique, les entreprises devraient laisser de côté ces données pour leurs travaux de supply chain jusqu’à avoir épuisé toutes les autres sources.

5.5 Connaissances ordinaires

Une objection courante à la mécanisation de la prise de décision est que les personnes savent beaucoup de choses qui ne figurent pas dans les systèmes d’enregistrement de l’entreprise. Pourtant, si cette affirmation est une évidence — le personnel de l’entrepôt connaît la couleur des poignées de porte, connaissance presque certainement absente du système —, il n’en découle pas qu’une automatisation presque complète soit impossible. Au contraire, dans le grand public comme dans les milieux d’affaires, un mysticisme répandu persiste autour de la nécessité de garder des humains dans la boucle, comme si l’esprit humain possédait des qualités surnaturelles qu’aucun ordinateur ne pourrait reproduire.

Commençons par clarifier l’affirmation les personnes savent des choses au regard de la distinction entre information et connaissance. Si les employés connaissent assurément les processus impliqués dans le flux de marchandises, ils ne sont pas nécessairement très informés, notamment sur les détails de l’état constamment changeant de ce flux. L’esprit humain ne peut pas mémoriser de façon fiable des milliers de positions de stock quotidiennes, des milliers de commandes clients et des centaines de livraisons fournisseurs en attente. Même des ordinateurs rudimentaires dépassent de très loin les capacités de l’esprit humain, tant en fiabilité qu’en rapidité, pour stocker et retrouver de l’information.

Aujourd’hui, presque toutes les décisions manuelles qui subsistent dans les supply chains impliquent un planificateur qui s’appuie uniquement sur les informations affichées par les systèmes de l’entreprise. Lorsque les systèmes d’enregistrement sont insuffisants, les employés recourent aux tableurs, leur filet de sécurité d’informatique parallèle, pour réunir les informations manquantes. Cette pratique répandue illustre que les supply chains dépendent de facto de l’information numérique. Que cette information soit soigneusement intégrée à des systèmes d’enregistrement bien conçus ou éparpillée au hasard dans un ensemble disparate de tableurs, le constat demeure : à toutes fins utiles, elle n’existe que sous forme numérique.

Rappelons la distinction établie plus haut, dans la section Connaissances, entre connaissances spécialisées et ordinaires. Les connaissances spécialisées — formules, code source, règles contractuelles — appartiennent déjà au domaine de l’écrit et constituent donc une matière première naturelle pour la mécanisation. Les connaissances ordinaires, en revanche, subsistent dans des pratiques tacites : savoir que le transporteur X ne se présente jamais après 4 heures de l’après-midi, qu’il faut ménager le camion « Bessie » pour passer la première, ou qu’un fournisseur donné oublie les documents douaniers un mardi sur deux. Ce que les sceptiques de l’automatisation complète redoutent réellement, c’est que ce reliquat flou disparaisse une fois les personnes « sorties de la boucle ».

Le remède n’est pas de renoncer à l’automatisation, mais de pratiquer une codification progressive. Chaque fois qu’un opérateur s’appuie sur une règle non écrite qui modifie une décision importante, cette règle doit être mise au jour, consignée et placée sous gestion de versions, exactement comme tout autre fragment de code contribuant à la production. Au fil du temps, l’organisation constitue un corpus vivant, relu par les pairs, un manuel opératoire de la supply chain, dans lequel les ingénieurs peuvent puiser des règles déterministes, des a priori statistiques ou des étiquettes d’entraînement pour le futur système d’intelligence.

Faire vivre un tel manuel exige une culture de l’écrit à l’échelle de l’entreprise. Les comptes rendus de réunion, les analyses post-mortem, les carnets de simulation et les fragments de SQL correctif doivent être traités comme des artefacts de premier rang, conservés dans un dépôt partagé où ils peuvent être recherchés, relus et remaniés. Les écrits se dégradent lentement ; les traditions orales s’évaporent du jour au lendemain. Plus tôt une entreprise adopte cette discipline, plus vite elle converge vers des décisions pleinement informées et exécutées par la machine.

L’objection à l’automatisation fondée sur l’information ne tient donc pas. Toutefois, cela ne règle pas la question de la connaissance elle-même, ni de l’intelligence nécessaire pour la mobiliser. L’objection peut être reformulée ainsi : même avec toutes les informations nécessaires, nous ne savons toujours pas formaliser leur transformation en décisions. Les employés savent le faire, mais ne savent pas expliquer comment, du moins pas avec assez de précision pour permettre à un ordinateur de le reproduire de manière fiable. Cette objection est fondée et sera reprise plus loin, dans le chapitre Intelligence.

5.6 Mauvaises données

Au cours des quatre dernières décennies, les initiatives de planification de la supply chain ont été une suite presque ininterrompue d’échecs, comme en témoigne l’absence, dans la plupart des entreprises, de processus de décision sans intervention humaine capables de fonctionner en production. Nous reviendrons plus en détail sur ce constat, mais notons d’emblée que les mauvaises données sont devenues l’excuse favorite. Éditeurs de logiciels, intégrateurs et data scientists attribuent invariablement leur absence de résultats à des données inadéquates. Pourtant, cette explication ne résiste pas à un examen plus attentif.

Depuis la fin des années 1990, toutes les supply chains d’une certaine taille ont été numérisées : chaque achat, chaque expédition, chaque vente et chaque série de production sont consignés quelque part dans un système d’enregistrement. Cela ne signifie pas que ces systèmes captent tous les aspects pertinents du flux physique, ni qu’ils soient exempts de limites et d’autres problèmes. Pourtant, depuis plus de deux décennies, le cœur de l’historique transactionnel des grandes entreprises est numérique.

Empiriquement, les données transactionnelles détenues par les systèmes d’enregistrement présentent presque invariablement des taux d’erreur aussi faibles qu’une écriture erronée sur mille. Cette précision n’a rien de surprenant. Tenir un registre exact est une question de survie pour les entreprises : les créances clients impayées doivent être recouvrées et les factures fournisseurs ne doivent pas être réglées deux fois. Échouer régulièrement sur ces fondamentaux garantit soit la faillite, soit, au mieux, le rachat par un concurrent mieux géré, puisque ces problèmes sont largement remédiables. Des erreurs de saisie occasionnelles passent encore malgré les garde-fous, mais elles sont trop rares pour affecter sensiblement l’optimisation de la supply chain.

Les données non transactionnelles détenues par les systèmes d’enregistrement sont généralement de moins bonne qualité que les données transactionnelles, précisément parce que les écritures erronées ne déclenchent pas systématiquement une sanction économique. Toutefois, dans la supply chain, ces données sont rarement purement et simplement inutilisables. La plupart des grandes entreprises sont en effet assez disciplinées pour que leurs enregistrements reflètent les opérations quotidiennes. Le principal problème de qualité des données non transactionnelles est que des écritures peuvent manquer lorsque les employés peuvent contourner la saisie. Quand l’expérience utilisateur est mauvaise, omettre la saisie peut être le seul moyen pratique de rester productif. Pourtant, ces champs restent vides précisément parce qu’ils ne sont pas indispensables à la continuité du flux.

En un sens, le simple fait que l’entreprise continue de fonctionner prouve que les données sont « suffisamment bonnes ». Il y a plusieurs décennies, certaines divisions conservaient des copies de secours sur papier, mais ces pratiques ont disparu des grandes supply chains. Si les données ne sont pas dans les systèmes de l’entreprise, elles n’existent pas. Par conséquent, l’absence de données non transactionnelles n’empêche pas l’optimisation de la supply chain ; elle en limite seulement l’efficacité. De plus, ces mêmes limites de données contraignent les employés qui effectuent la tâche manuellement. Il existe peu de situations où les informations présentes dans leur tête suffisent à l’optimisation. Ils s’appuient plutôt sur des politiques indépendantes du contexte qui maintiennent le flux, parfois inefficacement, avec peu de données. Pourtant, ces politiques ne sont pas l’apanage de l’esprit humain ; le logiciel peut les reproduire.

Prenons, par exemple, un réseau de distribution doté d’un entrepôt qui dessert quelques dizaines de magasins franchisés. Chaque jour, les magasins, gérés indépendamment, envoient des commandes à l’entrepôt en attendant qu’elles soient exécutées le lendemain. Pourtant, la quantité totale commandée par les magasins un jour donné peut dépasser la quantité en stock dans l’entrepôt. Dans cette situation, la politique par défaut est simplement « premier arrivé, premier servi ». Cette règle naïve invite à la manipulation : les magasins surcommandent dès qu’ils pressentent une pénurie possible, ce qui ne fait qu’aggraver le problème. Une meilleure politique répartirait le stock restant dans le réseau au lieu de tout accorder aux premiers demandeurs. Toutefois, ce raffinement exige davantage de données, c’est-à-dire davantage de contexte.

Ces observations mettent en doute l’affirmation populaire selon laquelle les « mauvaises données » font échouer la plupart des projets de supply chain. Après tout, la plupart des initiatives se résument à une planification des flux qui n’a besoin que de données transactionnelles, à la fois disponibles et fiables. Une autre explication, plus convaincante, est que la plupart des technologues — éditeurs de logiciels, intégrateurs, data scientists internes — ne parviennent pas à exploiter les données déjà présentes dans les systèmes d’enregistrement de l’entreprise. Les livres comme les logiciels de supply chain tendent en effet à évacuer le problème : la préparation des données est entièrement ignorée, implicitement traitée comme une tâche si simple qu’elle ne mérite ni méthodologies ni technologies spécifiques.

Pourtant, comme nous l’avons détaillé dans la section précédente, les systèmes d’enregistrement n’ont jamais été conçus pour la science des données et ne le seront vraisemblablement jamais. Les grandes entreprises exploitent souvent de nombreux systèmes d’enregistrement aux fonctions qui se chevauchent, parfois des dizaines. Ce paysage applicatif chaotique découle des fusions et acquisitions, de déploiements successifs qui ne retirent jamais les anciens systèmes, et d’exigences fonctionnelles toujours nouvelles. La préparation des données, en particulier la détermination précise de la sémantique des champs, constitue donc invariablement un immense défi pour toute entreprise d’une certaine taille. Ce défi ne peut être relevé que par des spécialistes de la supply chain.

En somme, les « mauvaises données » servent souvent de bouc émissaire commode à la simple incompétence. Si les sources externes souffrent fréquemment de problèmes de qualité écrasants, ce n’est pas le cas des systèmes d’enregistrement exploités par l’entreprise elle-même.

6 Intelligence

L’intelligence est cette faculté difficile à cerner qui permet aux personnes d’exprimer leurs désirs et de planifier les actions nécessaires pour les réaliser. Il va de soi que la supply chain, comprise comme la maîtrise de l’optionalité, exige une intelligence considérable pour être menée de façon rentable. Pourtant, une supply chain conduite grossièrement impose à l’entreprise des surcoûts permanents et évitables, qu’une allocation plus judicieuse des ressources lui épargnerait.

Sur un marché sans entraves, les entreprises gérées intelligemment sont récompensées, tandis que les autres sont éliminées. Le marché est remarquable par sa capacité à produire des aptitudes que ses participants ne comprennent pas explicitement. Nous avons vu précédemment le marché produire des prix ; nous voyons maintenant qu’il produit aussi une gestion intelligente. Ces aptitudes ne sont obtenues qu’indirectement : elles constituent une propriété agrégée du marché dans son ensemble. Un dirigeant doit toujours s’appuyer sur sa propre intelligence pour améliorer son entreprise, et notamment sa supply chain.

Comprendre l’intelligence est crucial pour la supply chain, car une grande partie peut désormais être conçue par l’ingénierie et déléguée au matériel informatique. En pratique, depuis bien plus d’une décennie, il est possible d’automatiser à grande échelle et sans intervention humaine les décisions opérationnelles ordinaires qui maintiennent le flux de marchandises. Il ne s’agit pas d’affirmer que l’intelligence générale est « résolue », mais de constater qu’une intelligence spécialisée, construite par l’ingénierie, procure déjà une régularité surhumaine sur des tâches ciblées et d’importants gains de productivité. Les applications de calcul d’itinéraire, aujourd’hui omniprésentes, en offrent une preuve discrète mais puissante.

La forme architecturale de cette capacité construite par l’ingénierie est le système d’intelligence. Avant d’opposer intelligence générale et intelligence spécialisée, examinons ces systèmes en eux-mêmes : comment ils émergent dans une supply chain moderne, comment ils transforment des enregistrements bruts en décisions rentables produites sans intervention humaine, et pourquoi leurs principes de conception divergent nettement de ceux des applications CRUD qui dominent les logiciels d’entreprise.

6.1 Systèmes d’intelligence

La prise de décision est mécanisée par les systèmes d’intelligence. Contrairement aux systèmes d’enregistrement ou de reporting, les systèmes d’intelligence sont conçus pour remplacer les opérateurs humains, pas pour l’interaction homme-machine. Leur objectif est de produire les décisions les plus rentables, et de les produire entièrement sans intervention humaine.⁵⁶ Pour la plupart des entreprises, l’automatisation incessante a été la pierre angulaire de la rentabilité. Les systèmes d’intelligence étendent ce principe aux tâches traditionnellement confiées aux employés de bureau. Notre capacité à concevoir un système d’intelligence dépend directement de notre capacité à mécaniser l’intelligence, qu’elle soit générale ou spécialisée.

Si chaque fonction de l’entreprise — marketing, finance, ressources humaines, etc. — finira par disposer de ses propres systèmes d’intelligence, la supply chain est l’un des segments les plus prometteurs. Toute supply chain d’une certaine taille exige des dizaines de milliers, parfois des millions, de décisions chaque jour. Sans systèmes d’intelligence, des dizaines, voire des centaines d’employés administratifs sont nécessaires rien que pour maintenir les marchandises en mouvement. Au début des années 2020, de nombreux distributeurs et industriels employaient davantage de salariés de bureau à mettre à jour des tableurs que d’ouvriers à manipuler les marchandises elles-mêmes. Le travail ouvrier est intensément mécanisé depuis deux siècles, et ce processus se poursuit. En revanche, presque tous les gains de productivité apportés par les logiciels d’entreprise au cours des cinq dernières décennies sont venus des seuls systèmes d’enregistrement. Les effectifs de bureau n’ont guère diminué ; la complexité croissante de la supply chain a absorbé les gains.

Pourtant, on attendait des premiers systèmes de gestion des stocks, déployés dans les années 1970, qu’ils automatisent largement la prise de décision⁵⁷. Ces systèmes reposaient presque invariablement sur le paradigme du stock de sécurité, ou sur des variantes mineures : pour chaque SKU, le tampon est dimensionné à partir d’une prévision de la demande, d’un délai fourni en entrée et d’un taux de service cible. La méthode suppose que l’incertitude de la demande suit une loi normale. L’attente initiale était qu’un tel système puisse produire automatiquement des décisions de stock, sous la supervision modeste d’employés qui mettraient les paramètres à jour de temps à autre. Cette attente s’est révélée mal fondée ; les systèmes sont restés extrêmement gourmands en travail humain.

Mais au 21^e siècle, après quelques décennies d’impasse, l’automatisation pratique des décisions ordinaires de supply chain est devenue possible grâce à des systèmes expressément conçus comme des systèmes d’intelligence. Pour les praticiens, leur importance ne saurait être exagérée : la pratique moderne de la supply chain est, pour l’essentiel, une entreprise logicielle spécialisée. Elle consiste à concevoir des systèmes d’intelligence dédiés à la supply chain. Cette idée fondamentale échappe couramment aux auteurs, aux consultants comme aux universitaires du domaine. Le paradigme traditionnel ne parvient donc pas à transformer la pratique de la supply chain en un actif productif.

6.1.1 Un actif productif

Et si nous formons les salariés et qu’ils partent ? Certes, mais si nous ne les formons pas et qu’ils restent ? (vieil adage d’entreprise)

Avant le logiciel, les entreprises devaient recruter et conserver des employés administratifs pour chaque décision courante, aussi petite, ordinaire ou répétitive soit-elle. À mesure que les décisions se multipliaient, les employés et leurs responsables aussi. Une entreprise pouvait restreindre son champ d’activité pour réduire ces effectifs, mais uniquement en réduisant son offre. Dans cette perspective, le personnel constitue une pure dépense d’exploitation (OPEX) : ses journées de travail sont consommées et ne laissent aucun actif durable une fois la décision prise.

Même avec de la formation et une organisation affinée, les grands effectifs ont depuis longtemps atteint leur plafond de compétence. Par exemple, l’APICS⁵⁸ (American Production and Inventory Control Society) a été fondée en 1957 ; ses enseignements sont stables depuis des décennies. Malgré ce que préconisent encore de nombreux auteurs issus du conseil, il est désormais déraisonnable d’attendre qu’une refonte des processus ou de l’organisation de la supply chain, tout en restant ancrée dans le paradigme antérieur au logiciel, produise autre chose que de maigres rendements.

La proposition fondamentale d’un système d’intelligence est de transformer ces dépenses d’exploitation en dépenses d’investissement. Même les journées de travail investies dans la construction du système améliorent le système lui-même. Son exploitation et son entretien coûtent toujours de l’argent, mais, puisqu’il s’agit d’un logiciel, ces dépenses représentent généralement une petite fraction de la masse salariale nécessaire pour obtenir les mêmes résultats manuellement. Ainsi, par le système d’intelligence lui-même, la pratique de la supply chain se matérialise en un actif productif. Cet actif est productif parce qu’il génère des rendements continus pour l’entreprise, grâce aux décisions qu’il automatise, bien au-delà de ses coûts d’exploitation.

Contrairement à des employés administratifs que l’on ne peut former que jusqu’à un certain point, il n’existe pas de borne supérieure a priori à la performance de supply chain que l’on peut attendre d’un système d’intelligence. Premièrement, il devient possible d’apporter des corrections pour ainsi dire définitives à certaines inefficacités ou erreurs. En effet, aussi bien formés et consciencieux que soient les responsables, tout processus manuel subira nécessairement des erreurs administratives occasionnelles. De plus, introduire des redondances supplémentaires dans les processus manuels, comme des validations additionnelles par les pairs ou la hiérarchie, est généralement contre-productif : cela ralentit le flux et ajoute des obstacles et des coûts. Deuxièmement, chaque décision peut être affinée davantage par plus de données, des prédicteurs plus précis, des optimiseurs plus efficaces… sans plafond intrinsèque à leur sophistication. Le logiciel peut déjà intégrer ce qui exigerait autrement des vies entières d’enseignements et de compétences accumulés, et c’est le cas depuis des décennies⁵⁹.

L’entretien d’un système d’intelligence étant un problème d’intelligence générale, aucun système n’est encore entièrement autonome. Depuis le début des années 2010, toutefois, un nombre croissant d’entreprises exploitent des systèmes d’intelligence qui assurent l’exécution ordinaire de leurs supply chains largement sans intervention humaine⁶⁰. Les recettes numériques restent inchangées pendant des semaines, voire des mois.

6.1.2 Une émergence confuse

Depuis les années 1970, les éditeurs de logiciels de supply chain ont régulièrement affirmé que leurs produits automatiseraient la planification ; en pratique, ces promesses ne se sont pas matérialisées : les systèmes livrés ne prenaient pas de décisions sans intervention humaine, et cela reste vrai pour la plupart des éditeurs au milieu des années 2020.⁶¹ Les véritables systèmes d’intelligence ne sont apparus qu’à la fin du 20^e siècle, d’abord à grande échelle dans la finance quantitative, sous forme de plateformes de trading algorithmique, souvent appelées « algorithmes de trading » ou « systèmes de trading automatisés ». Dès les années 1980, les institutions financières ont employé des algorithmes pour automatiser les décisions de trading, remplaçant de fait les traders humains dans diverses activités de marché. Ces systèmes étaient conçus pour analyser d’immenses volumes de données de marché, repérer les opportunités de trading rentables et exécuter des transactions à des vitesses hors de portée des humains. Leur réussite a mis en évidence le potentiel de transformation de la mécanisation de l’intelligence, créant un précédent pour d’autres secteurs.

Toutefois, dans d’autres secteurs, et tout particulièrement dans la supply chain, la confusion entre systèmes d’enregistrement et systèmes d’intelligence persiste depuis l’essor des logiciels d’entreprise dans les années 1970, les éditeurs, aidés par les analystes de marché, jouant un rôle essentiel dans sa perpétuation. En bref, les systèmes d’enregistrement sont faciles à concevoir, mais offrent des rendements limités ; les systèmes d’intelligence sont difficiles à concevoir, mais ont un vaste potentiel. La plupart des éditeurs présentent donc leurs systèmes d’enregistrement comme des systèmes d’intelligence pour accroître la disposition à payer de leurs prospects. Aussi grossière soit-elle, cette technique marketing reste efficace : dans les années 2020, les entreprises paient encore des redevances élevées pour des technologies, les applications CRUD, banalisées depuis plus d’une décennie. De nombreux dirigeants restent convaincus que les systèmes d’enregistrement contribuent à la qualité de leurs décisions d’entreprise, malgré plusieurs décennies de preuves empiriques du contraire.

La valeur qu’un système d’enregistrement peut apporter est strictement plafonnée, quelle que soit la qualité de la solution. En effet, une fois une fiabilité presque parfaite et une couverture fonctionnelle complète atteintes, il n’y a plus d’amélioration à apporter. Pour de nombreux processus — facturation, inventaires, suivi du temps… —, ce stade final a été atteint il y a plus d’une décennie. De même qu’avoir le meilleur comptable du monde ne change rien par rapport à un excellent comptable, le meilleur système d’enregistrement ne change rien par rapport à un excellent système.

Les éditeurs de logiciels d’entreprise ont toujours eu une conscience aiguë des limites intrinsèques des systèmes d’enregistrement. Depuis le début, leur discours se concentre sur les « meilleures décisions » que les entreprises prendraient grâce à leurs logiciels. Dans la supply chain, par exemple, les éditeurs affirment invariablement que leurs solutions réduisent les niveaux de stock et les ruptures, même lorsque le logiciel délègue en réalité entièrement les décisions de stock aux salariés de l’entreprise cliente, comme c’est invariablement le cas des ERP. Les éditeurs de systèmes de reporting ont ensuite suivi une approche similaire, vantant des décisions qui ne découlaient, au mieux, qu’indirectement de leurs rapports.

Le cœur du défi technologique est que ni un système d’enregistrement ni un système de reporting ne peut, en pratique, être étendu pour devenir un système d’intelligence. À la décharge des premiers éditeurs des années 1970, les raisons n’étaient pas évidentes à l’époque ; ils croyaient donc très probablement eux-mêmes que leurs premiers systèmes d’enregistrement finiraient par englober les processus de décision. Pourtant, à la fin des années 1990, des dizaines de tentatives infructueuses marquantes avaient démontré qu’une telle transition n’aurait pas lieu.

6.1.3 Culture et incitations

L’automatisation de la prise de décision en supply chain n’est pas née chez les pionniers des logiciels d’entreprise devenus des géants dans les années 1990. C’est doublement surprenant : ces éditeurs ne se contentaient pas de couvrir largement les supply chains par leurs systèmes d’enregistrement ; ils promouvaient aussi sans relâche leur capacité à améliorer ces mêmes processus. Comprendre pourquoi ils n’ont pas su fournir de systèmes d’intelligence pour la supply chain est important, car les entreprises qui modernisent leur supply chain rencontreront les mêmes problèmes.

On pourrait soutenir que les logiciels de la fin du 20^e siècle étaient insuffisants et que les éditeurs péchaient par optimisme ; cette proposition est discutable. En effet, les mêmes éditeurs, principalement ceux d’ERP et de CRM, n’avaient toujours pas changé de cap une décennie après qu’il était devenu clair que certaines entreprises avaient mécanisé la prise de décision en supply chain ; ils ne disposaient pas de conceptions rendant cette automatisation possible. Ainsi, si des barrières technologiques existaient, elles n’étaient pas l’obstacle principal.

Le premier problème est celui des incitations. Les éditeurs de systèmes d’enregistrement alignent généralement leurs redevances sur le nombre d’utilisateurs ; même les frais qui ne sont pas liés aux effectifs, comme l’assistance, les suivent en pratique. Les éditeurs sont donc incités à ajouter des caractéristiques qui augmentent les effectifs et dissuadés d’orienter leurs produits vers leur réduction. Les systèmes d’intelligence, dont l’objectif explicite est d’automatiser la prise de décision, vont directement à l’encontre de cette logique.

Il n’est donc pas surprenant que les éditeurs de systèmes d’enregistrement, souvent très rentables, aient peu de raisons de financer des technologies susceptibles d’éroder leurs vaches à lait actuelles. S’il est une leçon que l’économie enseigne, c’est que les incitations comptent. Si la rentabilité de l’organisation dépend de l’absence d’une percée, les visionnaires en son sein sont sans effet⁶².

Le second problème est la culture d’ingénierie. Comme indiqué, les systèmes d’enregistrement sont développés presque exclusivement selon le paradigme CRUD. Comparé aux alternatives, le CRUD exige beaucoup moins de compétences d’ingénierie pour maintenir et étendre une application. C’est devenu une pierre angulaire de la gestion des effectifs chez les éditeurs de systèmes d’enregistrement. Ils peuvent ainsi diriger de plus grandes équipes tout en réduisant leur dépendance aux talents d’ingénierie. À l’inverse, les systèmes d’intelligence comportent invariablement des défis d’ingénierie difficiles, guère comparables aux trivialités du CRUD. Sans surprise, des équipes qui ont presque exclusivement traité des problèmes « faciles », souvent pendant une décennie ou davantage, hésitent à s’attaquer à ceux qui sont véritablement difficiles. À titre d’illustration, la quasi-totalité des percées informatiques des deux dernières décennies est venue d’entreprises de logiciels grand public⁶³, tandis qu’il est difficile de citer des contributions marquantes d’éditeurs de systèmes d’enregistrement d’entreprise.

Par conséquent, lorsqu’elle déploie un système d’intelligence, une entreprise devrait éviter les éditeurs spécialisés dans les systèmes d’enregistrement. Ceux-ci étant déployés en premier, les responsables sont invariablement tentés de se tourner vers l’éditeur en place qui s’est déjà montré digne de confiance. Malheureusement, cette confiance est mal placée : les caractéristiques qui font réussir un éditeur dans les systèmes d’enregistrement sont entièrement contre-productives pour les systèmes d’intelligence.

6.1.4 Des exigences de conception contradictoires

Au-delà des incitations et de la culture, les tentatives d’étendre les systèmes d’enregistrement à la prise de décision sont largement condamnées par des exigences de conception contradictoires. Performance, fiabilité et maintenabilité comptent dans les deux camps, mais ce que ces notions impliquent varie radicalement.

Lorsque nous explorerons plus loin les technologies des systèmes d’intelligence pour la supply chain, il deviendra clair qu’un tel système ne peut raisonnablement naître de l’extension d’une application CRUD et qu’il vaut mieux le développer séparément. Même des considérations élémentaires révèlent l’ampleur du fossé entre systèmes d’enregistrement et systèmes d’intelligence.

6.1.4.1 Performance

Un système d’enregistrement doit répondre avec une faible latence : quelle que soit la saisie ou l’écran, les actions doivent s’achever en quelques millisecondes, idéalement en moins de 100 ms, pour que le délai reste imperceptible ; au-delà, la productivité se dégrade dans les opérations courantes. Si 100 ms semblent rapides, les files d’attente font qu’un système affichant cette moyenne infligera tout de même des délais de plusieurs secondes, des latences que les utilisateurs remarquent et subissent avec agacement.

Dans un système d’enregistrement, chaque opération doit donc s’achever en un temps pratiquement constant, dans un budget de ressources fixe. Toutes les opérations étant en concurrence pour le même noyau transactionnel, toute opération « lourde » finira par priver le système de ressources et dégrader les latences de nombreuses opérations. Avec des milliers de fonctionnalités, même une seule exception présente un risque. Aujourd’hui, la plupart des entreprises dotées de systèmes métier « lents » subissent les conséquences prévisibles d’opérations lourdes qui n’auraient jamais dû être mises en œuvre dans le système d’enregistrement.

Il est facile d’introduire par inadvertance une telle opération coûteuse. Par exemple, sommer un nombre non borné de lignes, comme pour calculer une moyenne mobile sur un an du chiffre d’affaires d’une catégorie de produits, est déjà problématique. Il ne s’agit pourtant que d’une statistique descriptive élémentaire. Les lecteurs versés en algorithmique objecteront peut-être que la plupart des statistiques descriptives peuvent être maintenues et récupérées dans une enveloppe de ressources constante. C’est vrai, mais une telle sophistication est peu praticable⁶⁴. Premièrement, la vertu du CRUD est précisément de ne pas exiger d’expertise algorithmique. Deuxièmement, à l’échelle de milliers de fonctionnalités, les problèmes de performance s’insinuent. Éviter entièrement ces opérations est le seul garde-fou qui passe à l’échelle.

Un système d’intelligence fait face à des enjeux de performance très différents. Considérons la décision de savoir quand et combien commander à un fournisseur d’outre-mer. Si cette décision doit être prise à temps, consacrer des minutes, voire des heures, à une optimisation qui produit une meilleure commande est raisonnable. Imposer un plafond de 100 ms à une décision dont les effets se déploieront sur des semaines n’a aucun sens. L’objectif des systèmes d’intelligence est de produire les meilleures décisions dont l’entreprise peut financer l’ingénierie. Tant que la dépense de calcul reste infime face aux gains marginaux, il est raisonnable de dépenser davantage.

6.1.4.2 Fiabilité

La fiabilité a un sens très différent pour les systèmes d’enregistrement et pour les systèmes d’intelligence. Si un système d’enregistrement tombe en panne, tout processus qui en dépend s’arrête immédiatement. Par exemple, la préparation des articles en stock peut être interrompue si le système de gestion des stocks est indisponible. Lorsqu’on conçoit un système d’enregistrement, il est donc crucial de le maintenir opérationnel en permanence. Les applications CRUD isolant les préoccupations, la plupart des bogues sont locaux : ils n’affectent qu’un écran ou un processus. Il est généralement préférable de laisser le système d’enregistrement fonctionner malgré un problème identifié plutôt que de l’arrêter jusqu’à sa correction. En fait, il devrait être possible de corriger le système alors que les opérations se poursuivent, car résoudre un problème local ne devrait pas nuire au reste de l’entreprise. Cette capacité, la correction à chaud, est généralement considérée comme techniquement difficile. Pourtant, le paradigme CRUD, par l’intermédiaire du moteur de base de données relationnelle, la fournit largement. En pratique, les ingénieurs logiciels qui développent un système d’enregistrement ont donc rarement besoin d’une expertise en calcul distribué pour atteindre une disponibilité presque parfaite.

À l’inverse, lorsqu’un système d’intelligence est soupçonné d’être défectueux, la prudence commande de l’arrêter et d’établir le diagnostic avant de reprendre. Des décisions corrompues peuvent coûter extrêmement cher. Par exemple, une commande massivement surdimensionnée auprès d’un fournisseur d’outre-mer garantit presque une dépréciation du stock, sinon sa perte totale de valeur.

Dans un système d’intelligence, la qualité économique des décisions compte donc davantage que la disponibilité. Lorsque la confiance baisse, le moteur doit s’arrêter, délibérément et rapidement, selon des heuristiques explicites ; cela évite des erreurs coûteuses et constitue généralement le choix le plus rentable. Ces heuristiques d’arrêt ne sont pas les « alertes » et « exceptions » émises lorsqu’on étire un système d’enregistrement pour en faire un outil de décision. Les conceptions CRUD ne peuvent pas encoder les subtilités des décisions non triviales ; les cas limites prolifèrent donc : une logique élémentaire de réapprovisionnement échoue face aux lancements, à la cannibalisation, aux promotions concurrentes et à d’autres chocs courants. Pourtant, arrêter l’application est inacceptable : les cas limites sont assez fréquents pour que l’outil soit arrêté la plupart du temps et, puisqu’il sert aussi de système d’enregistrement, son arrêt paralyserait les opérations. L’outil consigne donc une exception et transmet le cas à un humain. Un véritable système d’intelligence fait l’inverse : le moteur de décision s’arrête et les opérations ne reprennent qu’après le déploiement d’une correction dans le programme, c’est-à-dire d’un changement de logique ; traiter les cas à la main n’est pas une option.

6.1.4.3 Maintenabilité

Les deux catégories diffèrent aussi nettement dans leur rapport à la maintenabilité. Dans un système d’enregistrement, une fois de nouvelles entités ajoutées, les clients en dépendent : des données ont été stockées et des processus reposent désormais sur elles. Les difficultés commencent lorsque les entités se chevauchent et deviennent impossibles à maintenir. Les chevauchements créent une confusion irrémédiable : les entités ne peuvent être supprimées ni même réduites. Ils créent aussi des conflits lors des développements ultérieurs du logiciel. Des situations similaires se produisent lorsque les entités sont mal définies, ambiguës ou compromettent autrement l’intégrité sémantique de l’ensemble des entités. Pour un système d’enregistrement, la maintenabilité consiste donc surtout à examiner soigneusement les entités et les comportements qui leur sont superposés.

De plus, dans un système d’enregistrement, la simple taille du code ne constitue pas, en elle-même, un problème de maintenabilité. Beaucoup de ces systèmes contiennent des milliers d’entités réparties dans des dizaines de milliers de tables. Une base de code plus volumineuse impose davantage de frais pour étendre le produit, mais ne compromet pas la continuité. En outre, une hypothétique réécriture complète prenant des années est acceptable. Sans être souhaitable, ce n’est pas une préoccupation majeure : aucune situation n’exige une réécriture complète immédiate. Si l’activité se développe dans une direction imprévue par les systèmes d’enregistrement existants, il est acceptable de mettre en place un nouveau système pour les compléter. L’intégration peut se révéler difficile, mais sans commune mesure avec une réécriture complète des anciens systèmes.

À l’inverse, un système d’intelligence est maintenable si, confronté à des conditions inédites, il peut être rapidement reconçu pour reprendre ses opérations. Ces conditions peuvent découler d’un changement stratégique radical, d’une évolution soudaine du marché ou de tout facteur qui modifie fondamentalement le flux. Un système d’intelligence doit gérer les variations ordinaires, mais on ne peut attendre d’une intelligence spécialisée qu’elle gère des bouleversements radicaux. Cela exige de l’intelligence générale, qui n’est pas aisément disponible sous forme informatisée.

Par exemple, pendant la panique mondiale de 2020, face à une forte baisse du trafic passagers, certains prestataires MRO aéronautiques ont cessé de réparer certains rotables, c’est-à-dire des composants réparables, et ont stocké des articles hors service pour préserver leur trésorerie. Les réparations peuvent coûter un tiers du prix de l’article ; avec un excédent de stock utilisable dû à la baisse du trafic, différer ces dépenses est judicieux. Avant 2020, stocker des articles hors service n’était pas considéré comme viable, et il n’existait généralement aucun processus permettant de renoncer à une réparation. Tous les rotables réparables étaient réparés par défaut. Des conditions de marché inédites ont invalidé cette politique. Il aurait été déraisonnable d’attendre d’un système d’intelligence conçu avant 2020 qu’il réagisse adéquatement aux confinements de cette année-là. Les systèmes en production ont dû être largement modifiés pour s’adapter à la nouvelle réalité.

De nouvelles conditions pouvant exiger une réécriture complète de la logique de décision, cette réécriture doit rester réalisable. En pratique, l’équipe devrait pouvoir en ébaucher une version en quelques heures et en produire une version aboutie en quelques jours. Entre ces extrêmes, lorsqu’une heuristique d’arrêt se déclenche, il doit être possible d’examiner et de résoudre le cas en quelques heures, voire en moins d’une heure. Cela implique qu’un ingénieur doit toujours être capable de se plonger dans la logique centrale pour évaluer les problèmes et, si nécessaire, les corriger sur-le-champ.

La base de code d’un système d’intelligence doit donc rester petite et claire, idéalement maîtrisable par un seul ingénieur. Il faut supposer que la logique existante finira par rencontrer des conditions qui dépassent sa capacité à produire des décisions pertinentes. Lorsque cela arrive, il n’y a pas d’autre solution que de recourir à l’intelligence générale d’un salarié compétent pour reconcevoir la logique en fonction de la nouvelle réalité. En substance, la maintenabilité d’un système d’intelligence est la capacité à réécrire le système, plus ou moins complètement, en cas de bouleversement.

6.1.5 Pas de problème sans solution

Les systèmes d’intelligence vivent ou meurent selon la manière dont ils cadrent le jeu économique auquel on leur demande de jouer. Même un optimiseur irréprochable détruit de la valeur s’il poursuit le mauvais objectif. Avant de laisser un logiciel raisonner à notre place, nous devons donc préciser exactement sur quoi il est censé raisonner. Cette entreprise s’avère étonnamment difficile.

De l’école primaire à l’université, on présente aux élèves et aux étudiants des « problèmes » à résoudre. Beaucoup de notes, sinon la plupart, dépendent de manière décisive de leur capacité à trouver des solutions à ces problèmes. Cette approche persiste moins pour ses mérites pédagogiques que parce qu’elle donne aux établissements un moyen facile et apparemment objectif de noter les élèves. Toutefois, cette mentalité de résolution de problèmes est profondément ancrée dans notre culture industrialisée et a au moins deux conséquences notables. Celles-ci comptent beaucoup pour la supply chain et, plus généralement, pour les entreprises véritablement difficiles.

Premièrement, il existe une réticence quasi instinctive à réfléchir aux « problèmes ». Les institutions d’enseignement forment et récompensent la recherche de solutions, pas l’invention des problèmes. Après deux décennies en leur sein, ce schéma s’ancre profondément chez la plupart d’entre nous. Nous peinons donc souvent à formuler un problème si une solution n’est pas déjà en vue. Penser aux solutions vient naturellement : nous y avons consacré des milliers d’heures. En revanche, la plupart d’entre nous réfléchissent rarement aux problèmes eux-mêmes.

Les praticiens et les auteurs ignorent donc souvent de grands problèmes de supply chain, simplement parce qu’aucune solution prête à l’emploi n’est disponible. Citons les paliers tarifaires, la cannibalisation, les comportements antagonistes, l’incertitude des modèles et l’optimisation dans l’incertitude : autant de sujets lourds de conséquences que le discours actuel sur la supply chain contourne largement. Les entreprises les traitent indirectement par leurs politiques internes, des recettes opérationnelles qui font tourner l’activité, mais explicitent rarement le problème précis que chaque politique entend résoudre. Pour un système d’intelligence, cet oubli est fatal : le code optimisera fidèlement la question d’hier alors que le marché aura déjà changé de jeu.

Deuxièmement, remettre en question l’énoncé du problème lui-même est instinctivement perçu comme une remise en cause de l’autorité. Après deux décennies dans les institutions d’enseignement, chaque étudiant sait en effet que répondre cela n’a pas d’importance à une question posée garantit une mauvaise note. Pourtant, trop souvent, cette réponse est malgré tout la bonne. Choisir soigneusement les problèmes à traiter est fondamental. Les ressources — temps, puissance de calcul, personnes — sont toujours limitées ; nous ne pouvons donc pas nous attaquer à tous les problèmes imaginables. L’une des compétences les plus cruciales de l’entrepreneur est de choisir judicieusement les problèmes qu’il décide de résoudre. Cette perspective diffère radicalement de celle des salariés, généralement chargés non seulement de résoudre un problème donné, mais aussi de suivre une méthode codifiée dans les politiques de l’entreprise.

Le monde universitaire comme l’entreprise entretiennent des incitations qui découragent la remise en question de l’énoncé du problème. Dans les universités, les publications, les subventions et le recrutement des étudiants dépendent tous du maintien dans des champs de recherche officiellement reconnus. Les chercheurs peuvent poursuivre tout sujet « pertinent », pourvu qu’il s’inscrive dans le canon de leur discipline. Max Planck a saisi cette dynamique dans son Autobiographie scientifique (1950) : Une vérité scientifique nouvelle ne triomphe pas en convainquant ses adversaires et en leur faisant voir la lumière, mais plutôt parce que ses adversaires finissent par mourir et qu’une nouvelle génération grandit en étant familière de cette vérité.

Dans les entreprises, la solution de chaque problème s’incarne dans un organigramme et une ligne budgétaire. Remettre le problème en question menace donc le statu quo et crée des gagnants et des perdants parmi les responsables. Les jeux politiques sont inévitables dans les grandes entreprises et constituent un obstacle majeur à la reformulation du problème. L’histoire des entreprises montre que les organisations, comme les personnes, meurent ; refuser d’affronter de nouveaux problèmes est une cause majeure de déclin.

Le premier livrable d’un projet de système d’intelligence n’est donc pas du code, mais un énoncé clair et testable du problème économique. Ce n’est qu’après avoir résisté à un examen contradictoire que cet énoncé doit donner lieu à des travaux d’optimisation, de prévision et de préparation des données. Ces fondations techniques et culturelles posées, nous pouvons élargir notre perspective et revenir sur l’intelligence en soi, d’abord sous sa forme universelle, puis dans les formes spécialisées que le travail de supply chain mobilise chaque jour.

6.2 Intelligence générale

Les systèmes d’intelligence contiennent un raisonnement ciblé, enfermé dans un logiciel, tandis que l’intelligence générale est indépendante du problème et n’a pas besoin d’exceller dans une tâche particulière. Sa caractéristique distinctive est la capacité à affiner à la fois la formulation et la résolution des problèmes. Les énigmes et les contes, outils de développement de l’intelligence chez les enfants comme chez les adultes, accompagnent l’humanité depuis la nuit des temps. Une énigme est un exercice destiné à aiguiser l’esprit pour lui-même. Les contes jouent un rôle similaire, mais s’appuient sur notre réaction émotionnelle pour faciliter la mémorisation.

L’écriture, inventée il y a plus de 5 000 ans, se comprend mieux comme un amplificateur de l’intelligence générale humaine que comme sa cause. Elle externalise la mémoire : perspectives, enseignements et faits peuvent être consignés, critiqués et recombinés longtemps après la mort de leurs auteurs. L’imprimerie, puis, bien plus tard, le web, ont réduit les coûts de copie et élargi la coordination, accélérant cette boucle de rétroaction. Pourtant, davantage de stockage ne produit pas à lui seul de la compréhension ou du jugement. Un appareil de l’ordre du gramme peut contenir de nombreuses vies de littérature tout en restant entièrement dépourvu d’intelligence ; mémoriser n’est pas être intelligent.

Des animaux intelligents, comme les orques et les chimpanzés, transmettent à leurs petits un savoir-faire culturel : des astuces de chasse ou de recherche de nourriture. Ils font preuve d’une intelligence notable, mais l’intelligence générale leur échappe. Contrairement aux théories philosophiques passées, aucun trait particulier ne semble exclusivement humain. Langage complexe, individus nommés, humour, outils, logique formelle et théorie de l’esprit⁶⁵ existent tous, sous des formes moindres, dans le règne animal. Le passage de l’intelligence à l’intelligence générale correspond donc à un seuil flou : de nombreuses facultés mentales doivent franchir une limite quantitative avant qu’un saut qualitatif ne se produise.

Jusqu’au début des années 2020, l’amélioration délibérée de sa propre intelligence générale était strictement humaine et résolument artisanale. L’esprit résiste à l’« ingénierie », au sens d’améliorations sans limite et reproductibles. Des millénaires de pédagogie ont produit de nombreuses techniques, mais personne n’attend de percée dans ce domaine, du moins dans un avenir prévisible⁶⁶. On ne peut maîtriser une nouvelle langue, l’algèbre linéaire ou la thermodynamique du jour au lendemain ; une étude disciplinée reste la seule voie.

Dans les années 2010, des intelligences spécialisées pouvaient s’améliorer elles-mêmes dans des domaines étroits, le plus célèbre étant le go⁶⁷. Le début des années 2020 a marqué un tournant : les grands modèles de langage, dont les plus vastes manifestent une étincelle perceptible d’intelligence artificielle générale⁶⁸. Comme l’imprimerie ou le web, ces modèles étendent la capacité de l’humanité à affiner sa propre intelligence.

Ces fondations posées, nous pouvons préciser ce qu’est l’« intelligence générale ». Les trois sous-sections suivantes abordent le sujet sous différents angles. Premièrement, nous demandons à quel moment une question devient un problème d’intelligence générale, dont l’espace des options échappe aux limites formelles. Deuxièmement, nous examinons les fonctions administratives dans les équipes supply chain pour montrer pourquoi elles exigent une intelligence spécialisée, et non générale, et sont donc mûres pour l’automatisation. Troisièmement, nous évaluons les grands modèles de langage, aujourd’hui la tentative la plus convaincante de construire une intelligence générale par l’ingénierie, et distinguons les contributions réelles du battage médiatique. Ensemble, ces perspectives transforment une idée philosophique en orientations opérationnelles pour les supply chains modernes.

6.2.1 Problèmes d’intelligence générale

Les problèmes d’intelligence générale sont intrinsèquement ouverts. Chaque solution ne fait qu’approfondir notre compréhension et imposer une nouvelle formulation, qui exige à son tour une nouvelle solution. Interrompre ce cycle n’est jamais définitif : les points d’arrêt sont en partie arbitraires, une trêve pragmatique fixée par l’économie, les outils et l’attention du moment, jusqu’à ce que la réalité impose une nouvelle formulation. Ces problèmes peuvent sembler subjectivement rares, car, dès qu’ils sont nommés, la plupart sont rapidement enfermés dans des limites formelles pour pouvoir être traités. Pourtant, presque tous les problèmes d’entreprise, sous leur forme nue, sont des problèmes d’intelligence générale.

La recherche entrepreneuriale du profit est un exemple clair de problème d’intelligence générale. Le capital, le temps et l’attention des dirigeants d’une entreprise sont finis ; les façons de les déployer sont pratiquement sans bornes et changent continuellement. À chaque instant, l’entrepreneur doit décider s’il s’engage dans la meilleure option actuellement connue ou s’il dépense des ressources pour en chercher une meilleure, sachant que la recherche consomme elle-même ces mêmes ressources rares. L’espace des options évoluant avec les technologies, les concurrents et les réglementations, aucune formalisation fixe ne clôt le problème. L’entrepreneuriat relève donc pleinement de l’intelligence générale. L’histoire montre des entrepreneurs redéfinissant, ou inventant, à maintes reprises des secteurs que leurs prédécesseurs n’avaient jamais imaginés.

À l’inverse, le problème de tournées de véhicules, qui consiste à choisir les itinéraires optimaux d’une flotte devant desservir des clients donnés, est l’archétype d’un problème borné. Le résoudre peut être difficile⁶⁹, mais n’exige pas d’intelligence générale. Toute solution doit respecter l’énoncé formel de la tâche en théorie des graphes. L’ensemble des options est fini, même s’il est astronomiquement grand, et chaque solution candidate a la même forme : une permutation des arrêts et de leurs horaires, évaluée selon un modèle de coût fixe ; aucune action véritablement surprenante n’apparaît jamais.

Tout problème commence comme un enchevêtrement relevant de l’intelligence générale ; le transformer en un problème « borné » que l’on peut traiter est lui-même un acte d’intelligence générale⁷⁰. La question essentielle est de savoir si la formalisation choisie est adéquate. Le monde universitaire peut cataloguer indéfiniment des énigmes, mais les entreprises doivent choisir un cadre, car chaque ressource ne peut être allouée qu’une seule fois. Nous reviendrons plus loin sur ce point méthodologique.

Réciproquement, tout problème borné peut redevenir un problème d’intelligence générale en changeant le cadre qui le rendait « borné », une démarche parfois rejetée comme de la « triche » parce qu’elle enfreint les règles initiales. Dans les tournées de véhicules, le problème des manuels suppose un ensemble fixe de clients, de promesses de service, de véhicules et de prix. Dès que nous renégocions l’un de ces éléments — supprimer ou différer des livraisons éloignées, les tarifer autrement, ajouter des consignes de retrait ou un transporteur de colis, changer de type de véhicule, élargir les créneaux de livraison, voire rendre toute livraison inutile, comme le streaming l’a fait pour les cassettes —, le problème initial s’évapore. Nous n’avons pas trouvé un itinéraire plus intelligent ; nous avons changé le jeu. Ce recadrage, qui modifie les contraintes, les engagements ou les gains, est précisément le travail de l’intelligence générale.

Les chapitres précédents ont montré que plusieurs défis de supply chain sont de véritables problèmes d’intelligence générale. Trois se distinguent. (1) Choisir le modèle économique, qui définit comment les actions se traduisent en coûts, recettes, risques et contraintes : le score que nous optimisons. (2) Définir l’espace des options : l’ensemble des actions, des moments et des quantités admissibles que l’entreprise est prête à envisager ; une décision est un choix dans cet ensemble, pas l’ensemble lui-même. (3) Concevoir les recettes numériques qui, à partir des données, choisissent les décisions dans cet espace d’options pour maximiser les rendements ajustés au risque tout en respectant les contraintes. Les comportements antagonistes des concurrents, salariés, fournisseurs, clients ou éditeurs poussant constamment contre les frontières, seule l’intelligence générale peut traiter ces questions. L’histoire des fournisseurs exploitant les faiblesses d’un ERP pour expédier des stocks excédentaires est un exemple de ce type de détournement.

Une grande partie des travaux publiés sur la supply chain reste rigidement attachée à des formulations bornées et laisse implicites les choix de conception qui relèvent de l’intelligence générale : objectif, contraintes et espace des options. Cela ne rend pas ces problèmes impossibles à traiter. En pratique, rendez ces choix cachés explicites : énoncez l’objectif économique en termes monétaires, énumérez les options admissibles et définissez les conditions d’arrêt ; puis décomposez le travail en sous-problèmes bornés qu’une machine peut résoudre. Les sections suivantes montrent des moyens concrets d’y parvenir et d’itérer lorsque la réalité résiste. Ce programme est nécessairement incomplet, car les problèmes d’intelligence générale ne peuvent être « clos », mais il suffit à produire des décisions rentables sans intervention humaine.

6.2.2 Les emplois administratifs en supply chain

Les défis de supply chain exigent une intelligence générale considérable. Une idée fausse persistante veut que les décisions courantes doivent satisfaire à la même exigence. Ce n’est pas le cas ; elles ne nécessitent qu’une intelligence spécialisée, c’est-à-dire des processus structurés que l’on peut concevoir et confier à un logiciel.

Cette idée fausse découle de pratiques dépassées. Dans de nombreuses entreprises, les employés administratifs décident encore, par exemple, s’il faut émettre une commande de réapprovisionnement. Ils appliquent effectivement une politique avec intelligence, mais l’intelligence générale intervient à peine ; à y regarder de plus près, presque pas.

Ces politiques sont généralement de légères variantes de pratiques des années 1970⁷¹. Les employés administratifs en améliorent rarement les fondements ; ils se contentent d’exécuter et d’entretenir les règles. Même l’entretien des paramètres, comme l’ajustement des taux de service, est une tâche spécialisée, encadrée par des règles. Là encore, l’intelligence générale ne joue aucun rôle.

Si de meilleurs outils de reporting ont accru la productivité, ils n’ont pas amélioré les décisions elles-mêmes. Épargner aux employés la recherche des niveaux de stock et de l’historique des ventes est utile, mais le simple fait d’afficher des chiffres ne révèle pas, à lui seul, comment les transformer en bénéfices.

Pour le dire sans détour, l’employé administratif de supply chain du 21^e siècle⁷² est l’équivalent, parmi les cols blancs, de l’ouvrier d’usine du 20^e siècle. Chaque journée commence en ouvrant une application, souvent un tableur, pour peiner sur des centaines de lignes. Le cycle est sans fin : les meilleurs deviennent formateurs ou superviseurs et le perpétuent. Un bureau ne confère pas, à lui seul, de l’« intelligence ». Compte tenu de la technologie actuelle, ces fonctions administratives appartiendront bientôt aux livres d’histoire, devenues obsolètes au soulagement général.

Pourtant, le savoir-faire accumulé par ces mêmes employés est tout sauf jetable. Leurs heuristiques quotidiennes, affinées au fil d’années à lutter contre les particularités des éditeurs, les cas limites des catalogues et les contournements improvisés, forment les connaissances métier tacites que les systèmes d’intelligence de demain doivent absorber, formaliser et dépasser. L’automatisation n’est donc pas un rejet de leur expertise ; elle est le moyen de la préserver, de la déployer à grande échelle et de la libérer enfin des corvées qui empêchent aujourd’hui de l’exploiter pleinement.

Avant d’examiner comment les tâches courantes disparaissent, rappelons pourquoi le leadership fondé sur les « compétences relationnelles » occupait une telle place dans les équipes supply chain. Lorsque la planification était manuelle ou semi-manuelle, les responsables consacraient l’essentiel de leur énergie à coordonner des armées d’employés administratifs : arbitrer les priorités, apaiser les frictions entre silos et empêcher le travail de se bloquer. Cette exigence disparaît dès que les décisions sont automatisées. Dès qu’une intelligence construite par l’ingénierie, à terme artificielle, assume la charge de planification, le problème de coordination s’effondre ; une poignée de spécialistes peut piloter un très grand flux de travail.

La mission change. Le rôle du responsable passe de l’encadrement des personnes à la responsabilité de la machine qui prend les décisions. Cette responsabilité comporte quatre volets : (1) énoncer l’objectif économique en termes monétaires et définir l’espace des options admissibles ; (2) préserver la qualité des décisions par des audits, des heuristiques d’arrêt et, si nécessaire, des exécutions parallèles ; (3) veiller à la sémantique et à la provenance des données pour que les entrées restent fiables ; (4) recruter et protéger une petite équipe à l’esprit d’ingénierie, capable de modifier la logique dans un délai court. Le charisme et l’empathie restent utiles, notamment pour aligner la finance, le merchandising et les opérations sur le même objectif, mais ils ne peuvent remplacer la responsabilité technique. Les entreprises qui s’accrochent aux processus administratifs continueront de récompenser le théâtre des compétences relationnelles alors même que leurs marges s’érodent, un thème sur lequel nous reviendrons en discutant de la prévision manuelle.

6.2.3 Grands modèles de langage

Les grands modèles de langage (LLM) apparus au début des années 2020 marquent un jalon dans sept décennies de progrès rapides du logiciel. Les LLM les plus capables manifestent vraisemblablement la première étincelle d’intelligence générale et méritent donc une attention soutenue. Ils comptent pour le travail de supply chain, même si de nombreux « cas d’usage » promus par les éditeurs ne sont que des inepties surfant sur les mots à la mode.

Conceptuellement, un LLM fait une seule chose : il lit une séquence de symboles et prédit le suivant, qu’il ajoute à l’entrée. La séquence d’entrée est le prompt ; l’acte de génération est la complétion de séquence. Les symboles pourraient être des caractères isolés, mais les performances s’améliorent lorsque le modèle travaille sur des groupes de plusieurs caractères appelés tokens, dont les vocabulaires comptent généralement \(\sim\)100 000 éléments. Le texte est découpé en tokens avant l’inférence, puis reconstitué ensuite pour retrouver le langage ordinaire⁷³.

En interne, un LLM attribue des probabilités à tous les tokens suivants possibles. On peut échantillonner cette distribution au lieu de toujours retenir le choix le plus probable, en introduisant un aléa contrôlé par un paramètre de température ; avec une température = 0, la sortie est déterministe.

Les LLM disposent d’une fenêtre de contexte fixe : le nombre maximal de tokens pour le prompt et la sortie réunis. Lorsque cette limite est dépassée, les tokens les plus anciens sont supprimés et leur information perdue. Les modèles contiennent désormais couramment plus de 100 000 tokens, soit environ 100 pages de texte. Des techniques comme la génération augmentée par récupération (RAG) étendent leur portée pratique, mais sortent du cadre de cette discussion.

Exécuter un modèle, l’inférence, est simple ; en créer un, l’entraînement, est bien plus difficile. Les LLM sont des réseaux de deep learning comportant des milliards de paramètres organisés en tenseurs⁷⁴ et combinés par des opérations relevant principalement de l’algèbre linéaire.

Ces corpus comptent généralement mille milliards de tokens ou davantage. L’entraînement traite le corpus un token à la fois et, à chaque étape, déplace légèrement les paramètres⁷⁵ vers une prévision probabiliste plus précise du token suivant. Une fois le corpus public ingéré, l’entraînement reprend sur un corpus bien plus petit, destiné à orienter les schémas de génération du modèle vers ceux d’un assistant utile. Ce dernier processus est l’ajustement fin.

Ce résumé précise aussi pourquoi ces modèles sont dits préentraînés : contrairement à la plupart des modèles de machine learning, les utilisateurs n’ont pas à apporter leur propre jeu de données ; celui qui entraîne le modèle le fournit.

Les LLM incarnent une forme d’intelligence étrange, non humaine. Les éditeurs de logiciels en survendent les capacités, tandis que de nombreux experts de la supply chain, et des organisations entières, les minimisent, traitant les LLM comme une curiosité qui laisse la théorie et la pratique inchangées. Les deux attitudes sont erronées. Les LLM ne sont ni magiques ni négligeables. Ils exigent des compétences élémentaires de formulation des prompts⁷⁶ et une instrumentation appropriée ; sans cela, tout modèle paraît « stupide ». Leurs performances dépendent fortement de la tâche : médiocres en arithmétique et en calcul numérique strict, mais surhumaines pour déminifier du code, remanier du code répétitif ou reformuler des règles métier fragiles. Un praticien compétent les aborde avec des convictions préalables sur les domaines où ils excelleront et ceux où ils échoueront. En ce sens, la formulation des prompts a rejoint les tableurs et les traitements de texte parmi les compétences de base du travail de bureau.

Les modèles contemporains sont aussi multimodaux. La plupart des LLM de pointe ingèrent nativement des images, et beaucoup en produisent désormais ; cette même intégration s’étend à l’audio, tant à la reconnaissance qu’à la synthèse vocale, en faisant entrer de force pixels ou formes d’onde dans des pseudo-tokens. Pourtant, au-delà de ces modalités natives, les pouvoirs « supplémentaires » impressionnants que les personnes observent — recherche web, exécution de code, récupération d’information, optimiseurs, simulateurs — proviennent toujours d’un orchestrateur superposé au modèle. Le modèle émet un appel d’outil structuré ; l’orchestrateur invoque l’outil externe ; le résultat est réinjecté dans le contexte et la complétion reprend.⁷⁷ Un LLM sans instrumentation est une autocomplétion affûtée ; les mêmes poids, avec instrumentation, se comportent comme un analyste compétent disposant d’un navigateur, d’une calculatrice et d’un terminal. L’intelligence contenue dans les poids n’a pas changé ; les capacités, et donc l’utilité, si.

Les modèles de langage modernes manifestent une étincelle d’intelligence générale pour deux raisons : ils peuvent écrire du code et suivre des prompts de chaîne de pensée. Leur code reste en deçà de celui d’un ingénieur expérimenté, mais dépasse déjà celui d’informaticiens peu qualifiés. La capacité à écrire du logiciel est fondamentale, car l’amélioration de soi, caractéristique distinctive de l’intelligence générale, l’exige.

Les prompts de chaîne de pensée incitent un modèle à raisonner à voix haute. Le simple ajout de « Réfléchissons étape par étape. »⁷⁸ à un prompt améliore souvent l’exactitude de la réponse, mais les tokens de raisonnement supplémentaires augmentent le coût de calcul. La figure ci-dessous illustre cet effet.

La chaîne de pensée (CoT) aide en obligeant le modèle à décomposer une tâche en étapes plus petites à l’intérieur de sa fenêtre de contexte. Le modèle ne conserve aucune mémoire au-delà de cette fenêtre ; aucun état caché ne se transmet d’une réponse à la suivante. La CoT dépense simplement davantage de tokens pendant l’inférence pour faire apparaître le raisonnement intermédiaire. Cela améliore généralement la fiabilité jusqu’à un certain point, avec des rendements décroissants et les limites strictes imposées par la fenêtre. Les systèmes récents effectuent de plus en plus cette expansion en coulisses et masquent la trace brute, dans les modes « réflexion », pour épargner aux utilisateurs de longs monologues. La CoT est un budget à dépenser pendant l’inférence sur les questions plus difficiles, pas une nouvelle capacité dans les poids du modèle.

Malgré leur attrait, les grands modèles de langage consomment généralement un million de fois plus de calcul que les algorithmes classiques accomplissant le même travail. Les progrès du matériel réduiront le coût par token, mais ces modèles ont peu de chances de rivaliser un jour avec du code de traitement de données conçu pour la tâche. Réservez-les aux tâches hors de portée des algorithmes ordinaires.

Les modèles de langage comptent pour la supply chain principalement de deux façons : premièrement, en accélérant l’écriture et l’entretien des recettes numériques et de leur documentation ; deuxièmement, en extrayant des caractéristiques à partir de texte brut. Nous reviendrons sur ces deux contributions plus loin. Les autres applications sont secondaires.

6.2.3.1 Mauvais usages des grands modèles de langage

Depuis le début des années 2020, de nombreux éditeurs de logiciels d’entreprise font des déclarations audacieuses, souvent absurdes, sur l’intelligence artificielle (IA). Ils cachent les détails non pour protéger des secrets, mais pour masquer le peu de technologie qui se trouve derrière. L’essentiel du battage se concentre sur les grands modèles de langage (LLM). Démontons les principales affirmations.

Notre IA prévoit plus précisément : les modèles de langage sont mal adaptés à la prévision de séries temporelles, ou à tout travail numérique. Leurs performances, tant en précision qu’en coût de calcul, sont désastreuses face à des modèles statistiques même élémentaires, sans parler des meilleurs. Les modèles de prévision préentraînés, une idée inspirée des LLM, font l’objet de recherches actives. Ils peuvent être utiles ailleurs, mais, comme le montre le chapitre L’avenir, ils constituent une impasse pour le travail de supply chain.

Notre IA traite toutes vos données : par octet, les modèles de langage sont à la fois coûteux et lents, et le resteront dans un avenir prévisible. En règle générale, traiter des mégaoctets de données par un modèle de langage est une opération non triviale qui prend plusieurs minutes. Les grandes entreprises détiennent des téraoctets d’enregistrements dans leurs systèmes métier. Faire simplement passer l’intégralité des données d’une entreprise dans un LLM, ne serait-ce qu’une fois, restera d’une lenteur et d’un coût prohibitifs pendant des années. Indépendamment du coût, un LLM ne fait qu’une chose : compléter des séquences. Cet outil est polyvalent, mais y faire passer de force de vastes jeux de données non textuelles n’apporte aucun bénéfice évident.

Notre IA parle aux utilisateurs finaux : comme les éditeurs facturent par poste, l’inefficacité se vend : chaque employé administratif supplémentaire contraint de se battre avec le logiciel apporte des recettes supplémentaires. Greffer un LLM sur un écran pour créer une interface de « discussion » ne fait qu’aggraver les choses : la conversation est lente et fastidieuse. Les chatbots ont leur place dans l’assistance, pas dans les processus d’entreprise à haut débit ; former les personnes à une interface nette l’emporte à chaque fois sur un dialogue poussif.

Dans les logiciels d’entreprise, les LLM sont la mode du moment, une mode dans une longue série, bientôt remplacée par la suivante. Depuis quarante ans, les systèmes CRUD règnent, et cette culture, dominante chez les éditeurs de systèmes d’enregistrement, résiste à l’intégration substantielle d’idées nouvelles, même lorsque celles-ci sont bonnes.

6.2.4 Idées fausses sur l’intelligence

La culture populaire véhicule l’idée d’intelligence artificielle (IA) depuis des décennies, et une grande partie des intuitions actuelles dans les conseils d’administration fait encore écho aux théories du 20^e siècle sur l’apparence que l’« intelligence » est censée avoir. Cela compte, car ces intuitions s’infiltrent directement dans les décisions de supply chain : elles déterminent quels projets sont financés, quels risques sont redoutés et quels leviers restent intouchés. Avant de mécaniser les décisions, nous devons écarter les mythes qui maintiennent les dirigeants dans une oscillation entre paralysie et crédulité.

En supply chain, la question pertinente n’est pas de savoir si les machines « penseront comme nous », mais si le logiciel peut systématiquement faire de meilleurs paris sur ce qui doit bouger, où, quand et en quelle quantité, sans intervention humaine et avec une économie auditable. Les idées fausses sur l’IA poussent les entreprises vers deux erreurs symétriques : l’alarmisme, qui retarde une automatisation rentable au motif que « l’IA est dangereuse », et l’anthropomorphisme, qui confond conversation d’apparence humaine et capacité de décision, et donne le feu vert à des jouets fragiles.

Les pages suivantes examinent trois malentendus persistants : la « singularité », la vision issue du test de Turing selon laquelle une conversation d’apparence humaine implique une intelligence générale, et le paradoxe de Moravec, interprété à tort comme une preuve des limites des machines. Elles les reformulent en termes opérationnels. Dans ce livre, le critère de l’intelligence est strictement économique : des rendements ajustés au risque plus élevés à partir des mêmes ressources rares. Selon ce critère, la plupart des inquiétudes cinématographiques sont hors sujet et la plupart des chatbots séduisants en démonstration sont des distractions.

6.2.4.1 La singularité

La singularité imagine une IA qui s’améliore elle-même si vite qu’elle dépasse l’humanité, puis nous transcende ou nous asservit. D’innombrables films d’action brodent sur ce thème, mais Hollywood ne comprend pas mieux l’IA que la balistique réelle. Pour la pratique de la supply chain, cette mythologie est un non sequitur. Les systèmes qui décident des réapprovisionnements, des prix, des itinéraires ou des allocations sont des programmes ciblés et auditables, dotés d’espaces d’options bornés, d’objectifs explicites et de dispositifs d’arrêt ; ils ne « s’éveillent » pas, ils optimisent sous contraintes. Refuser de mécaniser le réapprovisionnement ou les tournées parce que « l’IA pourrait devenir incontrôlable » revient à refuser les chariots élévateurs par crainte d’un soulèvement des robots : on accepte un gaspillage certain et présent pour éviter un danger hypothétique et lointain. Les véritables risques sont ordinaires et maîtrisables — mauvais objectifs, sémantique négligée, code non testé —, tout comme les garde-fous : exécution parallèle, heuristiques d’arrêt, revues de code et audits économiques. Les débats sur les risques existentiels n’ont aucune incidence sur la question de savoir si une entreprise devrait appliquer le meilleur de l’informatique à l’allocation quotidienne de ressources rares.

Si le grand public peut avoir l’impression que la technologie a fait un bond en avant presque du jour au lendemain en 2022⁷⁹, ce n’est absolument pas le cas. En réalité, les progrès ont été lents, incrémentaux et durement acquis au cours des sept dernières décennies. De plus, ce n’est pas une seule chose qui s’améliore, mais des dizaines de fronts largement indépendants : de meilleurs paradigmes, algorithmes, matériels, jeux de données, méthodologies et bases de code. Toutes ces améliorations ont été produites par une multitude de contributeurs divers. Ainsi, s’il est possible de tomber sur quelque chose qui dépasse l’intelligence humaine, l’idée qu’une telle entité s’élèverait, à la faveur d’un événement, au rang d’être transcendant est invraisemblable.

Une fois retiré l’aspect « événementiel » de l’émergence de l’intelligence artificielle générale, il devient difficile d’expliquer pourquoi celle-ci présenterait un jour une menace d’extinction. Toute entité malveillante, ou exploitée par des personnes malveillantes, sera contrée par des entités aux capacités similaires que développeront des armées, des services de renseignement, des entreprises, voire des universités et des amateurs. L’intelligence artificielle générale viendra tardivement s’ajouter à la liste déjà longue des technologies capables de causer d’immenses dommages lorsqu’elles sont utilisées à des fins néfastes.

Une telle entité sera le produit d’une civilisation industrielle avancée et dépendra de ses supply chains complexes et fragiles. La fabrication des semi-conducteurs figure déjà parmi les industries les plus complexes. Les « alternatives » concevables — supports neuromorphiques, photoniques, quantiques ou biosynthétiques — sont, au mieux, au stade du laboratoire et reposent elles-mêmes sur les mêmes outils, matériaux et procédés de fabrication de précision issus des semi-conducteurs. En somme, il n’existe aujourd’hui aucune voie industrielle de calcul sans silicium qui échappe à ces chaînes. La pérennité de telles entités dépendra du soutien actif de l’humanité pendant des décennies, sinon des siècles. Les personnes auront largement le temps et l’occasion de traiter les problèmes inévitables qui ont accompagné jusqu’ici l’essor de chaque technologie.

Les prophéties de malheur sont anciennes, et la plupart des experts et des responsables politiques s’y joignent pour se donner de l’importance.

6.2.4.2 Le test de Turing

En 1950, l’informaticien britannique Alan Turing a conçu son jeu de l’imitation, appelé plus tard test de Turing. L’idée centrale est que, si un humain échangeant par un canal exclusivement textuel ne peut distinguer de façon fiable un humain d’une machine, alors la machine peut être considérée comme dotée d’intelligence générale.

Les objections habituelles au test s’attardent sur la conscience et la conscience de soi ; ces questions sont hors sujet pour la supply chain. Ce qui nous intéresse n’est pas de savoir si une machine « parle comme un humain », mais si elle fait systématiquement des choix qui accroissent les rendements ajustés au risque dans l’incertitude.

Point crucial, l’intelligence en supply chain ne se voit pas à l’œil nu. Les humains n’ont aucun sixième sens pour savoir si « 200 unités la semaine prochaine » est légèrement trop ou trop peu. Même ex post, juger une décision exige des scénarios contrefactuels — ce qui se serait passé si nous avions agi autrement — et des horizons correspondant aux délais. Cette évaluation est difficile : les résultats sont bruités, différés et entremêlés avec des milliers de choix parallèles.

Un moteur qui parle mal, ou pas du tout, peut donc paraître « inintelligent » tout en accumulant discrètement de la valeur. À l’inverse, un chatbot éloquent peut réussir des conversations de type Turing tout en orientant l’entreprise vers des pertes. Dans les années 2010, de simples robots de reconnaissance de motifs trompaient fréquemment les juges humains ; ils étaient rhétoriquement convaincants et opérationnellement inutiles. La leçon demeure : l’imitation du style humain est indépendante de la qualité des décisions.

Prenons une illustration pratique : un bon moteur de réapprovisionnement peut passer de nombreuses petites commandes à des moments inhabituels, modifier chaque jour de quelques centimes les prix des articles à faible rotation, ou détourner un conteneur vers une plateforme de transbordement peu prisée. Pour un planificateur, ces actions peuvent paraître tatillonnes, voire erronées ; dans les comptes, elles réduisent les coûts de possession, diminuent les pertes de valeur et accélèrent la conversion en trésorerie. À l’inverse, un outil qui s’« explique » magnifiquement tout en conservant les anciennes MOQ et les calendriers de lots récoltera des applaudissements en réunion et saignera discrètement le fonds de roulement.

Le seul test qui ait un sens est économique. Appelons-le un test de Turing économique : dans une exécution parallèle ou au moyen de scénarios contrefactuels argumentés, avec les mêmes contraintes et la même piste d’audit, le système d’intelligence produit-il un bénéfice d’exploitation ajusté au risque supérieur à celui du processus en place, une fois tous les coûts imputés — stocks, logistique, démarques, travail, capital ? Si oui, considérez-le comme intelligent, aussi taciturne que soit son interface. Sinon, aucun raffinement conversationnel ne le rachète.

Ainsi, aussi fascinant soit-il, le jeu de l’imitation est un critère inadéquat pour notre métier. Les systèmes d’intelligence de supply chain doivent être jugés sur une économie auditable aux horizons temporels appropriés, pas sur leur aptitude à converser.

6.2.4.3 Le paradoxe de Moravec

L’informaticien américain Hans Moravec a observé dans les années 1980 que des tâches paraissant simples, comme saisir une théière et servir du thé, figurent parmi les plus difficiles à reproduire pour l’intelligence artificielle. À l’inverse, des tâches autrefois considérées comme des marques de génie, telle la diagonalisation de matrices, se sont révélées simples pour les machines.

Le paradoxe se dissout toutefois dès que sa prémisse cachée est énoncée. Il suppose que la mobilité animale, et la planification qui la sous-tend, est apprise — l’acquis — plutôt qu’innée — l’inné. Autrement dit, l’acquisition de la mobilité est censée résulter d’un apprentissage qui s’est révélé incroyablement difficile à reproduire artificiellement au cours des quatre dernières décennies.

À y regarder de plus près, ces capacités impliquent peu ou pas d’apprentissage. Les poulains, et leurs cousins équins, se lèvent et marchent en quelques heures. Il ne s’agit pas d’un « apprentissage », mais d’un calibrage rapide d’un système moteur presque achevé. Les structures cognitives sont presque complètes ; le système n’a besoin que d’une légère impulsion pour que les voies se mettent en place.

Chez l’humain, le caractère inné est moins visible : comparée à celle des autres mammifères, la taille démesurée de notre tête impose une naissance plus précoce, laissant les circuits moteurs achever leur développement hors de l’utérus. Ce que beaucoup perçoivent comme l’« apprentissage » du nourrisson est un développement cognitif qui se poursuivrait sans entrave si celui-ci restait quelques mois de plus dans l’utérus.

Ces circuits largement innés sont des produits de l’évolution, affinés pendant quelque 800 millions d’années et d’innombrables générations. Rien d’étonnant à ce que les machines peinent à égaler la mobilité animale. Le défi s’apparente à concevoir un dispositif qui surpasse les arbres dans la conversion de la lumière du soleil en matériau structurel, ou les ribosomes dans l’assemblage de macromolécules. Dépasser l’évolution dans des jeux auxquels elle joue depuis des temps immémoriaux est terriblement difficile.

La mobilité repose sur des centaines d’heuristiques étroitement imbriquées ; même un escargot peut se frayer un chemin dans le labyrinthe tridimensionnel de la végétation. Des heuristiques bien choisies peuvent paraître « intelligentes » à condition que l’espace des actions soit étroitement borné, comme dans le cas de l’escargot.

Dans la nature, la mobilité a été une étape évolutive nécessaire vers l’intelligence générale : la vie ne pouvait passer de ses origines unicellulaires à l’intelligence générale sans avoir d’abord résolu la locomotion. Les machines ne sont pas soumises à cette contrainte, tant que les humains fournissent l’énergie et les matériaux pendant que nous surmontons les obstacles restants, par exemple la mise au point de substituts industriels aux fibres musculaires. L’évolution a résolu ces problèmes par des moyens qui ne se prêtent pas à l’industrialisation ; nous devons les résoudre à nouveau.

La conséquence pour la supply chain passe facilement inaperçue. Les tâches qui semblent « simples » aux humains — traverser une allée encombrée, saisir une boîte, reconnaître un collègue — sont précisément celles que l’évolution a affinées pendant des centaines de millions d’années. À l’inverse, l’allocation rapide de ressources à grande échelle, consistant à classer des millions de micro-options aux gains différés et stochastiques, est à l’opposé de ce pour quoi nos cerveaux ont évolué. La mémoire de travail est minuscule, l’attention fragile et nos intuitions probabilistes notoirement médiocres. Les machines inversent ce profil : elles peinent face au mouvement animal, mais excellent à énumérer de vastes ensembles d’options, à évaluer des scénarios contrefactuels et à recalculer des plans chaque minute. Ainsi, la boutade « l’IA ne sait même pas plier le linge » n’a aucune pertinence pour déterminer si le logiciel peut surpasser les planificateurs lorsqu’il s’agit de retarifer 50 000 SKU, de rééquilibrer des stocks multi-échelons ou de réacheminer des conteneurs en cours de voyage avec des délais volatils. Au sens de Moravec, ces problèmes sont naturellement adaptés aux machines.

Deux corollaires opérationnels en découlent. Premièrement, ne subordonnez pas l’automatisation des décisions aux progrès de la robotique ou au raffinement conversationnel ; le critère pertinent reste celui, économique, introduit plus haut : sous les mêmes contraintes, le moteur produit-il un bénéfice ajusté au risque supérieur à celui du processus en place ? Deuxièmement, attendez-vous à ce que les machines dépassent d’abord les humains là où les planificateurs peinent le plus : allocation combinatoire, tarification face à des adversaires, équilibrage multi-échelons et réordonnancement dynamique. Rien de cela n’exige une généralité semblable à celle de l’humain ; une intelligence spécialisée dans des limites bien définies suffit, précisément le terrain des moteurs de supply chain.

En somme, copier la mobilité animale n’est pas un raccourci vers l’intelligence générale : c’est un ensemble de problèmes difficiles, mais essentiellement spécialisés. Les résoudre peut inspirer, ou parfois éclairer, les travaux sur l’intelligence artificielle générale, mais ceux-ci restent une entreprise distincte.

6.3 Intelligence spécialisée

Un problème spécialisé est un problème dont les options sont délimitées par des règles formelles explicites ; sa résolution fait appel à une intelligence spécialisée. Les casse-têtes académiques de supply chain en sont des exemples typiques, et chaque solution — simple heuristique ou vaste modèle hyperparamétrique — ne mérite le qualificatif d’« intelligente » que par la qualité de ses résultats. Déclarer une méthode « plus intelligente » au seul motif qu’elle semble obscure est une erreur.

La supply chain devient précisément abordable lorsque ses vastes questions d’intelligence générale sont découpées en de nombreux problèmes d’allocation délimités. Chaque problème fixe trois éléments : (1) l’ensemble des options — ce qui peut être déplacé, vers où, quand et en quelle quantité ; (2) les contraintes — limites de capacité, calendriers, MOQ, promesses de service et fréquence de réexamen de la décision ; (3) la valorisation — un score monétaire qui chiffre les gains et les pertes possibles dans l’incertitude. Une fois ces éléments explicités, la tâche n’est plus de « planifier la supply chain », mais de « choisir parmi les options admissibles pour maximiser le rendement ajusté au risque ».

Cette décomposition n’est pas un procédé rhétorique ; c’est le geste d’ingénierie qui rend possible un logiciel fonctionnant sans intervention humaine. Réapprovisionner une SKU à un emplacement sur un horizon donné, choisir le prix du jour pour un article à faible rotation, affecter des cartons à une étape de tournée d’un camion, accepter ou différer la réparation d’un rotable : chacune est une décision spécialisée et vérifiable d’allocation de ressources. Les problèmes faiblement couplés peuvent être traités de manière gloutonne à haute fréquence ; ceux qui sont fortement couplés peuvent être regroupés et optimisés avec des moyens plus lourds. Les limites restent révisables — lorsque les conditions économiques changent, nous élargissons l’ensemble des options ou ajustons la valorisation —, mais tant qu’elles tiennent, la décision peut être automatisée, inspectée et améliorée par un système d’intelligence.

L’histoire de l’intelligence artificielle est un jeu où l’on déplace sans cesse les poteaux. Les chercheurs choisissent un problème difficile, qualifient sa solution de « véritable IA », puis, une fois le problème résolu, lui donnent un autre nom et passent au défi suivant. Chaque triomphe est bientôt jugé banal, et le cycle recommence.

Ce schéma explique pourquoi les solutions matures paraissent souvent « inintelligentes » : elles deviennent routinières et mécaniques. L’intelligence doit être jugée sur la qualité des choix, non sur l’obscurité apparente des mécanismes. Des modèles sophistiqués peuvent se faire passer pour « plus intelligents », mais ils répondent toujours à une tâche délimitée ; les véritables questions d’intelligence générale doivent être affrontées séparément.

Contrairement à l’intuition, la première solution viable est rarement la plus simple ; parvenir à la simplicité est une tâche distincte, souvent plus difficile. Le progrès ne va pas du simple au sophistiqué, mais de prototypes désordonnés à des noyaux épurés. La théorie électromagnétique de Maxwell comportait initialement plus de vingt équations ; Heaviside les a ensuite condensées dans les quatre que nous utilisons aujourd’hui. De même, les réponses alambiquées d’aujourd’hui sont les principes élégants de demain.

Le même cycle alimente les emballements et les effondrements de l’IA : on confond la résolution d’un difficile problème de niche avec celle de l’intelligence générale, et les investisseurs surfent sur l’engouement qui en résulte. L’intelligence générale est difficile, mais d’innombrables problèmes spécialisés doivent l’être davantage. En effet, si nous construisons un jour une intelligence générale, chaque problème encore non résolu sera, par définition, plus difficile ; sinon, il aurait cédé en premier.

Les hauts et les bas de l’étiquette IA ne doivent pas éclipser les réalisations de l’informatique depuis la Seconde Guerre mondiale, dont beaucoup sont centrales pour la supply chain. Le domaine est désormais si vaste que tout aperçu est nécessairement partiel, mais les pages suivantes retiennent les sujets les plus pertinents pour la pratique de la supply chain.

6.3.1 Algorithmes

Les algorithmes sont des recettes procédurales précises qui se terminent et renvoient une réponse correcte pour une entrée bien spécifiée. Formalisés dans les années 1930 (Church, Turing, Kolmogorov), ils sont devenus l’ossature de l’informatique du 20^e siècle. Beaucoup des premiers succès de l’« IA » des années 1950 — tri topologique, routage sur graphes, solveurs d’équations linéaires — sont aujourd’hui simplement appelés algorithmes.

Formellement, tout programme qui s’arrête pour toutes les entrées admissibles pourrait être appelé « algorithme ». En pratique, les informaticiens emploient le terme dans un sens plus restreint. Un algorithme est une brique atomique et réutilisable dont l’énoncé du problème est indépendant de tout jeu de données, interface ou serveur, accompagnée d’une preuve qu’elle renvoie la sortie spécifiée pour toute entrée valide et d’une analyse de ses besoins en temps et en espace à mesure que la taille de l’entrée augmente.

Une tâche « atomique » ne peut pas être décomposée en sous-tâches plus petites, indépendantes et dotées d’une finalité. À l’inverse, le rendu d’une page web comporte des centaines d’étapes, de l’analyse lexicale du HTML à l’ajustement du crénage des caractères, et n’est donc pas atomique.

Un algorithme s’accompagne d’une preuve de correction ; sans une telle preuve, ce n’est qu’une heuristique. Les tests combinés de Fermat–Fibonacci, par exemple, détectent les nombres premiers de manière fiable, mais n’ont toujours pas de preuve de correction : ils restent donc des heuristiques.

La valeur d’un algorithme réside en définitive dans ses performances. Si des méthodes par force brute existent pour la plupart des tâches, un bon algorithme atteint le même résultat avec beaucoup moins de calculs et de mémoire. On peut parfois même démontrer son optimalité, bien que les subtilités de la théorie de la complexité dépassent le cadre de ce chapitre.

Les algorithmes, et les structures de données qui les accompagnent, sont le socle du logiciel ; toutes les méthodes abordées plus loin reposent sur eux. Ils constituent donc une science auxiliaire de la supply chain, même si des outils bien conçus peuvent en masquer les détails aux praticiens, comme nous le verrons.

Les lecteurs souhaitant approfondir le sujet devraient consulter le classique de Cormen et al., Introduction to Algorithms (3^e éd., 2009). L’annexe propose un exemple détaillé : l’algorithme de tri topologique.

Le modèle CRUD, introduit au chapitre Information, doit son succès au fait qu’il permet aux équipes de livrer des logiciels de gestion sans compétences algorithmiques approfondies. Dans l’informatique d’entreprise, c’est devenu une trajectoire professionnelle : de nombreux développeurs compétents passent des décennies à construire des formulaires et des rapports sans jamais apprendre à concevoir et à analyser des algorithmes. Cette lacune est sans conséquence dans les systèmes d’enregistrement, où dominent les opérations CRUD en temps constant et où la base de données se charge du gros du travail ; elle devient rédhibitoire dès que nous quittons les registres pour tenter d’optimiser. Elle explique aussi la domination culturelle du CRUD et, symétriquement, pourquoi les éditeurs brillants dans l’enregistrement échouent si souvent dans les systèmes d’intelligence : ces derniers exigent une modélisation algorithmique, une maîtrise de la complexité et une ingénierie des performances, compétences que les habitudes du CRUD n’enseignent ni ne sélectionnent.

6.3.2 Recherche opérationnelle

Née pendant la Seconde Guerre mondiale, la recherche opérationnelle s’est attaquée aux questions d’allocation des ressources⁸⁰ en temps de guerre — où placer les radars, comment acheminer les convois, comment affecter des avions en nombre limité —, puis, après 1945, à celles des entreprises. Elle a donné naissance à de nombreux algorithmes, dont le plus célèbre est la méthode du simplexe de Dantzig, en 1947 ; mais, contrairement à l’informatique, elle s’intéressait moins aux problèmes atomiques qu’aux applications de bout en bout. En 1947, l’ingénieur radio écossais Robert Watson-Watt définissait la recherche opérationnelle ainsi :

Examiner quantitativement si l’organisation utilisatrice tire de l’exploitation de ses équipements la meilleure contribution possible à son objectif global.

La formulation de Watson-Watt fait écho à la définition de la supply chain qui ouvre ce livre ; la recherche opérationnelle en est le précurseur. Entre les années 1950 et 1970, le domaine a produit des simulations, de l’économétrie, des modèles stochastiques et de l’optimisation mathématique. Nombre de ces branches sont ensuite devenues des disciplines à part entière, s’éloignant du giron de la recherche opérationnelle.

Les contributions les plus notables de la recherche opérationnelle, du moins parmi celles qui n’ont pas été reclassées dans des domaines autonomes, sont les méthodes d’optimisation du transport, de programmation linéaire et quadratique, de programmation en nombres entiers et de tâches similaires. Toutes ces tâches partagent une structure commune : des variables de décision à choisir pour maximiser une fonction objectif représentant un but réel. Ce cadre sous-tend encore l’essentiel de la prise de décision en entreprise ainsi que l’approche de ce livre.

Dès les années 1970, la recherche opérationnelle n’était pas à la hauteur de ses ambitions. Comme mentionné précédemment, Russell Ackoff, pionnier américain de la discipline, a exprimé ce sentiment dans son article de 1979, The Future of Operational Research is Past. La plupart des décisions d’allocation des ressources étaient encore manuelles en 1979, et la plupart le restent aujourd’hui. Ackoff en énumérait plusieurs causes profondes :

• Une pensée systémique déficiente : les experts s’appuyaient sur une causalité simpliste, de premier ordre.

• Des résultats « pseudo-optimaux » dictés par des fonctions objectif artificielles.

• Des réponses fragiles supposant un contexte parfaitement connu et immuable.

• La transformation des « désordres » du monde réel en problèmes jouets aseptisés, sans effet sur la pratique.

Ces critiques restent valables. Une grande partie de la littérature sur la supply chain répète les mêmes erreurs, ce qui explique en partie pourquoi si peu de ses résultats survivent au contact de la réalité⁸¹.

Dans les années 1980, la recherche opérationnelle s’est muée en « OR », selon son acronyme anglais, en se spécialisant dans des « solveurs » logiciels pour des modèles d’optimisation écrits dans des langages dédiés. Elle s’est ainsi installée comme sous-domaine de l’informatique.

Les solveurs commerciaux constituent une niche logicielle prospère et traitent bien de nombreuses tâches de conception. Numerical Optimization de Nocedal et Wright (2006) reste l’ouvrage de référence, même pour les variantes fondées sur l’apprentissage. En dehors des variantes de tournées de véhicules, les solveurs apparaissent rarement dans la supply chain, car trois limites persistantes en restreignent la valeur.

Premièrement, ils se concentrent exclusivement sur l’optimisation déterministe plutôt que stochastique, ce qui rend impossible la prise en compte de l’incertitude, caractéristique permanente des supply chains.

Deuxièmement, ils offrent soit le passage à l’échelle, soit l’expressivité, mais pas les deux. Pour les besoins de la supply chain, les solveurs ne passent à l’échelle qu’en régime linéaire ou quadratique, des cadres trop simples pour refléter les situations réelles.

Troisièmement, les solveurs privilégient la pureté mathématique au détriment de l’expressivité pratique⁸². La programmation linéaire et quadratique peut certes certifier l’optimalité, mais elle décrit si mal le monde réel que la réponse « optimale » est invariablement inutile.

Même en laissant de côté la pureté, les solveurs passent mal à l’échelle. Face à une instance concrète, comme une tournée de véhicules, les entreprises développent souvent du code ad hoc plutôt que d’utiliser des outils prêts à l’emploi. Le problème est aigu dans les supply chains, où des dizaines de millions de variables de décision, plusieurs par SKU, sont courantes.

L’héritage de la recherche opérationnelle réside donc largement dans les domaines qui en sont initialement issus. L’OR actuelle n’a plus grand-chose à voir avec les objectifs que la recherche opérationnelle s’était fixés. En outre, si ses techniques de prédilection ont des mérites et des réalisations notables à leur actif, il est peu probable qu’elles reviennent un jour dans la supply chain.

6.3.3 Apprentissage statistique

L’idée d’inférer algorithmiquement un processus à partir d’observations enregistrées est apparue dans les années 1950, en même temps que les premiers écrits sur l’intelligence artificielle. Comme des observations individuelles peuvent encoder des solutions partielles, l’apprentissage recoupe depuis longtemps l’optimisation⁸³. Les premiers travaux sur les réseaux de neurones artificiels étaient autrefois publiés sous la bannière de la recherche opérationnelle ; aujourd’hui, ils relèvent résolument de l’« apprentissage ».

Jusqu’au début des années 1990, l’intérêt pour les techniques d’apprentissage est resté limité pour deux raisons principales. Premièrement, les ordinateurs manquaient de puissance pour obtenir quoi que ce soit de substantiel par l’apprentissage. On privilégiait donc les approches sans apprentissage, comme les systèmes experts⁸⁴. Par exemple, Deep Blue, premier programme d’échecs à vaincre le champion du monde en titre, Garry Kasparov, en 1997, avait été conçu comme un système expert. Les jeux de données publics d’entraînement étaient également rares, car collecter et distribuer de grands jeux de données restait d’un coût prohibitif jusqu’à la fin des années 1990. Le jeu de données MNIST contient 60 000 images d’entraînement et 10 000 images de test, chacune représentant un chiffre manuscrit en niveaux de gris sur 28×28 pixels. Il a fourni une référence commune qui a nourri une génération de chercheurs et standardisé la validation et les comparaisons de performances.

Deuxièmement, l’apprentissage en grande dimension est resté déroutant jusqu’à la fin des années 1990. La statistique classique suppose que le nombre de variables est faible par rapport au nombre d’observations. Avec 100 observations, on peut se fier à une régression à deux variables ; avec dix variables, les régularités fallacieuses prolifèrent ; avec 10 000 variables, les méthodes classiques s’effondrent. Paradoxalement, davantage d’information produisait moins de compréhension.

La malédiction de la dimension a trouvé sa première réponse convaincante dans la théorie de Vapnik–Chervonenkis (VC), élaborée des années 1960 aux années 1990⁸⁵. Cette théorie a conduit aux machines à vecteurs de support, mises en œuvre pour la première fois en 1995⁸⁶, et fourni un cadre mathématique pour contenir le surapprentissage. Ces machines ont rapidement démontré leur valeur sur des jeux de données réels.

La théorie VC a reformulé l’objectif de la modélisation statistique comme la maximisation de la généralisation, c’est-à-dire des performances sur des données jamais vues. Bien que nous ne puissions mesurer la précision sur des données dont nous ne disposons pas, la théorie VC démontre une borne supérieure de l’erreur réelle : l’erreur empirique augmentée d’un terme de complexité du modèle déterminé par sa conception. Cette formalisation affine le compromis classique entre biais et variance : les modèles de faible capacité présentent un biais élevé, ceux de grande capacité une variance élevée. La figure \ref{fig:under-over-fitting} illustre le sous-apprentissage, un ajustement correct et le surapprentissage. Cette théorie a ouvert la voie à des modèles statistiques capables de fournir des résultats fiables même lorsque le nombre de dimensions en entrée dépasse largement celui des observations.

Sur le plan opérationnel, les machines à vecteurs de support ont rapidement été supplantées par d’autres techniques : le boosting (de gradient) (1999)⁸⁷ et le bagging (2001)⁸⁸, dont les analyses mathématiques montraient également le bon comportement face au surapprentissage. Ensemble, ces idées ont donné naissance aux modèles de boosting de gradient, qui sont restés à l’état de l’art pour de nombreuses tâches pendant environ une décennie. Aujourd’hui, ces modèles restent populaires, notamment lorsque les observations sont rares.

Ces développements ont eu un impact considérable : la maîtrise intrinsèque de la capacité du boosting, du bagging et des SVM a permis aux théoriciens de démontrer des bornes serrées sur le surapprentissage, garanties dont les approches concurrentes étaient dépourvues. À la fin des années 1990 et pendant une grande partie des années 2000, ce sceau d’approbation statistique a conduit les chercheurs à écarter presque toutes les approches concurrentes. Peu à peu, il est toutefois apparu qu’aucun raffinement théorique ni aucune finesse d’ingénierie ne pouvaient faire dépasser à ces méthodes certaines limites infranchissables. La technologie avait de fait stagné. L’informaticien franco-américain Yann LeCun a résumé l’atmosphère en les réduisant à guère plus qu’une « mise en correspondance de gabarits glorifiée ».

Malgré ces limites, les idées de l’apprentissage statistique restent une pierre angulaire de la statistique moderne et une science auxiliaire essentielle de la supply chain. Pour un aperçu accessible et richement illustré, voir le manuel The Elements of Statistical Learning (2009), de Hastie et al. Les modèles fondés sur le boosting et le bagging excellent encore lorsque les données sont rares mais de grande dimension, et nécessitent bien moins de ressources que la plupart des autres approches, même s’ils n’offrent pas de voie vers l’intelligence générale.

6.3.4 Deep learning

Dans les années 2010, le deep learning est devenu le paradigme dominant du machine learning. Il descend des réseaux de neurones artificiels, mais ne s’est cristallisé qu’après l’abandon des métaphores biologiques au profit du matériel en silicium. Fait remarquable, ses idées centrales sont plus simples que celles de ses prédécesseurs bio-inspirés.

Conceptuellement, un modèle de deep learning est un circuit fixe d’opérations en virgule flottante, paramétré par des nombres en virgule flottante. La plupart des couches effectuent des multiplications matricielles ponctuées de redresseurs. Les redresseurs rompent la linéarité : empiler des applications linéaires reste linéaire, d’où la nécessité d’une activation non linéaire. D’autres composants — convolutions, pooling ou couches softmax — permettent au modèle de traiter diverses modalités d’entrée et divers formats de sortie.

Reprenons la reconnaissance de chiffres manuscrits sur le jeu de données MNIST. Si l’on aplatit chaque image de 28×28 pixels en 784 nombres et qu’on les fait passer par trois matrices de poids avec des redresseurs, on obtient un perceptron multicouche de 234 752 paramètres, minuscule selon les critères actuels (voir la figure \ref{fig:perceptron}). Son exécution, c’est-à-dire l’inférence, ne nécessite que trois multiplications matricielles et deux activations de redresseur (voir les détails en annexe).

Figure : un perceptron multicouche compact à 4 couches (784-256-128-10) pour la reconnaissance de chiffres manuscrits.

Nous avons jusqu’ici spécifié l’architecture et noté que l’inférence se réduit à trois multiplications matricielles et deux redresseurs ; il reste à obtenir les nombres contenus dans ces matrices. En pratique, nous voulons un réseau bien entraîné qui, pour chaque image d’entrée, attribue son score le plus élevé au chiffre effectivement présent. L’entraînement consiste donc à chercher, dans l’espace des paramètres, des valeurs qui minimisent une perte de classification choisie. Le deep learning aborde cette recherche par trois étapes coordonnées : initialisation — choisir des poids initiaux aléatoires raisonnables pour que les activations gardent un bon comportement numérique ; gradient — calculer comment une variation infinitésimale de chaque poids modifierait la perte ; et descente — utiliser ces gradients pour déplacer progressivement les poids vers une perte plus faible. Ensemble, ces étapes affinent itérativement les poids du réseau jusqu’à stabilisation des performances.

Initialisation – Les poids commencent sous forme de bruit gaussien et sont immédiatement remis à l’échelle afin que, couche après couche, les activations conservent approximativement une moyenne nulle et une variance unitaire. Cette simple précaution évite que le produit de nombreuses opérations linéaires explose, provoquant un dépassement de capacité numérique, ou se réduise à une poussière numérique, provoquant un dépassement par le bas. Lorsqu’aucune règle sous forme fermée ne s’applique, un rapide passage d’essai dans le réseau effectue empiriquement cette remise à l’échelle pour préserver cet invariant.

Gradient – Le gradient indique à chaque paramètre dans quelle direction et de combien se déplacer pour réduire la perte choisie. Les frameworks modernes l’obtiennent par différentiation automatique, qui propage les dérivées dans le graphe de calcul pour un coût voisin de celui d’un passage avant supplémentaire, mais avec davantage de mémoire, car les activations intermédiaires doivent être conservées. Les premiers outils de deep learning utilisaient une rétropropagation du gradient codée à la main ; le fait que la communauté ait mis des décennies à adopter la différentiation automatique, qui date des années 1960, rappelle que le progrès est rarement linéaire.

Descente – Les gradients deviennent des mises à jour grâce à la descente de gradient stochastique (SGD), une méthode éprouvée des années 1950 qui domine encore le deep learning. La SGD échantillonne une observation ou, pour mieux utiliser le matériel, un petit ensemble d’observations appelé mini-lot, déplace légèrement les poids dans la direction du gradient, puis recommence. Le traitement par mini-lots échange un surcroît de calculs arithmétiques contre une forte réduction du temps réel d’exécution en exploitant des cœurs parallèles. Des variantes avec inertie, taux d’apprentissage adaptatifs ou décroissance découplée des poids affinent la mise à jour de base.

Le deep learning a renversé plusieurs dogmes de l’apprentissage statistique et continue de façonner ce qui peut, ou non, être inféré des données des entreprises.

6.3.4.1 La double descente

Les modèles de deep learning sont hyperparamétriques : ils contiennent généralement plus de paramètres que d’exemples d’entraînement. Le perceptron de 234 752 paramètres ci-dessus dépasse largement les 60 000 images de MNIST. La théorie statistique prédit un surapprentissage sévère, mais la pratique dit le contraire.

Découverte à la fin des années 2010, la courbe de double descente a contribué à expliquer pourquoi de nombreux statisticiens doutaient initialement des résultats revendiqués par le deep learning. Habitués à attendre le compromis classique entre biais et variance en forme de U, ils étaient perplexes lorsque de grands réseaux surpassaient parfois de plus petits au lieu de surapprendre. La double descente explique pourquoi : à mesure que la capacité du modèle augmente, l’erreur de test diminue d’abord, signe d’une bonne généralisation, puis remonte avec le surapprentissage ; mais, au-delà d’un second seuil, elle redescend lorsque de très grands modèles surparamétrés s’installent dans de nouvelles régions de faible erreur (voir la figure \ref{fig:double-descent}).

À gauche de la courbe de double descente, dans le régime classique, le réseau possède trop peu de paramètres et sous-apprend donc. À mesure que l’on ajoute des poids, la perte de test diminue jusqu’à atteindre un premier minimum au point d’équilibre favorable. Au-delà, le modèle bascule dans le surapprentissage classique : la capacité supplémentaire mémorise désormais le bruit plus vite qu’elle n’apprend le signal. Curieusement, dans cette zone, l’erreur d’entraînement continue de diminuer régulièrement alors même que l’erreur de test augmente, comportement qui a longtemps dérouté les statisticiens, lesquels s’attendaient à voir les deux courbes diverger bien plus tôt.

À droite, dans le régime profond, le schéma s’inverse. Dès que le nombre de paramètres franchit un second seuil, beaucoup plus élevé, la perte de test recommence à diminuer : plus grand est vraiment meilleur, comme les praticiens du deep learning l’affirmaient depuis le début des années 2010. Mais chaque gain supplémentaire de précision coûte une quantité disproportionnée de calculs et d’énergie ; les rendements diminuent donc rapidement. Les réseaux à l’état de l’art fonctionnent désormais bien au-delà de ce seuil, échangeant des budgets matériels considérables contre les dernières fractions de point de pourcentage de performance.

Pour les supply chains, le message est nuancé : les modèles géants gagnent en précision mais nuisent à la maintenabilité, tandis que les plus petits restent agiles tout en retombant dans le dilemme classique entre sous-apprentissage et surapprentissage. Les conceptions hybrides qui combinent les deux sont souvent la meilleure option.

6.3.4.2 Le sens de la mécanique

Les réseaux de neurones artificiels (ANN) ont une faiblesse manifeste : leur utilisation des ressources de calcul est extrêmement inefficace. Les puces en silicium ressemblent si peu aux neurones biologiques que même un neurone numérique rudimentaire gaspille des cycles. Le deep learning s’est affranchi de ce handicap en adoptant ce que les ingénieurs de course appellent le sens de la mécanique. Aux débuts de la Formule 1, les meilleurs temps au tour n’étaient pas réalisés par les pilotes roulant à la limite, mais par ceux qui sentaient les contraintes que le moteur, la boîte de vitesses et les freins pouvaient supporter et modulaient leur allure pour que la voiture arrive intacte au drapeau à damier. Transposé au code, le sens de la mécanique consiste à organiser les algorithmes et les données pour épouser le fonctionnement des caches, des unités vectorielles et des bus mémoire, plutôt que de les contrarier. Une fois cet état d’esprit installé, les chercheurs ont abandonné les métaphores nostalgiques du neurone et n’ont gardé que ce qui maximisait le débit brut de calcul.

Par exemple, les premiers ANN utilisaient la fonction d’activation sigmoïde, choisie pour évoquer la biologie, mais son exponentielle est lente sur le matériel. Le redresseur plus simple, ReLU, s’est révélé plus rapide et l’a vite supplantée.

Au début des années 2010, traiter les lignes de cache, les largeurs vectorielles et les bus mémoire comme des contraintes de conception de premier plan paraissait presque hérétique. Les camps de l’algorithmique, de la recherche opérationnelle et de l’apprentissage statistique s’étaient développés sur une théorie indépendante du matériel : démontrer une meilleure classe de complexité asymptotique et laisser la loi de Moore absorber les facteurs constants gênants. Optimiser ces constantes, par exemple en économisant des cycles grâce à une matrice réorganisée ou à une instruction SIMD, passait pour un travail superflu que la prochaine génération de processeurs rendrait bientôt caduc. Les chercheurs en deep learning ont renversé cette vision, montrant qu’une attention minutieuse aux détails du matériel pouvait produire des accélérations hors de portée de la seule élégance de la complexité algorithmique.

La quête initiale de réseaux toujours plus grands était alimentée par la métaphore biologique : avec environ 100 milliards de neurones, le cerveau humain était devenu une référence informelle de taille pour les ANN. Les expériences ont rapidement rendu la métaphore inutile : les performances augmentaient simplement parce que les modèles grandissaient. Pendant ce temps, le paysage des données s’inversait. Dans les années 1990, les jeux de données publics étaient rares ; dans les années 2010, ils croissaient plus vite que les réseaux ne pouvaient les absorber. S’entraîner sur chaque échantillon disponible devenait impraticable, et d’immenses réserves d’information restaient inexploitées.

D’où la course aux armements : des modèles toujours plus grands alimentés par des jeux de données toujours plus vastes. Le réseau ImageNet de Toronto, en 2012, comptait 60 millions de paramètres et tournait sur des GPU ; une décennie plus tard, des transformers de mille milliards de paramètres reposent sur du silicium sur mesure. Cette explosion d’échelle a également engendré des outils lourds. TensorFlow de Google, sorti en 2015, a dépassé les quatre millions de lignes de code : un effort industriel inconcevable à l’époque des bibliothèques d’apprentissage statistique de 10 000 lignes.

La course aux modèles toujours plus grands a aussi poussé les concepteurs vers des formats en virgule flottante toujours plus petits. Comme le nombre de transistors, et donc le coût énergétique, augmente plus vite que la largeur en bits, réduire la précision procure des accélérations disproportionnées : sur les GPU actuels, le débit arithmétique peut quadrupler en passant de 32 bits à 16 bits. Les systèmes de deep learning du début des années 2010 utilisaient exclusivement des flottants sur 32 bits, un choix prudent par défaut qui suffit encore à la plupart des calculs de supply chain, à condition d’éviter les cas limites pathologiques ; certaines tâches bénéficient toujours du 64 bits. Au début des années 2020, toutefois, l’entraînement sur 16 bits et l’inférence sur 8 bits étaient devenus courants, grâce à une coévolution favorable des GPU et des CPU. La recherche explore désormais des poids sur 1 bit, voire sur moins de 1 bit, ce qui montre que la borne inférieure de précision utilisable n’a pas encore été atteinte.

Le sens de la mécanique compte dans la pratique de la supply chain. L’informaticien suisse Niklaus Wirth avertissait dans les années 1990 que le logiciel ralentit souvent plus vite que le matériel n’accélère, phénomène aujourd’hui appelé loi de Wirth. Faute d’intérêt général pour l’efficacité matérielle, de nombreux systèmes de gestion ne fonctionnent pas plus vite aujourd’hui qu’en 2000, malgré des puces bien meilleures. Ce ralentissement est la loi de Wirth à l’œuvre. Les astuces du deep learning ne peuvent pas être réutilisées en bloc, mais elles montrent comment un code attentif au matériel permet des gains immenses. Les professionnels de la supply chain doivent donc posséder au moins une compréhension pratique du sens de la mécanique.

6.3.4.3 Optimisation non convexe

Au début des années 2000, l’optimisation mathématique suivait encore les préceptes d’origine de la recherche opérationnelle. Trois principes la définissaient. Les praticiens de l’apprentissage statistique, y compris les adeptes des machines à vecteurs de support, les acceptaient en bloc.

Premièrement, les premières théories de l’optimisation traitaient les minima locaux comme un mur en pratique infranchissable : dans un paysage non convexe, on pouvait en principe leur échapper, mais, dans les projets réels, on n’y parvenait presque jamais. Cette hypothèse a engendré une branche entière, l’optimisation convexe, dont l’objectif exprès est de contourner cet obstacle. Puisqu’une fonction convexe ne présente aucun creux local, mais seulement un unique minimum global, tout algorithme de descente au comportement régulier converge vers celui-ci. Pour une présentation approfondie des preuves, algorithmes et applications qui reposent sur cette propriété, voir Convex Optimization (2004), de Boyd et Vandenberghe.

Figure : Une fonction à valeurs réelles présentant des extrema locaux et globaux.

Deuxièmement, pour les problèmes non convexes, on attendait de toute méthode respectable qu’elle fournisse une borne sur la distance séparant sa solution de l’optimum global. Pour ce faire, elle devait donner une borne supérieure de l’écart entre la meilleure solution connue et le minimum global. Des techniques comme le branch-and-bound et le branch-and-cut offrent de telles garanties. Toutefois, contrairement à l’optimisation convexe, qui bénéficie de techniques passant très bien à l’échelle, ces méthodes générales passent mal à l’échelle. Comme indiqué plus haut, cette difficulté est depuis longtemps l’une des principales raisons de l’adoption limitée de ces solveurs en supply chain.

La communauté du deep learning a rejeté cette vision classique. Elle a adopté un outil rudimentaire, la descente de gradient stochastique, et l’a appliqué à des paysages non convexes, sans s’arrêter aux craintes suscitées par les minima locaux. Cette approche a connu un succès spectaculaire, rendant possibles des modèles comptant des milliers de milliards de paramètres, une échelle inconcevable dans les années 2000.

Une nouvelle perspective s’est imposée : l’obstacle n’était plus les minima locaux, mais de vastes plateaux presque plats. Selon la conception dominante, les minima locaux deviennent extrêmement rares à mesure que le nombre de dimensions augmente. L’intuition tirée d’exemples de faible dimension échoue donc en grande dimension⁸⁹. Ce sont plutôt les vastes régions de faible gradient, les « plateaux », qui constituent la principale difficulté des méthodes de descente.

Troisièmement, pour les modèles (hyper)paramétriques, les preuves d’optimalité perdent leur sens dans le régime de double descente. La perte d’entraînement peut chuter puis rester proche de zéro, sans que ces minuscules résidus disent grand-chose de la capacité du modèle à généraliser. Pire encore, de nombreuses fonctions de perte prisées en deep learning, comme l’entropie croisée, n’ont même pas de véritable minimum⁹⁰.

Si la communauté du deep learning avait ses propres raisons de rejeter la conception classique de l’optimisation héritée de la recherche opérationnelle, ce rejet importe pour la supply chain. Il montre que le paradigme classique souffre de limitations contre-intuitives restées inaperçues pendant environ six décennies, des années 1950 aux années 2000. Nous verrons par la suite que la supply chain a d’autres raisons de rejeter cette conception classique et qu’il existe des paradigmes alternatifs bien plus précieux.

6.3.4.4 La boîte à astuces

Chaque paradigme de programmation propose sa propre représentation mentale du travail logiciel, avec ses concepts centraux, ses pratiques et ses outils ; la plupart prennent parti sur la représentation des données et la maîtrise du comportement des programmes.

Le deep learning a été le premier⁹¹ paradigme d’apprentissage programmatique largement adopté ; au début des années 2010, il a dérouté les chercheurs en déjouant les attentes dominantes du machine learning.

Jusque-là, les articles et les logiciels se concentraient sur le produit fini : le modèle prêt à être entraîné sur un nouveau jeu de données. Le deep learning se distinguait par l’accent mis sur les architectures, les astuces numériques et les principes directeurs de conception des modèles. Alors que les outils d’apprentissage statistique, comme scikit-learn⁹², proposaient des dizaines de modèles, ceux du deep learning n’en fournissaient aucun. Le domaine a passé une grande partie des années 2010 à assimiler ce changement. L’ancienne démarche — identifier un nouveau modèle, réaliser un test comparatif et publier les résultats — est devenue obsolète. La nouveauté ne résidait plus dans le modèle lui-même ni dans sa caractérisation statistique. Même des étudiants en première année d’informatique pouvaient assembler un réseau de deep learning « unique » en choisissant des couches parmi les opérations tensorielles disponibles et le tester sur l’un des nombreux jeux de données publics. Pendant une brève période, les conférences et les revues de deep learning ont été inondées d’articles qui ne se résumaient guère qu’à de telles compositions ; malgré leur « unicité », ces contributions étaient souvent sans conséquence.

Les architectures de deep learning constituent l’analogue moderne des « modèles » autrefois défendus par la recherche opérationnelle, tout en laissant au data scientist une latitude importante pour finaliser le réseau à entraîner et à déployer.

Les contributions les plus précieuses ont fini par être connues comme la « boîte à astuces » du deep learning : de petits ajustements modulaires qui améliorent des parties d’un réseau plutôt que de redéfinir l’ensemble. Stratégies d’initialisation des poids, estimateurs de moments, programmation du taux d’apprentissage, dropout, arrêt anticipé, connexions résiduelles, connexions denses, mécanismes d’attention, architectures de transformers, normalisation par lots, accumulation des gradients, optimisation des hyperparamètres, augmentation des données, encodage positionnel, élagage, quantification, distillation des connaissances et factorisation de faible rang, entre autres, ne constituent qu’une petite partie de cette « boîte à astuces » en expansion. Ces contributions, du moins les plus significatives, se sont toutefois révélées hautement cumulatives. Une technique en exclut rarement une autre, sauf si elles appartiennent à la même classe.

Depuis les années 1960, de nombreux paradigmes — fonctionnel, orienté objet, distribué, réactif et d’autres — se sont attaqués aux préoccupations générales du logiciel. Des paradigmes spécialisés sont également apparus, comme l’algèbre relationnelle, avec par exemple SQL pour les bases de données relationnelles. Si les débats sur le « meilleur » paradigme se poursuivent, aucun projet logiciel sérieux n’est entrepris sans en adopter un ou plusieurs. Le simple choix d’un langage de programmation constitue déjà un choix de paradigme.

La leçon essentielle pour les supply chains est que le choix du bon paradigme compte même en dehors du travail purement logiciel. Le deep learning, en tant que paradigme de programmation, a redéfini l’état de l’art du machine learning. Cela pose la question de savoir si d’autres domaines, comme la supply chain, pourraient bénéficier de paradigmes tout aussi dédiés ; comme nous le verrons, les paradigmes de programmation dédiés sont d’une importance primordiale pour la supply chain.

6.3.5 L’ère générative

En 2022, quelques lancements marquants, bientôt réunis sous la bannière de l’« IA générative », sont passés de recherches de niche aux unes du monde entier. ChatGPT, l’assistant conversationnel dévoilé par OpenAI en novembre 2022, et Stable Diffusion, le modèle de génération d’images à partir de texte publié en août 2022 par des chercheurs de la LMU de Munich et de l’université de Heidelberg, sont immédiatement devenus des jalons de la complétion de texte et de la génération d’images, respectivement. Leur succès apparemment soudain masquait des années de progrès réguliers et ouverts de l’ensemble de la communauté du deep learning ; ce qui avait changé en 2022 n’était pas la science sous-jacente, mais son conditionnement. Pour la première fois, des non-spécialistes pouvaient solliciter de grands modèles préentraînés au moyen d’une simple interface web et obtenir des résultats saisissants en quelques secondes : un tournant qui a transformé une curiosité académique en catégorie de produits grand public. Bien que ces systèmes reposent pleinement sur les fondements du deep learning, ils remettent également en cause certaines hypothèses initiales du paradigme, notamment sur la qualité des données et la conception des fonctions de perte. En ce sens, l’« ère générative » représente une véritable deuxième génération de pratique du deep learning, plutôt qu’un simple prolongement de la première.

Premièrement, les éditeurs ont commencé à fournir par défaut des modèles préentraînés, une avancée radicale, quoique inattendue. Grâce à ces modèles, les utilisateurs finaux n’ont plus à se préoccuper de leur génération, la phase d’apprentissage, et peuvent se concentrer sur leur utilisation, la phase d’inférence. Cela a grandement facilité l’adoption. Cela a aussi ouvert la voie à des processus d’apprentissage hybrides, dans lesquels un réseau de deep learning pouvait être assemblé à partir de composants préentraînés et complété par une partie à entraîner. Bien que les processus d’apprentissage par étapes soient antérieurs au deep learning, le paradigme génératif a ajouté une nouvelle dimension et poussé la communauté du machine learning à adopter davantage de pratiques open source, en partageant les modèles en plus du code.

Deuxièmement, la marque distinctive de l’ère générative est un appétit presque insatiable pour les données à l’échelle du Web. Pendant des décennies, l’adage était « garbage in, garbage out » (GIGO) : des entrées médiocres condamnent les sorties d’un modèle. Pourtant, les générateurs actuels de textes et d’images s’entraînent sur des milliards de pages et d’images légèrement filtrées, collectées directement sur le Web ouvert, et produisent néanmoins des textes et des visuels dont la qualité éclipse la moyenne de cette matière première. Leurs résultats sont loin d’être irréprochables, mais ils sont incontestablement meilleurs que la médiane de leurs sources, ce qui renverse l’ancien credo GIGO. Exploiter de tels océans de données n’est toutefois possible que si le logiciel est écrit avec un sens aigu de la mécanique, en tirant parti de chaque cycle et de chaque banque de mémoire que le matériel peut offrir.

Troisièmement, les modèles toujours plus grands présentent des compétences émergentes pour lesquelles leurs fonctions de perte n’ont jamais été conçues. Par exemple, lorsque les grands modèles de langage (LLM) atteignent des milliards de paramètres et sont entraînés sur des milliards de tokens, ils commencent à manifester des capacités de traduction. Pourtant, la fonction de perte ne reflète que la prédiction du token suivant ; elle ne tient pas compte de la traduction. De même, les modèles de génération d’images à partir de texte présentent des capacités émergentes, comme le transfert de style, qui dépassent leurs données d’entraînement.

Ces capacités renversent une hypothèse empruntée à la recherche opérationnelle. Jusque-là, on supposait généralement que la meilleure façon de résoudre un problème d’optimisation consistait à guider le processus par la métrique même utilisée pour évaluer la solution finale. Les fonctions de perte de substitution, approximations de la perte réelle, n’étaient acceptables que si elles offraient des avantages de calcul significatifs, dans un compromis entre qualité de la solution et ressources. Or les capacités émergentes des modèles génératifs ont à plusieurs reprises dépassé les méthodes auparavant à l’état de l’art, guidées par des fonctions de perte plus directes.

À l’ère générative, le lien entre le score d’une tâche donnée et la fonction de perte utilisée pour piloter la descente de gradient stochastique est devenu ténu. L’apprentissage autosupervisé a supplanté l’apprentissage supervisé, qui dominait jusque-là. L’intuition derrière l’apprentissage autosupervisé est que la quantité de données non étiquetées⁹³ dépasse généralement de très loin celle des données étiquetées. Ainsi, si l’apprentissage est dissocié de la tâche restreinte consistant à prédire des « étiquettes » et se concentre plutôt sur les propriétés intrinsèques des données, il peut mieux en saisir la structure sous-jacente.

Si les modèles génératifs ont redéfini l’état de l’art du machine learning, leur exploitation à des fins de supply chain n’est pas aussi évidente que le prétendent de nombreux éditeurs de logiciels. Les enregistrements relationnels constituent l’essentiel des données pertinentes pour la supply chain, mais ni les modèles de complétion de texte, ni ceux de génération d’images à partir de texte, ni ceux de génération de texte à partir d’images ne sont bien adaptés au traitement de telles données. Deux propositions couramment avancées par les éditeurs au début des années 2020 méritent d’être réfutées.

Premièrement, les grands modèles de langage sont adaptés au texte, pas à la prévision de séries temporelles numériques. Bien qu’il existe des propositions⁹⁴ visant à améliorer leurs capacités arithmétiques, il est peu probable que ces développements rendent les modèles de langage compétitifs face à des modèles spécifiquement conçus pour le traitement numérique. Au mieux, les grands modèles de langage pourraient devenir un moyen extrêmement alambiqué d’accomplir ce que de simples modèles paramétriques réalisent avec une fraction infime des ressources de calcul.

Deuxièmement, les interfaces de type chat nuisent généralement à la productivité. Converser avec un chatbot est nettement plus lent qu’une navigation classique. Toute tâche destinée à être répétée régulièrement mérite une expérience utilisateur « traditionnelle » plutôt qu’une interface conversationnelle pesante. Dans un environnement d’entreprise, on attend des employés qu’ils soient formés et maîtrisent le système, pas qu’ils s’y « débrouillent tant bien que mal ». La perspective de l’entreprise diffère fondamentalement de celle du consommateur final, où l’on suppose les utilisateurs moins avertis, quelle que soit la tâche.

Dans la supply chain, les grands modèles de langage excellent pour rédiger des recettes numériques et faciliter le travail informel qui entoure les décisions ; nous reviendrons sur ces contributions plus loin.

7 L’avenir

Toute décision de supply chain porte une affirmation implicite : « nous nous attendons à ce que les conditions futures de l’entreprise rendent rentable l’allocation de ressources d’aujourd’hui ». La prédiction peut rester tacite, mais on ne peut s’y soustraire. Une entreprise peut ignorer le défi de la prévision ; elle ne peut en ignorer les conséquences.

L’avenir, et plus généralement le temps, compte donc énormément pour la supply chain. Pourtant, le temps est plus difficile à penser qu’il n’y paraît, non parce qu’il serait trop abstrait, mais parce qu’il semble aller de soi et résiste à la réflexion délibérée. L’avenir est semblable à l’air que nous respirons : omniprésent et pourtant invisible.⁹⁵ Avec de tels sujets, on est tenté de tenir les idées préconçues pour acquises et de se dispenser entièrement du travail intellectuel. La chimie nous a appris que des idées millénaires sur l’air étaient fausses⁹⁶. De même, en supply chain, des croyances non examinées sur demain, souvent une extrapolation tacite d’hier, façonnent discrètement les prix, les capacités et les stocks. Lorsqu’elles sont erronées, elles se figent en plans qui allouent mal les ressources rares et propagent les défaillances dans le flux.

Pour ancrer la discussion, ce chapitre relie une observation simple — toute décision est un pari sur demain — aux instruments qui rendent ces paris rentables. Il procède en trois temps.

Premièrement, nous faisons apparaître les visions tacites qui orientent la manière dont les entreprises pensent l’avenir. Une grande partie des pratiques du vingtième siècle découle d’une vision téléologique : fixer demain au moyen de prévisions et d’un plan conçu par l’ingénierie. À l’opposé se trouve une vision de terrain : traiter demain comme un champ d’opportunités dans l’incertitude et préserver des options pour que l’entreprise puisse agir lorsque les probabilités deviennent favorables.

Deuxièmement, nous examinons pourquoi la planification guidée par les prévisions s’effondre en entreprise, même lorsqu’elle semble mathématiquement bien ordonnée : le formalisme des séries temporelles aplatit ce qui compte ; l’avenir est façonné par des décisions encore à prendre ; les petits nombres, le regroupement en lots, les comportements antagonistes et les queues épaisses brisent la belle symétrie entre passé et avenir. Il en résulte une orchestration fragile et des rituels bureaucratiques.

Troisièmement, nous réunissons les instruments prédictifs adaptés à la vision de terrain et à l’économie de l’optionalité introduite plus tôt dans ce livre. Nous remplaçons les séries temporelles ponctuelles par des prévisions probabilistes de la demande, des délais, des prix et des retours, ajoutons des prévisions de grande dimension portant sur les paniers d’achat, la substitution et la contagion, et introduisons des prévisions fonctionnelles qui s’expriment dans les objets natifs du flux plutôt qu’en périodes équidistantes. Ces outils ne devinent pas « le » futur ; ils chiffrent les alternatives et explicitent les coûts d’opportunité.

7.1 Visions

[Une vision] est ce que nous percevons ou ressentons avant d’avoir construit un raisonnement systématique que l’on pourrait appeler une théorie [..] Une vision est notre intuition du fonctionnement du monde [..] Les visions sont toutes, dans une certaine mesure, simplistes — même si l’on réserve généralement ce terme aux visions des autres, pas aux nôtres. A Conflict of Visions (1987), Thomas Sowell.

Parmi toutes les idées tacites qui nous entourent, les plus puissantes façonnent notre intuition de la causalité pour les objets considérés, ici les supply chains. Cette intuition définit en effet la manière dont nous cadrons les situations, dont nous voyons les problèmes, voire si nous les voyons. Ici, le terme vision désigne cette intuition de la causalité.

La vision précède la théorie, qui précède les modèles. Les visions imprègnent les entreprises, leurs cultures, leurs pratiques et leurs processus. Elles comptent parce qu’elles servent de boussole approximative à la pensée. Parmi l’infinité des sujets qui pourraient retenir notre attention, les visions déterminent ce qui mérite réflexion.

Par exemple, le « Day 1 » prôné par Jeff Bezos, fondateur d’Amazon, est l’une de ces visions. Il met l’accent sur un état d’esprit perpétuel de jeune entreprise, fait d’innovation continue et d’action proactive, pour éviter la stagnation du « Day 2 ». Il consiste à traiter chaque jour comme le premier, à encourager les décisions rapides, à pratiquer l’expérimentation, même au risque de l’échec, et à privilégier les opportunités de long terme plutôt que les gains immédiats. En adhérant à cet état d’esprit « Day 1 », Amazon entend préserver son esprit entrepreneurial et éviter l’autosatisfaction qui mine les organisations plus grandes et plus mûres.

La vision opposée a pourtant elle aussi ses défenseurs. Comme le faisait remarquer le commandant Chesley « Sully » Sullenberger, célèbre pour l’amerrissage d’urgence sur l’Hudson qui a sauvé 155 vies : « Pendant 42 ans, j’ai effectué de petits dépôts réguliers dans cette banque d’expérience, d’éducation et de formation. Et le 15 janvier, le solde suffisait pour un très gros retrait. » Cette vision domine l’aviation et combat l’autosatisfaction non par l’innovation de rupture, mais par l’amélioration incessante des pratiques existantes. Les échecs passés se sont payés dans le sang ; les futurs aussi.

Les visions gouvernent la manière dont les personnes abordent instinctivement les systèmes complexes, ceux qu’un esprit humain ne peut aisément saisir dans leur intégralité. Prenons un magasin qui peine à maintenir des stocks adéquats et dont la moitié des rayons sont vides. Les diagnostics instinctifs varieront fortement selon la vision que l’on a du fonctionnement de la supply chain.

Considérons un professeur d’analyse quantitative de la supply chain. Il pourra instinctivement incriminer les imprécisions des prévisions de demande qui pilotent le réapprovisionnement. Ici, la vision fait reposer la qualité de service sur une solution technologique, sur un logiciel. Elle s’étend à sa communauté académique, dont les recherches influencent la conception et la précision de ces logiciels, renforçant ainsi une conception centrée sur la technologie.

À l’inverse, un directeur régional de la même enseigne pourra incriminer une mauvaise gestion du magasin. Selon cette vision, les personnes, le directeur du magasin et son personnel, sont responsables de son bon fonctionnement. La responsabilité revient d’abord à ceux qui sont les plus proches du problème. Cette vision met aussi en cause la direction supérieure : elle laisse un directeur de magasin inefficace rester en poste, ce qui souligne encore une conception centrée sur les personnes.

Ces deux visions partent des mêmes rayons vides, mais attribuent la responsabilité, et donc la résolution, à des acteurs entièrement différents. L’une se tourne vers une solution technologique, l’autre vers une solution managériale. Un troisième diagnostic, tout aussi plausible, se situe hors de l’entreprise : un vol à l’étalage endémique fait disparaître les stocks exposés. Naturellement, savoir si le problème du magasin vient d’un logiciel défectueux, d’une mauvaise gestion ou d’un contexte défavorable d’ordre public est une tout autre question. Les visions ne prouvent rien ; elles gouvernent seulement notre évaluation immédiate des situations complexes.

Les visions ont des conséquences. L’histoire montre que de nombreuses entreprises ont fini par dominer leur marché grâce aux visions particulières de leurs fondateurs, bien nommés « visionnaires »⁹⁷. Pourtant, ces mêmes visions peuvent, au fil du temps, préparer leur échec. Pour toute entreprise, il est donc raisonnable d’identifier les visions dominantes de sa direction et d’évaluer leur adéquation à son activité.

Contrairement aux stratégies d’entreprise, les visions sont rarement discutées, et encore moins examinées pour leurs mérites et leurs défauts. Au sein d’une même entreprise, les personnes peuvent avoir des visions radicalement différentes. Comme celles-ci sont rarement explicitées, les salariés ont l’impression que, dès qu’ils poussent, les autres tirent, et inversement. La divergence des visions est pourtant rarement désignée comme la cause.

7.1.1 Valeurs

En politique comme dans les affaires, les dirigeants mettent souvent en avant des valeurs divergentes pour souligner ce qui les sépare de leurs rivaux. On entend de tous côtés la formule « Nous n’avons pas les mêmes valeurs ». Pourtant, cette perspective, sans être dénuée de mérite, tend à masquer l’influence profonde des visions.

Dans A Conflict of Visions (1987), Thomas Sowell note avec finesse que, confrontées à des interprétations différentes des mêmes faits, les personnes tendent à attribuer ces différences aux valeurs. Souvent, les écarts de valeurs sont bien moins prononcés que ne le suggère la formule « Nous n’avons pas les mêmes valeurs ». En politique, par exemple, il serait difficile de trouver quelqu’un qui prône la pauvreté, le crime ou la guerre. Pourtant, malgré des valeurs communes opposées à ces maux, les visions orientent les personnes vers des solutions radicalement différentes.

Il en va de même dans les supply chains. Quels que soient leur domaine ou leur secteur, les entreprises recherchent la rentabilité, la croissance, la qualité de service et la réduction du gaspillage. Celles qui s’opposent ouvertement à ces valeurs sont rares, si tant est qu’elles existent. Des visions différentes produisent des stratégies et des pratiques nettement différentes, toutes orientées vers les mêmes valeurs.

Considérons le fondateur d’Amazon, Jeff Bezos, qui a souvent insisté sur une attention sans relâche au client. Il a un jour déclaré : « La chose la plus importante est de se concentrer de manière obsessionnelle sur le client. Notre objectif est d’être l’entreprise la plus centrée sur le client au monde. » C’est une déclaration de valeurs, et une déclaration assez banale. En effet, les dirigeants dévalorisent rarement leurs clients en public. Quand l’un d’eux est pris à le faire, il conserve rarement son poste. Ce qui distingue Amazon n’est pas l’ensemble de valeurs qu’elle affiche, qui rejoint celui de la plupart des entreprises, mais sa vision et sa culture particulières.

Ainsi, lorsque nous évaluons la manière dont la compréhension de l’avenir façonne la pratique de la supply chain, nous devons nous rappeler que des hommes peuvent proposer des solutions radicalement différentes tout en partageant les mêmes valeurs. Le plus souvent, les divergences trouvent leur origine dans des visions contradictoires.

7.1.2 Temps

Le passage du temps façonne notre expérience et notre compréhension du monde. Il est si concret et omniprésent qu’il est difficile de faire abstraction de la dimension temporelle. Pourtant, de nombreux défis de supply chain, sinon la plupart, méritent ce traitement, ne serait-ce que pour faire apparaître les visions sous-jacentes du temps. Nous posons donc une série de questions à son sujet. À ce stade, y répondre importe peu, et nous ne le tenterons pas. Nous cherchons plutôt à caractériser les visions, les intuitions de la causalité.

Voyons-nous l’avenir comme connaissable ou inconnaissable ?

La prévision ne vaut que par la part de demain que l’on peut anticiper en pratique. Lorsque l’avenir est au moins partiellement connaissable, les prévisions sont des instruments puissants ; lorsqu’il est dominé par le bruit, elles ne sont qu’un cérémonial. La planification repose sur la même prémisse : elle n’est rentable que si certaines caractéristiques de l’avenir peuvent être prévues avec assez de fiabilité pour guider les engagements. Si les résultats s’écartent régulièrement des attentes, l’effort de planification devient du gaspillage.

Voyons-nous l’avenir comme prédestiné ? Ou susceptible de changer ?

Si l’avenir est fixé, une prévision est une mesure anticipée d’un état qui se produira ; sa précision se juge à sa concordance avec le résultat réalisé. Si l’avenir est malléable, la prévision agit comme une directive qui façonne les comportements ; sa précision se juge au degré de conformité de l’exécution au plan.

Voyons-nous l’incertitude comme un défaut ou comme des risques et des opportunités ?

Peu contestent que l’avenir est incertain. Une conception traite cette incertitude comme un défaut à minimiser, par des prévisions plus fines, des contrôles plus stricts et des mesures correctives rapides. L’autre la traite comme une matière première à valoriser, à couvrir, et parfois à accepter lorsque les probabilités sont favorables.

Considérons-nous qu’agir plus tôt est préférable à attendre une décision ultérieure, mieux informée ?

Des décisions lourdes de conséquences prises sur-le-champ paraissent téméraires aux uns et résolues aux autres. De même, l’inaction se lit soit comme une hésitation due à un manque de volonté, soit comme la force d’attendre une meilleure information.

Voyons-nous la connaissance comme une caractéristique de ce qui ne change pas, ou comme les circonstances particulières de temps et de lieu ?

La connaissance scientifique vise la permanence : les théories sont formulées comme des affirmations intemporelles, et la reproductibilité suppose un phénomène qui ne change pas selon la date ou le lieu. La connaissance utile aux affaires est à l’opposé. Dès qu’un fait est largement connu, sa valeur privée s’effondre. Ce qui crée un avantage, ce sont les circonstances particulières de temps et de lieu : qui veut quoi, à quel prix, compte tenu des capacités et des contraintes du jour. La connaissance précieuse est donc locale, opportune et périssable.

Voyons-nous le passé comme un actif fondateur sur lequel bâtir, ou comme un héritage défectueux poussant à l’autosatisfaction ?

Les fondateurs peuvent partir d’une page blanche ; tout successeur hérite d’un statu quo. Une position traite cet héritage comme un actif qui se bonifie : compétences, liens avec les fournisseurs, données et routines qui, une fois affinés, réduisent les risques et les coûts. L’autre le traite comme un passif : coûts irrécupérables, habitudes sclérosées et groupes d’intérêts internes qui biaisent les choix en faveur du marché d’hier.

Voyons-nous l’investissement dans les personnes comme indéfiniment cumulatif, ou ce caractère cumulatif est-il réservé aux technologies et aux techniques ?

Certains considèrent que les capacités humaines se bonifient sans cesse. Avec la pratique, les retours d’expérience et de meilleures représentations mentales, les planificateurs deviennent toujours plus rapides et plus précis ; les dépenses de formation s’apparentent donc à des investissements. D’autres s’attendent à un plateau précoce : une fois la compétence atteinte, les gains durables proviennent principalement de techniques et de logiciels améliorés ; l’investissement devrait donc cibler les outils plutôt que les personnes. La position adoptée gouverne fortement ce qui est considéré, au départ, comme un « investissement ».

Ces questions sont évidemment de fausses dichotomies : la vérité peut se situer entre les pôles, varier selon le contexte ou se trouver entièrement ailleurs. Loin de simples méditations philosophiques, elles montrent que notre intuition du temps, de l’avenir, a des conséquences. Des visions divergentes ne produisent pas seulement des solutions divergentes : les personnes peuvent ne pas même s’accorder sur les problèmes qui méritent d’être résolus.

Dans les milieux de la supply chain, les conceptions du temps et de l’avenir ont largement convergé vers ce que nous appelons la vision téléologique : la croyance que demain peut être fixé à l’avance par des prévisions, puis concrétisé par l’ingénierie grâce au respect d’un plan. Au cours du 20^e siècle, cette vision est devenue dominante et reste la conception par défaut au 21^e siècle. Elle est peu nommée, rarement remise en question et tacitement supposée par la plupart des auteurs comme des logiciels d’entreprise. La section suivante explicite cette vision et en examine les conséquences.

7.2 La vision téléologique

L’avenir ne demeure inaccessible qu’à ceux qui n’ont pas adopté les instruments mathématiques qu’offre la science moderne. Quelles que soient les faiblesses qui affectent encore nos modèles de prévision actuels, la force irrésistible du progrès finira par y remédier. De plus, ces instruments ne nous disent pas seulement ce qui adviendra, mais aussi pourquoi. Ainsi, le dirigeant moderne, contrairement à son prédécesseur primitif, ne laisse rien au hasard. Ses plans ne reposent plus sur l’intuition faillible des hommes ; ils sont au contraire conçus par l’ingénierie avec la précision qui caractérise cette ère des machines.

Ces lignes saisissent l’essence de la vision téléologique⁹⁸. Au cours du 20^e siècle, cette vision est devenue dominante dans les milieux intellectuels. Par intellectuels, nous entendons les personnes qui gagnent leur vie en vendant leurs idées — écrivains, historiens, universitaires — plutôt que des services ou des produits tangibles. Cette définition ne porte aucun jugement sur l’intelligence ; elle désigne simplement des professions. Un journaliste, par exemple, est un intellectuel, tandis qu’un neurochirurgien n’en est pas un. On peut pourtant s’attendre à ce que le neurochirurgien soit plus instruit et plus intelligent que le journaliste ; telle est l’attente de tout patient qui remet sa vie entre les mains du chirurgien.

Lorsqu’une conception s’empare des milieux intellectuels, elle se diffuse souvent et façonne l’opinion publique⁹⁹. La vision téléologique est devenue dominante, sinon exclusive, dans les milieux de la supply chain, chez les auteurs comme chez les praticiens. Les éditeurs de logiciels d’entreprise ont enraciné cette vision au moyen de processus et de technologies qui ne laissaient que peu de place, voire aucune, aux autres conceptions.

Malheureusement, cette vision est aussi populaire que défectueuse. Malgré une montagne de preuves contraires, elle reste l’une des idées économiques les plus séduisantes de tous les temps. L’éradiquer de la supply chain est une perspective décourageante, mais nécessaire. Il nous faut d’abord examiner son origine et la manière dont elle a engendré ses ramifications dans la supply chain.

7.2.1 Émergence historique

La prévision quantitative moderne¹⁰⁰, par opposition aux devins, augures, oracles ou prophètes traditionnels, est apparue aux États-Unis au début du 20^e siècle avec la première génération de prévisionnistes économiques. La demande de prévisions était alimentée par l’émergence d’une classe moyenne investissant en Bourse, alors propre aux États-Unis. Au début du 20^e siècle, seul un demi-million d’Américains détenaient des actions ; à la fin des années 1920, ce chiffre atteignait 10 millions. Ces premiers prévisionnistes étaient convaincus que leurs techniques finiraient par reléguer l’incertitude économique au passé :

Semaine après semaine, sa lettre d’information [celle de Roger Babson] expliquait à ses lecteurs que les événements économiques n’étaient ni aléatoires ni incertains, mais régis par des forces qu’une étude attentive permettait de comprendre. Il commença à publier régulièrement des prévisions après la panique de 1907. […] Il formulait des pronostics sur tout, des prix à l’emploi en passant par les ventes. — Walter A. Friedman, Fortune Tellers (2013)

L’assurance de Babson a servi de modèle aux commentateurs économiques tout au long du siècle. Son idée centrale consistait à adapter à l’économie la troisième loi de Newton¹⁰¹, également appelée loi de l’action et de la réaction. Il estimait qu’elle finirait par rendre le cours de l’économie aussi prévisible que celui des corps célestes. Bien que cette idée soit aujourd’hui largement considérée comme naïve et erronée, les prévisionnistes du milieu du 20^e siècle restaient aussi confiants que Babson, déplaçant simplement leur confiance de la mécanique newtonienne vers les statistiques.

Le Gosplan soviétique, fondé en 1921, a commencé à produire des plans annuels en 1925. Le comité s’inspirait directement d’une vision téléologique selon laquelle l’avenir pouvait être conquis. Pourtant, il n’a produit que des plans irréalistes, impossibles à exécuter. Les résultats ont été désastreux. Les économistes soviétiques Nikolaï Chmelev et Vladimir Popov écrivent : « Le système administratif se distinguait par son romantisme économique, sa profonde ignorance de l’économie et l’exagération incroyable de l’effet réel du “facteur administratif” sur les processus économiques et les motivations de la population. »

La culture populaire faisait écho à ces croyances : le cycle de science-fiction Foundation (1951) d’Isaac Asimov reflète les conceptions dominantes des intellectuels de l’époque. L’intrigue centrale repose sur une théorie fictive, la « psychohistoire », qui mêle physique des particules et sociologie et serait dotée d’un pouvoir prédictif presque parfait lorsqu’un très grand nombre d’humains est en jeu. Asimov concède néanmoins que certains individus peuvent contrer le pouvoir prédictif de la psychohistoire. Il faut toutefois, pour cela, rien de moins qu’un demi-dieu : un humain doté d’immenses pouvoirs psychiques.

La plupart des intellectuels du vingtième siècle demeuraient absolument convaincus que les affaires humaines finiraient par être prévisibles, alors même que les prévisions économiques continuaient d’échouer. Si l’échec du Gosplan peut s’expliquer en partie par les défauts généraux du socialisme, les pionniers américains soumis au marché, tels que Moody’s et Standard & Poor’s, ont eux aussi connu des revers. Tous deux ont commencé par vendre des publications destinées aux investisseurs — manuels, synthèses sur les entreprises et lettres de marché comprenant des prévisions explicites — plutôt que de se limiter à compiler les comptes passés. Au milieu du siècle, les deux entreprises s’étaient réorientées vers la notation de crédit, une activité « plus sûre » qui leur épargnait l’embarras de prévisions inévitablement erronées.

Les revers de la prévision n’ont pas freiné la recherche opérationnelle : à mesure que la discipline se développait dans les années 1950 et 1960, elle adoptait la vision téléologique. L’avenir était considéré comme une donnée d’entrée connue du modèle, soit dans des conditions stationnaires, soit au moyen d’une prévision sous forme de série temporelle. À la fin des années 1970, les séries temporelles étaient devenues la pierre angulaire des théories quantitatives de la supply chain. La place des prévisions sous forme de séries temporelles s’est encore renforcée avec l’essor du S&OP (Sales and Operations Planning) à la fin du 20^e siècle. Leur statut et leur importance sont restés pratiquement incontestés jusqu’au début des années 2010.

7.2.2 Le paradigme des séries temporelles

Une série temporelle est une suite de valeurs d’une grandeur observée à des instants successifs, généralement séparés par des intervalles égaux¹⁰². Prolonger cette série au-delà d’aujourd’hui produit une prévision, plus précisément une prévision sous forme de série temporelle. Bien que les séries temporelles puissent représenter n’importe quoi, du nombre de taches solaires à la population d’un pays, la plupart des auteurs et des logiciels de supply chain les utilisent surtout pour représenter la demande, mesurée en unités individuelles ou en termes monétaires.

Figure : Série temporelle historique (trait plein) jusqu’au présent et sa prévision (pointillés).

Une série temporelle est une suite non bornée de nombres disposés sur une règle, où « 0 » marque aujourd’hui. Tout ce qui se trouve à gauche s’est déjà produit ; tout ce qui se trouve à droite reste à déduire. En pratique, nous remplissons ces cases avec des prévisions, en traitant le temps comme une succession de pas distincts et régulièrement espacés : jours, semaines, etc.

Ce formalisme explicite quelques hypothèses qui sous-tendent le paradigme des séries temporelles. Premièrement, les séries temporelles n’ont ni début ni fin, comme une droite géométrique. Bien entendu, toute représentation visuelle est tronquée à un segment fini pour des raisons pratiques. Il ne faut toutefois pas confondre ce fragment avec le tout.

Deuxièmement, les séries temporelles sont structurellement symétriques par rapport à leur dimension temporelle. Par « structurellement », nous ne voulons pas dire que les valeurs passées et futures coïncident, mais seulement qu’elles sont de même nature. Rien ne les distingue, hormis la coupure à l’instant zéro, qui relève d’une convention.

Troisièmement, les séries temporelles adoptent un axe temporel discret. Ce choix simplifie radicalement leur représentation et les modèles construits sur cette base, qu’ils soient analytiques ou prédictifs.

Ces trois hypothèses correspondent à la conception dominante dans les sciences de la nature. Un météorologue qui étudie les températures en un lieu donné adopte le même paradigme. Bien que les relevés commencent à une certaine date, il ne doute pas que les températures auraient pu être enregistrées auparavant. Inversement, les mesures peuvent se poursuivre indéfiniment. Bien que la température évolue continûment, les relevés sont délibérément discrétisés — par exemple une mesure quotidienne à heure fixe — pour faciliter l’analyse. Enfin, les lois physiques sont presque parfaitement symétriques¹⁰³ par rapport au temps.

Il est difficile d’exagérer la domination du paradigme des séries temporelles dans les milieux de la supply chain au début du 21^e siècle. Presque toute la littérature sur la prévision porte sur la prévision de la demande sous forme de séries temporelles. Peu d’auteurs reconnaissent d’autres objets de prévision¹⁰⁴ que la demande, et moins encore reconnaissent d’autres structures de prévision que les séries temporelles. La prévision est pratiquement devenue synonyme de « prévision de la demande sous forme de séries temporelles ».

De même, l’essentiel de l’« optimisation appliquée », héritière de la recherche opérationnelle, utilise des séries temporelles comme données d’entrée dès que possible. Là encore, rares sont ceux qui reconnaissent d’autres perspectives.

Côté logiciels, la plupart des systèmes de reporting reposent sur des cubes OLAP (online analytical processing) qui adoptent, par construction, le paradigme des séries temporelles. Le temps constitue invariablement l’une de leurs dimensions. Point crucial : ces cubes sont incompatibles avec d’autres structures, plus expressives, qui dépassent les séries temporelles.

Côté management, la pratique répandue du S&OP (Sales and Operations Planning) place les séries temporelles au centre du dispositif. Des équipes transversales se réunissent pour produire un unique livrable : le plan stratégique. En pratique, ce plan est un ensemble de séries temporelles — généralement les ventes projetées de l’entreprise — réparties sur des périodes futures.

7.2.3 Planifier au moyen de séries temporelles

Dans l’entreprise, une prévision sous forme de série temporelle n’est pas une projection neutre comme dans les sciences de la nature ; elle fait aussi office d’engagement. Une fois approuvée, elle devient la référence qui fixe les budgets, réserve les capacités et programme les réapprovisionnements. L’organisation s’efforce ensuite de faire tenir ces chiffres ; la prévision devient moins une conjecture sur demain qu’une instruction pour le façonner.

Une fois les prévisions fixées, la demande future étant traitée comme connue, il ne reste qu’à orchestrer les ressources pour y répondre rapidement au moindre coût. Dans la vision téléologique, planifier consiste à fixer la demande future et à lui affecter les ressources correspondantes.

En effet, si l’avenir est considéré comme arrêté — une demande quotidienne connue pour chaque SKU à chaque emplacement —, le problème de planification se réduit à de l’arithmétique : les décisions matérielles (quoi acheter, fabriquer ou déplacer ; où ; quand ; et en quelle quantité) se déduisent mécaniquement de la prévision elle-même¹⁰⁵. L’exécution se résume alors à mesurer la conformité au « plan ». Par exemple, si la prévision e-commerce de demain pour un SKU donné au centre de traitement des commandes est exactement de 2 unités, en stocker moins constitue une rupture planifiée ; en stocker davantage constitue, par définition, un surstock évitable qu’un réapprovisionnement mieux cadencé « aurait dû » empêcher.

Une fois la prévision sacralisée comme « le plan », la capacité d’action de l’entreprise se déplace vers le rituel qui consiste à fixer ce chiffre. La prévision trône ; tout le reste n’est que conformité. D’où les guerres de territoire autour de cette référence : ce n’est pas un débat sur le mérite statistique, mais une négociation budgétaire déguisée. Pour les prévisionnistes, ces querelles semblent perverses ; pour les managers, la « précision » est accessoire. Le véritable enjeu est d’obtenir davantage de capital, de capacités et d’attention pour son propre fief.

L’orchestration se heurte alors à une discordance structurelle : les prévisions sont formulées dans une géométrie, les ressources dans une autre. La référence peut être hebdomadaire par SKU, alors que les camions partent tous les jours sauf le dimanche ; la production est regroupée en lots en fonction des changements de série ; les commandes d’achat respectent des quantités minimales et des paliers tarifaires. Une petite armée de planificateurs est donc chargée de construire le rétroplanning jusque dans ses moindres détails : déplacer des quantités d’un jour à l’autre, faire passer les commandes avant les heures limites, ajouter ici, retrancher là, pour que les registres paraissent alignés sur la référence. Pour un observateur extérieur, cette agitation ressemble à de la « prise de décision ». En réalité, la latitude est minime : les choix sont bornés par la conformité au plan, et les degrés de liberté restants sont administratifs plutôt qu’économiques.

Cette vision explique aussi pourquoi les auteurs, les praticiens et les éditeurs de logiciels de supply chain ignorent presque toujours la tarification. Puisque les prix influencent la demande, ils relèvent de la supply chain, comme nous le soutenons tout au long de ce livre ; pourtant, la position classique, fidèle à la vision téléologique, les ignore entièrement. Les prix sont simplement supposés fixés avant la phase de planification et indépendamment d’elle. Pour le planificateur traditionnel de l’offre et de la demande, les prix sont une donnée acquise, qui n’a ni à être évaluée ni à être remise en question.

Cette conception de la planification — une prévision qui pilote l’allocation des ressources — domine tellement les milieux actuels de la supply chain que rares sont ceux qui reconnaissent même l’existence d’autres approches. Les désaccords se limitent au choix des méthodes de prévision, des modèles de stocks et des processus d’orchestration. Pourtant, malgré sa popularité, la planification téléologique présente des défauts et mérite d’être examinée.

7.2.4 Les limites de la planification

Appelons donc ici illusion téléologique l’illusion de savoir exactement où l’on va, d’avoir su exactement où l’on allait dans le passé, et de croire que d’autres ont réussi dans le passé parce qu’ils savaient où ils allaient. Antifragile: Things that Gain from Disorder (2012), Nassim Nicholas Taleb

La planification issue de la vision téléologique présente de profonds défauts. Pourtant, malgré un siècle de preuves contraires, dont les plus notoires sont les fiascos du Gosplan soviétique, elle demeure la doctrine centrale des grandes organisations, publiques comme privées. Peu d’idées ont aussi complètement séduit les milieux intellectuels du 20^e siècle tout en apportant si peu. Avant d’examiner pourquoi cette fascination perdure, nous précisons les faiblesses techniques de la planification, en commençant par l’inadéquation des séries temporelles.

En tant que structure mathématique, les séries temporelles se prêtent mal à la représentation des situations d’entreprise. Il est tentant, mais profondément erroné, de reprendre les séries temporelles telles qu’elles sont utilisées dans les sciences de la nature. Le cœur du problème est qu’en entreprise, elles ignorent catégoriquement des pans entiers du phénomène étudié.

Considérons le météorologue qui relève chaque jour la température au même endroit : c’est la série temporelle qui l’intéresse. Il sait qu’un équipement légèrement meilleur pourrait rendre la mesure plus précise. Il sait qu’il pourrait effectuer deux mesures à une minute d’intervalle ou à 100 mètres de distance. Aucune de ces améliorations n’est toutefois censée changer radicalement la situation. On peut toujours rendre les mesures plus précises ou plus fines, mais avec des rendements décroissants. La série temporelle est une approximation, dont le météorologue maîtrise toutefois la nature et l’étendue. Il ne se trouve jamais « à quelques secondes » ou « à quelques mètres » d’une avancée radicale qui bouleverserait sa compréhension de la météo.

Les affaires n’obéissent pas à ces règles. Des changements de mesure apparemment mineurs peuvent transformer radicalement l’évaluation de la situation. Considérons une entreprise qui vend le même produit depuis des années. Les ventes sont stables, autour de 1 000 unités par semaine, avec peu de fluctuations. Quelle est la probabilité que la demande de ce produit tombe à zéro la semaine prochaine et y reste à jamais ? Pour répondre, considérons deux situations présentant des séries temporelles historiques de ventes hebdomadaires identiques.

Considérons deux structures de demande qui produisent le même total hebdomadaire d’environ 1 000 unités : cas A, 1 000 clients indépendants achetant chacun environ une unité par semaine ; cas B, un seul client achetant environ 1 000 unités par semaine. La série temporelle historique — les totaux hebdomadaires sur plusieurs années — paraît identique dans les deux cas, mais les risques extrêmes diffèrent. Dans le cas A, ramener les ventes de la semaine suivante à zéro exigerait de perdre pratiquement tous les clients, un processus qui, sauf catastrophe, se déroule sur de nombreuses semaines ou de nombreux mois. Dans le cas B, une décision d’un seul acheteur suffit ; le risque d’effondrement complet correspond à la probabilité de départ de cet unique client.

Considérons les conséquences pour les stocks. Dans le cas A, les baisses se manifestent généralement progressivement, ce qui permet de réduire les stocks à mesure que les départs de clients se révèlent ; les dépréciations tendent à rester limitées. Dans le cas B, la question n’est pas de savoir si une forte dépréciation aura lieu, mais quand : dès que l’unique acheteur s’en va, le stock constitué pour lui devient excédentaire. Ainsi, deux situations présentant des séries temporelles de ventes hebdomadaires identiques impliquent des profils de risque opposés et appellent des décisions différentes.

Considérons une deuxième situation : un magasin vend en moyenne 10 unités par semaine d’un SKU donné. Il est ouvert sept jours sur sept et réapprovisionné quotidiennement. Quelle quantité en stock assure un service fiable ? La prévision ponctuelle de demande quotidienne est de \(\approx 1.4\) unité, mais deux structures de demande partageant la même série temporelle impliquent des besoins de stockage opposés.

Variante A — de nombreux petits paniers. Dix clients distincts achètent chacun une unité au cours de la semaine. Avec un réapprovisionnement quotidien, garder environ 5–6 unités en stock suffit la plupart des jours : un jour de stock de cycle, plus un tampon modeste, couvre le bruit ordinaire.

Variante B — quelques grands paniers. Un client par semaine achète 10 unités d’un coup. En détenir moins de 10 garantit une rupture lors de sa visite ; pour assurer un service correct, il en faut au moins 10, et comme deux clients de ce type peuvent venir le même jour, la plage pertinente est de 20, voire 30.

La série temporelle est identique dans les deux variantes, mais la position de stock économiquement raisonnable varie d’un facteur quatre ou davantage. Ce qui compte est la distribution de la taille des paniers, pas la moyenne répartie en périodes quotidiennes.

Comme le montrent ces deux exemples, même pour un seul SKU, les séries temporelles aplatissent des aspects cruciaux du flux. Elles représentent l’historique transactionnel avec perte : la projection élimine de l’information et, contrairement à la météorologie, ce qui est perdu se révèle souvent essentiel. Les plans qui en résultent sont donc invariablement dysfonctionnels, car ils ignorent des aspects cruciaux de la situation. Puisque la faiblesse tient au paradigme même des séries temporelles, il est illusoire de penser qu’une sophistication accrue puisse y remédier. Ajouter des séries, étendre leur horizon vers le passé ou l’avenir, affiner la granularité ou améliorer la précision ponctuelle ne résoudra pas le problème.

On pourrait citer bien d’autres exemples similaires. Même pour un seul SKU, les séries temporelles échouent : avec les produits périssables, chaque unité ayant sa propre durée de conservation ; avec les produits réparables, chaque unité ayant son propre cycle de vie ; avec la logistique inverse, où les retours sèment la confusion ; avec les lancements de produits, pour lesquels aucune série n’existe encore, etc. En effet, il est difficile de trouver un secteur dont une part importante de l’activité est incompatible avec le paradigme des séries temporelles, et donc avec la « planification ».

Ces réserves concernant un seul SKU ne disparaissent pas à grande échelle ; elles explosent. Dans une entreprise de taille conséquente comptant des milliers de SKU, le prisme des séries temporelles, et les rituels de planification construits sur cette base, produit les mêmes erreurs, mais amplifiées. Considérons une entreprise d’articles de sport disposant de ses propres magasins et vendant, parmi beaucoup d’autres articles, un sac à dos noir. Selon la conception planificatrice, elle prépare une projection de ventes sur 12 mois pour ce sac et fixe sa production en conséquence, puis répète l’exercice pour tout l’assortiment. La pratique est si courante que peu la remettent en question ; sa prémisse est pourtant infondée.

La projection n’a aucun sens. Une mise en avant en magasin augmenterait la demande ; limiter le sac à l’e-commerce la réduirait. Si l’entreprise introduit de nombreuses variantes de couleurs et de tailles, celles-ci cannibaliseront la demande du sac initial. Si elle adopte un prix agressif, faisant du sac le fer de lance d’une campagne marketing destinée à attirer de nouveaux clients dans le réseau de magasins, la demande sera bien supérieure à celle d’un produit quelconque noyé dans un vaste assortiment.

Le plan n’a aucun sens parce que chaque projection dépend de décisions qui restent à prendre, alors que l’exercice se déroule comme si ces décisions avaient déjà été prises. Une fois le plan publié, les employés doivent reconstruire leurs choix à rebours pour que les engagements ultérieurs semblent s’y conformer. En pratique, le plan n’est pas impossible ; il n’est rendu « réalisable » qu’au prix d’approximations coûteuses — frais d’expédition accélérée, tampons excessifs, lissage artificiel et obligations reportées — qui maintiennent l’alignement des registres tout en dégradant les résultats économiques. La faisabilité est ici un artifice comptable plutôt qu’une réalité opérationnelle.

Il n’y avait rien de particulier ni de surprenant à ce que le Gosplan produise des plans irréalisables. Ce défaut est inhérent à la planification téléologique. Des dirigeants d’entreprise, des seigneurs féodaux ou des commissaires politiques adoptant la même conception aboutiraient eux aussi à des plans irréalisables. Pour comprendre pourquoi, rappelons que la supply chain est, fondamentalement, un processus économique : allouer des ressources qui ont d’autres usages possibles.

Lorsqu’ils imaginent un plan, les managers mobilisent implicitement des milliers de ressources rares et s’attendent à ce qu’elles soient disponibles au bon moment, au bon endroit, dans les bonnes quantités et au bon coût. La probabilité d’un alignement parfait entre les innombrables attentes du plan et les ressources réellement disponibles pour l’entreprise, à chaque instant et à chaque emplacement sur tout l’horizon de planification, est pratiquement nulle.

La planification par séries temporelles, et plus largement la vision téléologique, ne se contente pas d’être insuffisante ; elle détourne les efforts. Pourtant, alors que le 21^e siècle est bien engagé, elle reste la conception par défaut dans la plupart des entreprises et dans presque tous les espaces de discussion de la supply chain. Comment une notion réfutée à répétition est-elle devenue l’orthodoxie ? L’explication tient moins à la logique qu’aux incitations. La section suivante examine ces incitations — l’attrait bureaucratique de la planification — et montre pourquoi la doctrine perdure malgré ses piètres résultats.

7.2.5 L’attrait bureaucratique

Les entreprises sont amoureuses de l’idée du plan stratégique. Elles ont besoin de payer pour découvrir où elles vont. Pourtant, rien ne prouve que la planification stratégique fonctionne ; nous semblons même disposer de preuves du contraire. Un chercheur en management, William Starbuck, a publié plusieurs articles qui démontent l’efficacité de la planification : elle rend l’entreprise aveugle aux options, car elle l’enferme dans une ligne d’action non opportuniste. Antifragile: Things that Gain from Disorder (2012), Nassim Nicholas Taleb.

Le Gosplan a peut-être disparu, mais son esprit perdure dans les grandes entreprises et les administrations publiques. La vision téléologique exerce un attrait indéniable, qui ne tient pas seulement à l’ignorance ou à la stupidité. Sa longévité doit moins à l’ignorance qu’aux incitations qui récompensent la mise en scène des plans ; tant que ces incitations ne seront pas nommées et combattues, la doctrine perdurera.

Fondamentalement, la planification est une fonction bureaucratique exercée par des spécialistes du back-office. Cette fonction est inévitable : l’entreprise a besoin d’un mécanisme pour allouer un ensemble enchevêtré de ressources dans le temps et dans l’espace. Ces spécialistes interviennent rarement directement sur le flux physique ; ils l’orchestrent indirectement. Le problème d’allocation reflète le flux qu’il gouverne et est trop complexe pour qu’une seule personne le gère de bout en bout. Parce que ce travail est analytique et mobilise beaucoup de données, les spécialistes y sont nettement plus productifs que les généralistes. Répartir la charge sur l’ensemble de l’encadrement est donc rarement viable ; la bonne organisation consiste à centraliser la tâche auprès d’un petit groupe de planificateurs.

Comme dans toute bureaucratie, l’échec est puni, souvent durement, tandis que le succès passe presque inaperçu. Par exemple, un commercial performant qui réalise le double de son objectif annuel de ventes est bien placé pour négocier une forte augmentation. Pourtant, un planificateur dont les dépréciations de stocks sont inférieures de moitié à celles de ses collègues reçoit rarement une reconnaissance comparable. Alors que le succès d’un commercial est considéré comme personnel, les réalisations d’un planificateur sont perçues comme dépendant de nombreux autres acteurs, à l’intérieur et à l’extérieur de l’entreprise, notamment les fournisseurs. À l’inverse, un commercial est rarement licencié pour avoir manqué une affaire lucrative, tandis qu’un planificateur à l’origine d’une forte dépréciation peut subir de graves conséquences professionnelles si la perte est attribuée au plan qu’il a proposé.

Justifiés ou non, de tels présupposés imprègnent les grandes entreprises, en particulier l’encadrement intermédiaire. Les membres de la bureaucratie de planification apprennent donc vite qu’il est plus sûr d’esquiver la responsabilité que de revendiquer le mérite d’un succès occasionnel. Sans surprise, une culture des processus remplace une culture des résultats. Cette situation se perpétue en redéfinissant la « bonne planification » comme le respect de processus codifiés. Ce tour de passe-passe rend la bureaucratie presque inattaquable : le succès devient la conformité permanente à des règles qu’elle a elle-même écrites.

Malheureusement, le simple respect des processus produit peu de résultats tangibles en matière de planification. La planification d’entreprise n’est pas comparable à la sécurité aérienne, où chaque accident, désormais rare, est examiné pour déterminer les ajustements qui en empêcheront la répétition. Au contraire, les erreurs de planification sont si fréquentes et si importantes que ces ajustements introduisent souvent au moins autant de défauts qu’ils en corrigent. La médiocrité reste donc une caractéristique durable de la planification.

En particulier, la prévision par séries temporelles piège l’équipe de planification en matière de responsabilité. Une prévision ponctuelle sera nécessairement fausse au moment de son utilisation ; lorsque des manques ou des excédents surviennent, l’erreur est visible et, dans l’entreprise, elle est imputée aux prévisionnistes. Les bureaucraties évitent une telle exposition individuelle. La réponse habituelle consiste à élargir la « responsabilité » de la prévision, en faisant participer les ventes, le marketing, la finance et les opérations au rituel, non pas principalement pour affiner les chiffres, mais pour garantir que toute erreur devienne collective.

Cette manœuvre prend généralement la forme d’une grande initiative « collaborative » qui prétend améliorer la précision des prévisions. Le S&OP (Sales and Operations Planning) est l’une des variantes les plus populaires de ces initiatives. Ses réunions interminables garantissent que de nombreuses autres parties cosignent les prévisions. Aucune preuve empirique ne montre que de telles réunions améliorent la qualité de la planification. Les faits montrent au contraire que les grands comités produisent presque toujours des résultats inférieurs, quelle que soit la tâche.

En somme, la prévision téléologique séduit les employés administratifs parce qu’elle leur permet d’esquiver à la fois les décisions et leurs conséquences. Les prévisions servent de tampon professionnel qui détourne la responsabilité des allocations de ressources qui en découlent. Les planificateurs modifient ensuite le processus de prévision, souvent en le qualifiant de « collaboratif », pour diluer encore leur exposition.

Bien qu’une analyse simple mette à nu les défauts de la vision téléologique, appliquer cette critique à une entreprise précise est souvent difficile. Ces défauts sont fréquemment masqués par des ajouts méthodologiques qui donnent au processus de planification un vernis « scientifique ».

La critique n’est pas une méthode. Les entreprises ont toujours besoin d’une boussole, mais d’une boussole qui ne prétend pas que demain est le prolongement fixé d’avance d’hier. L’alternative consiste à traiter l’incertitude comme une donnée d’entrée plutôt que comme un défaut, à considérer l’optionalité comme un actif à cultiver et à dépenser, et à juger les choix selon leur contribution au bénéfice ajustée au risque plutôt que selon leur fidélité au plan. Cette position, courante chez les entrepreneurs et rare dans les bureaucraties, recentre la capacité d’action sur l’allocation plutôt que sur la prévision utilisée pour la justifier. Nous l’appelons la vision de terrain, que nous examinons maintenant.

7.3 La vision de terrain

L’avenir est irréductiblement désordonné. Les clients sont changeants, les salariés capricieux et les fournisseurs peu fiables. Pourtant, les concurrents affrontent le même tumulte. Nul besoin d’être parfait : il suffit d’être meilleur. Chaque cahot offre aussi une occasion de dépasser. Une action résolue l’emporte sur une planification élaborée, et la chance récompense ceux qui sont prêts. Se préparer est donc l’art de cultiver les opportunités plutôt que de deviner exactement le marché de demain.

Ces remarques condensent la vision de terrain. Le camp téléologique traite l’avenir comme un voyage qui exige une carte toujours plus détaillée : la prévision. Si la carte est assez précise, aucun autre instrument n’est nécessaire : elle seule devrait conduire le voyageur vers une destination connue. Voyager sans une telle carte paraît téméraire à ses adeptes.

À l’inverse, la vision de terrain repose sur l’évaluation continue des opportunités : une balise de guidage plutôt qu’une carte. Si cette balise est fiable, progresser consiste à avancer régulièrement dans sa direction. Connaître la destination à l’avance ne fait pas avancer plus vite ; un terrain changeant rend rapidement les cartes statiques inutiles.

Bien que les entrepreneurs la pratiquent chaque jour, de nombreux intellectuels rejettent la vision de terrain. Leur mépris tient moins à des doutes sur son efficacité qu’à des connotations morales, comme si l’adopter révélait un défaut de caractère.

Le premier stigmate vient de l’association implicite de la vision de terrain aux jeux d’argent et à d’autres formes de spéculation oisive. Pourtant, si l’entrepreneur tente effectivement sa chance, il ne s’agit pas d’une spéculation « oisive », et le processus est censé être rentable tant pour lui que pour ses clients. Par exemple, l’entrepreneur qui lance un produit connaissant un immense succès peut être considéré comme ne méritant pas sa réussite, sa contribution économique paraissant mineure à l’observateur inattentif. Pour obtenir ce seul succès, il peut pourtant avoir lancé des dizaines de produits et perdu de l’argent sur chacun de ceux qui n’ont pas percé. De plus, seuls les consommateurs décident si un produit est une variation mineure ou une amélioration radicale. Un grand succès commercial suggère qu’ils y ont trouvé quelque chose de particulièrement séduisant. Malheureusement, les coûts de l’exploration de nombreuses pistes pour mieux servir le marché sont largement invisibles de l’extérieur ; le succès est donc souvent réduit à de la pure chance, comme un gain à la loterie.

Le deuxième stigmate vient de comportements caractéristiques que de nombreux observateurs assimilent à de l’exploitation. Là encore, ils se concentrent sur les bénéfices, réels ou imaginaires, obtenus par l’entrepreneur, ce qui fausse leur perception. Tout d’abord, sur un marché libre, une transaction n’a lieu que si les deux parties y consentent. Ainsi, quel que soit le prix demandé par le vendeur, l’acheteur ne peut être « exploité » que s’il accepte ce prix¹⁰⁶. Par exemple, une entreprise qui achemine en urgence des groupes électrogènes portables dans une région ravagée par une tempête peut facturer un prix bien supérieur au prix « normal ». Pourtant, il n’y a là aucune exploitation. Les acheteurs ne sont pas contraints d’acheter ces groupes électrogènes, et ceux qui le font s’estiment mieux lotis avec que sans¹⁰⁷. Plus généralement, dans la vision de terrain, les prix façonnent le flux : acheter à bas prix et vendre cher en est le moteur. Cette pratique est pourtant souvent décrite à tort comme de l’exploitation, car les observateurs inattentifs ne voient pas qu’« acheter à bas prix et vendre cher » ne relève pas de la chance, mais exige un effort constant et implique aussi des risques financiers inévitables.

Depuis le 19^e siècle, les milieux intellectuels s’emploient à stigmatiser la vision de terrain¹⁰⁸ et ont diffusé cette perception auprès du public. Bien des singularités de ce qui passe aujourd’hui pour la théorie « dominante » de la supply chain — comme l’esquive de l’effet évident du prix sur la demande — doivent beaucoup à cette stigmatisation.

Pourtant, la popularité ne décide pas de la vérité ; la vision de terrain est supérieure à la vision téléologique, tant conceptuellement qu’empiriquement. Sur le plan conceptuel, elle adopte la perspective de recherche du profit et les caractéristiques qui l’accompagnent. Les comportements antagonistes, par exemple, n’ont aucune place dans la vision téléologique, mais s’intègrent naturellement à la vision de terrain. Sur le plan empirique, cette dernière résiste mieux au chaos ambiant, car elle dépend bien moins de la justesse d’un plan et produit des décisions supérieures après ajustement au risque. La notion même d’« opportunités », par exemple, y va de soi, alors qu’elle est absente de la vision téléologique.

7.3.1 L’incertitude irréductible

La vision de terrain suppose que l’avenir est résolument incertain, sans pour autant être entièrement inconnaissable. Elle ne postule ni que les futurs possibles sont impensables, ni qu’ils sont tous équiprobables. Elle considère au contraire que certains futurs sont beaucoup plus probables que d’autres, qu’ils peuvent être identifiés, et que des ressources peuvent donc être allouées pour répondre à ces futurs probables. Les clients peuvent ainsi être servis avec plus de diligence et de rentabilité.

La vision de terrain considère qu’une partie de demain peut être anticipée, souvent uniquement dans ses grandes structures. Une bonne part de ce que nous savons est comparative — « un gramme d’or restera presque sûrement plus cher qu’un gramme d’argent » — ou relationnelle — « le SKU A se vendra davantage que le SKU B à prix égal ». Ces connaissances sont utiles opérationnellement, mais se prêtent mal aux séries temporelles ponctuelles équidistantes, qui ne proposent qu’un nombre par date. Leurs cases ne peuvent exprimer ni inégalités, ni ordres, ni énoncés conditionnels ; elles aplatissent les faits relatifs en conjectures absolues.

Même lorsque la connaissance n’est pas comparative, sa structure résiste au moule des séries temporelles. Prenons l’aviation : le nombre mondial de passagers augmente la plupart des années, avec de rares effondrements sévères. Une série ponctuelle nous force à choisir un nombre par date future ; elle ne peut encoder « presque toujours en hausse, sauf quelques années de baisse catastrophique de faible probabilité ». Représenter l’asymétrie et les risques extrêmes exige des distributions de probabilité ou des variables de régime, pas une trajectoire de référence unique. En somme, le formalisme des séries temporelles est trop étroit pour les types d’énoncés qui donnent un véritable avantage aux entreprises.

Vue sous cet angle, la vision de terrain n’est pas moins « prédictive » que la vision téléologique ; elle emploie simplement une autre grammaire. Plutôt que de remplir les périodes avec une trajectoire de référence unique, elle attribue des probabilités à des familles de résultats et consigne des faits comparatifs : le SKU A se vendra probablement davantage que le SKU B à prix égal, une canicule accroît les ventes d’eau, ou les délais présentent une queue droite épaisse. Ce qui compte n’est pas un nombre isolé par date, mais l’ensemble valorisé des alternatives que ces énoncés rendent accessibles. Une prévision est jugée « bonne » dans la mesure où elle crée un avantage économique — permettant à l’entreprise de s’engager, de différer, de se couvrir ou de réviser ses prix mieux que ses concurrents — plutôt que parce qu’elle minimise un score d’erreur académique.

Contrairement à la vision téléologique, qui aplatit demain en une seule quantité évoluant dans le temps, la vision de terrain traite l’avenir comme un portefeuille d’incertitudes réparties sur l’ensemble du flux. La quantité demandée n’est qu’une variable parmi d’autres. Les prix et les conditions commerciales peuvent changer ; un concurrent peut étendre sa garantie de trois à cinq ans, imposant une réaction ; la composition des ventes et la substitution évoluent avec le merchandising. Les délais fluctuent, souvent avec des retards à queue épaisse ; les coûts d’achat et d’exploitation dérivent ; les fournisseurs et les lignes de production défaillent parfois. Chacun de ces éléments mérite sa propre loi de probabilité, car chacun remodèle les coûts d’opportunité autant que la demande. La tâche pratique consiste à valoriser conjointement ces incertitudes, plutôt qu’à prétendre qu’une seule prévision scalaire peut toutes les représenter.

Dans la vision de terrain, il n’existe pas un avenir, mais une multitude sans limites. Réduire cette multitude à une poignée de scénarios, et plus encore à une prévision unique, relève du vœu pieux. Comme l’avenir n’est que partiellement connaissable et regorge d’incertitudes, il est impossible d’énumérer tous les résultats plausibles. Tout effort pour élaborer un vaste « grand plan directeur » confine donc à l’aveuglement volontaire.

La vision de terrain traite plutôt la planification comme une tentative de concilier des indications diverses et contradictoires sur l’avenir, afin d’allouer les ressources de la manière la plus rentable. Miser gros sur un résultat peu probable peut être acceptable si les rendements sont élevés et compensent les risques. À l’inverse, un résultat très probable peut ne mériter aucune allocation s’il n’offre aucun bénéfice, aussi certain soit-il.

En résumé, la vision de terrain traite demain comme un portefeuille d’indices hétérogènes. Elle refuse de les comprimer en une série temporelle de référence unique et conserve chacun dans sa forme native : probabilités, régimes, inégalités et énoncés comparatifs. Le problème pratique est celui de la synthèse : transformer des indices disparates en choix cohérents. Cette tâche relève des outils, pas de la vision. Le reste de ce chapitre introduit la théorie et les instruments qui réalisent cette synthèse.

Avant les mécanismes, un principe : dans la vision de terrain, la décision — l’allocation elle-même — vient en premier.

7.3.2 Des allocations opportunistes

La vision de terrain traite l’avenir non comme une « référence » fixe d’unités à fournir, mais comme un flux renouvelé d’opportunités, certaines désastreusement déficitaires, d’autres très lucratives. Toute décision est avant tout une valorisation économique de l’opportunité à saisir.

Dans la vision de terrain, la décision est au sommet : une allocation délibérée de ressources rares à une opportunité. Les prévisions sont des données d’entrée de ce choix ; dans la vision téléologique, au contraire, c’est la prévision qui porte la couronne. Cette différence nette de priorité complique toute tentative de dialogue entre les partisans des deux visions. Pour l’adepte de la vision de terrain, les prévisions sont sophistiquées, mais finalement secondaires, entièrement subordonnées à la nécessité d’agir avec résolution. Pour l’adepte de la vision téléologique, les prévisions et le plan qui les accompagne sont indissociables d’une ligne d’action rationnelle. Les décisions qui ne reposent pas sur un plan sont jugées au mieux à courte vue, au pire capricieuses.

Pourtant, si la vision de terrain est fondamentalement opportuniste, elle est tout aussi tournée vers l’avenir que la vision téléologique. Toute allocation de ressources entraîne en effet un coût d’opportunité inévitable. Ainsi, une opportunité apparemment rentable peut être écartée parce que cela pourrait ouvrir la voie à une meilleure, ou, à l’inverse, parce que la saisir pourrait engendrer des problèmes qui érodent les gains attendus.

Prenons l’exemple d’une compagnie aérienne qui loue une pièce d’avion coûteuse et réparable à une autre compagnie pour éviter que l’un des appareils de cette dernière soit immobilisé faute de ce composant¹⁰⁹. Comme la pièce est nécessaire de toute urgence, la compagnie peut demander à ses homologues un prix de location très élevé. Pourtant, elle refusera souvent de la louer, même si, selon les règles comptables élémentaires, l’opération semble extrêmement rentable sur le papier. Elle doit en effet tenir compte de sa propre flotte. En louant la pièce, elle accroît le risque d’immobiliser l’un de ses propres avions précisément parce que cette pièce vient à manquer. Le coût de ce risque peut entièrement absorber le bénéfice de la location, malgré un prix qui paraît très rentable sur le papier.

Notons que la vision téléologique élude entièrement la question des coûts d’opportunité. Dans cette perspective, soit le plan est jugé réalisable, auquel cas aucun client ne restera sans être servi, soit il est jugé irréalisable, auquel cas les prévisions de demande sont révisées à la baisse jusqu’à ce qu’il redevienne réalisable. Dans la vision téléologique, la notion même d’opportunité est enfouie, avec presque toutes les autres préoccupations de supply chain, dans la projection de la demande future sous forme de série temporelle.

Le calcul exact de ces coûts d’opportunité est difficile en pratique, et la vision de terrain le reconnaît. Aussi privilégie-t-elle les évaluations comparatives plutôt qu’un calcul mental explicite des coûts d’opportunité. Par exemple, l’entreprise doit-elle allouer sa dernière unité à un client nouveau, mais inconnu, ou la garder implicitement réservée à un client fidèle qu’elle ne souhaite pas décevoir ? Bien que ces évaluations puissent recourir à des méthodes sophistiquées, la vision de terrain exprime une préférence générale pour l’examen de chaque allocation à travers ses alternatives.

Ces évaluations comparatives permettent aussi de décider s’il faut allouer quoi que ce soit : s’il existe, pour la même allocation, une opportunité différée préférable, il faut écarter l’opportunité présente. Par exemple, l’entreprise peut cesser d’acheter des unités supplémentaires et conserver sa trésorerie pour plus tard, lorsque le stock actuel aura davantage diminué et que les besoins seront plus clairs.

La vision de terrain n’a donc pas besoin d’un « plan » au sens téléologique. Les ressources seront allouées progressivement jusqu’à ce que les coûts d’opportunité soient jugés trop élevés pour continuer. L’existence d’opportunités différées préférables suffit à l’entreprise pour éviter d’épuiser ses ressources par des allocations prématurées. Ainsi, malgré son caractère opportuniste, la vision de terrain n’est pas plus à courte vue que la vision téléologique. Toutes deux reposent sur des estimations de l’avenir et sont donc prospectives, même si leurs prédictions diffèrent par leur forme.

Une fois les allocations comparables, elles peuvent être hiérarchisées. Une liste de priorités unique, continuellement retriée, peut piloter tout le flux à mesure que de nouvelles informations révisent chaque valorisation. À l’échelle d’une entreprise, cette liste atteint facilement des millions d’entrées — chaque allocation admissible —, bien au-delà de ce qu’un humain peut gérer. La vision de terrain indique quoi classer et pourquoi. Comment maintenir ce classement et agir en conséquence est une question d’ingénierie que nous aborderons en présentant les instruments qui mécanisent cette vision à grande échelle. Il nous faut d’abord un ingrédient supplémentaire : reconnaître que l’avenir n’est pas le miroir du passé, mais la conséquence de décisions encore à prendre — l’asymétrie du temps.

7.3.3 L’asymétrie du temps

Contrairement à la perspective courante dans les sciences de la nature, où de nombreuses lois sont effectivement symétriques par renversement du temps et où demain est traité comme un segment supplémentaire du même processus, la vision de terrain considère l’avenir comme façonné par des choix encore à faire. Dans l’entreprise, demain n’est pas le miroir d’hier, mais la conséquence des engagements présents. Prévoir tout en différant la décision inverse la causalité : les décisions causent les résultats, et non l’inverse.

Nous avons déjà évoqué le cas d’une entreprise d’articles de sport qui vend des sacs à dos. Les ventes futures ne peuvent être pensées comme une simple projection des ventes passées, car l’entreprise peut façonner la demande selon de nombreuses dimensions : réduire le prix, proposer un modèle plus grand ou une nouvelle couleur, payer de la publicité, mettre l’article en avant dans les magasins, etc. Dans la vision de terrain, traiter l’année à venir comme un prolongement de l’année écoulée n’a donc aucun sens. L’année à venir diffère par nature de l’année écoulée.

Plus déconcertant encore pour les planificateurs téléologiques, la vision de terrain juge parfaitement normale la dépendance à des décisions encore à prendre. Les engagements présents peuvent être expressément conditionnés par des choix ultérieurs : nous obtenons et valorisons des options aujourd’hui précisément pour pouvoir décider demain avec des informations plus récentes, lorsque les coûts d’opportunité seront plus clairs. Pour le praticien de cette vision, il ne s’agit pas de circularité, mais de prudence : agir maintenant pour élargir les choix futurs, tout en différant la sélection parmi ces choix jusqu’à ce que le marché en ait révélé davantage.

Par exemple, une marque de mode peut négocier et payer à l’avance un engagement de capacité important auprès d’un fournisseur de confiance. Cet engagement permet au fournisseur de se procurer activement les matières premières, comme les textiles et le cuir. Il réduit le risque de retards dus à des difficultés ultérieures d’approvisionnement en matières premières, tout en ouvrant la voie à des coûts d’acquisition plus faibles. Pourtant, lorsque cet engagement est conclu, la marque n’a pas encore décidé ce qu’elle commandera. Dans la vision de terrain, ces détails peuvent attendre. Dès lors que la capacité convient dans ses grandes lignes, il est préférable de différer la commande d’achat, car cela préserve la possibilité d’aligner les commandes ultérieures sur les dernières envies du marché.

La valeur de la préservation des options est une autre pierre angulaire de la vision de terrain. En effet, chaque fois que l’entreprise s’engage dans une ligne d’action, elle perd une partie de sa capacité d’action. Par exemple, dès qu’un fabricant lance un lot de production, les matières premières sont consommées et ne peuvent plus servir à une autre production. De même, s’il s’engage à lancer ce lot le mois prochain, les matières premières correspondantes sont effectivement réservées à cette production à venir.

Au-delà des engagements directs, les options s’érodent aussi par les précédents : c’est l’effet de cliquet. Dès qu’un comportement est observé, les contreparties révisent leurs attentes et rendent le retour en arrière coûteux. Une marque de mode qui termine une saison par de fortes démarques apprend aux clients à différer leurs achats et à attendre les mêmes remises la saison suivante ; une amélioration « temporaire » du service devient la nouvelle référence ; une dérogation ponctuelle à la quantité minimale de commande devient la nouvelle règle. Comme avec un cliquet mécanique, avancer dans le sens du serrage est facile, tandis que le desserrage rencontre une résistance. Dans la vision de terrain, chaque action est valorisée non seulement selon sa marge immédiate, mais aussi selon la façon dont elle élargit ou réduit les options de demain ; les initiatives qui verrouillent les choix futurs doivent franchir un seuil plus élevé que celles qui préservent la flexibilité.

Plus généralement, dès qu’une partie de l’avenir est verrouillée, elle devient fonctionnellement identique au passé, puisqu’on ne peut plus agir sur elle, même si les événements ne se sont pas encore techniquement produits. La vision de terrain ne se contente pas de traiter l’avenir comme radicalement distinct du passé ; elle tient aussi à préserver ce qui le distingue, à savoir la capacité d’action de l’entreprise. Pour ses praticiens, s’engager définitivement dans une ligne d’action est un dernier recours, envisagé seulement lorsque les bénéfices de l’engagement dépassent les coûts d’opportunité.

Les tenants de la vision téléologique perçoivent souvent cette position comme changeante ou fantasque. Il n’existe aucun engagement envers ce que l’on était auparavant, seulement envers les accords formels impliquant des tiers. Par exemple, interrogé sur une future ligne d’action, un partisan de la vision de terrain donnera simplement sa meilleure estimation, sans attachement particulier à cette déclaration. Ce n’est qu’une option, provisoirement la plus probable, mais rien n’est certain. Elle coexiste avec une multitude d’alternatives qui, prises ensemble, sont encore plus probables. Par la suite, à mesure que les événements se produiront, la ligne d’action sera révisée à la lumière de nouvelles informations.

Du point de vue téléologique, l’existence d’un plan sous-jacent va de soi : c’est la caractéristique centrale de l’avenir. La possibilité qu’il n’y ait aucun plan est presque impensable ; lorsqu’elle se présente, elle est méprisée comme de l’amateurisme. Changer de ligne d’action implique donc de changer de plan. Ce résultat est considéré comme le signe d’un problème sous-jacent. Il reflète soit une exécution inadéquate — l’incapacité à rester conforme au plan —, soit un plan inadéquat dès le départ¹¹⁰.

Quantifier un avenir considéré comme dépendant de décisions encore à prendre soulève de nombreuses difficultés techniques. En particulier, les prévisions sous forme de séries temporelles et la plupart des instruments de planification de la vision téléologique se révèlent inadéquats. Comme la littérature de supply chain n’offre presque rien pour soutenir la vision de terrain, la plupart de ses partisans s’appuient sur des calculs de coin de table. Les planificateurs téléologiques jugent ces calculs grossiers. Pourtant, comme nous le verrons, les instruments qui soutiennent la vision de terrain peuvent égaler, et souvent dépasser, la sophistication des méthodes classiques de planification.

7.3.4 La supériorité de la vision de terrain

Bien que la vision de terrain ne bénéficie pratiquement d’aucun soutien dans les milieux intellectuels¹¹¹, elle est largement supérieure à la vision téléologique. Empiriquement, lorsque les entrepreneurs qui réussissent exposent leur vision, ils penchent invariablement vers la vision de terrain. Ingvar Kamprad (Ikea), Jeff Bezos (Amazon) et Warren Buffett (Berkshire Hathaway) comptent parmi ceux qui ont publiquement adopté cette position. Les entrepreneurs qui réussissent consacrent presque tous leurs efforts à diriger leur entreprise et ne produisent donc pas autant d’articles ou de livres que les intellectuels spécialisés dans cette activité. Les écrits favorables à la vision de terrain sont par conséquent rares.

De plus, les preuves empiriques des résultats désastreux de la vision téléologique abondent. Pendant sept décennies, le Gosplan soviétique a imposé de graves inefficacités économiques à plus de 100 millions de personnes. Plus généralement, dans les secteurs privé comme public, les grands plans pluriannuels ont fréquemment déraillé, générant des coûts immenses. À l’inverse, on ne connaît pas de succès de grande planification ayant fait la fortune d’une grande entreprise. Au mieux, les plans s’exécutent avec des dépassements limités de coût et de délai, et c’est là toute la mesure du « succès ».

Ces observations — les succès de la vision de terrain comme les échecs en son absence — tiennent largement à un seul facteur : la manière de gérer l’incertitude. La vision téléologique cherche à l’éliminer ; la vision de terrain l’accepte. Les méthodes téléologiques sont donc fragiles face aux chocs, tandis que celles de la vision de terrain peuvent atténuer ces mêmes chocs, voire en tirer profit.

Dans un monde où l’incertitude serait faible ou inexistante, la vision téléologique pourrait donner d’admirables résultats. Nous ne vivons pas dans un tel monde. Les marchés libres suffisent à eux seuls à créer une incertitude substantielle pour tous les participants. Ils amplifient en effet énormément les petites variations. Par exemple, Walmart a conduit des concurrents à la faillite : Kmart en 2002 et Sears en 2018. Walmart a fait passer le chiffre d’affaires de Kmart de plus de 36 milliards de dollars en 1994 à zéro, alors que ses prix n’étaient inférieurs que de 2,2 %¹¹². Sur un marché libre, être 1 % moins bon qu’un concurrent entraîne généralement la perte de 100 % de sa part de marché en une ou deux décennies. Ainsi, même si les sources d’incertitude extérieures au marché — guerres, grêle, séismes, épidémies — étaient éliminées, une incertitude irréductible continuerait de caractériser les marchés libres.

Les instruments de supply chain, qu’il s’agisse d’algorithmes ou de méthodologies, qui soutiennent la vision de terrain sont rares : conséquence peu surprenante de son manque de partisans dans les milieux intellectuels. La plupart des praticiens s’appuient sur l’expérience et l’intuition qu’elle procure. Pourtant, rien ne nous empêche d’introduire de tels outils ; c’est l’entreprise que ces chapitres mènent pas à pas.

7.4 La prévisibilité des affaires humaines

La performance d’une supply chain dépend de la capacité de l’entreprise, de ses managers comme de ses systèmes logiciels, à anticiper convenablement les événements futurs. Ces événements comprennent avant tout des décisions humaines. Prédire parfaitement les événements naturels est concevable, bien que rarement réalisable au-delà de cycles simples comme les marées ; en revanche, une prévision parfaite des affaires humaines est impossible. Il suffit qu’un client à contre-courant¹¹³ change d’avis pour mettre en échec une prévision supposément « parfaite ». L’habitude rend néanmoins les actions quelque peu prévisibles à court terme.

Par exemple, lorsqu’un directeur de supermarché place un lot de yaourts en rayon avec une étiquette de prix, il s’attend à ce qu’un client l’achète. Il s’attend en outre à ce que la vente ait lieu bien avant la date de péremption. Une anticipation précise limite les dépréciations et les ruptures de stock : une discipline que maîtrisent la plupart des supermarchés. Les supermarchés rentables prouvent que de telles anticipations peuvent être produites à grande échelle dans le fonctionnement courant de l’entreprise.

En général, les supply chains restent rentables parce que les managers anticipent correctement les événements futurs. Il s’agit le plus souvent d’anticiper les décisions que prendront d’autres personnes. Jusqu’à la fin du 19^e siècle, ce processus reposait sur l’intuition et l’expérience. Au début du 20^e siècle, des méthodes analytiques formelles sont apparues, et la précision des modèles a commencé à être mesurée rigoureusement. Ces méthodes ont prospéré après 1950, portées par l’augmentation continue de la puissance de calcul. Elles ont inauguré le paradigme des séries temporelles qui, comme nous l’avons vu, est devenu l’approche prédictive dominante en supply chain.

Pourtant, le prisme des séries temporelles est fragile dans l’entreprise. Il fait abstraction des leviers mêmes qui rendent demain différent d’hier et comprime des événements rares et discrets en moyennes fractionnaires. Lorsqu’il est utile, ce n’est que pour deux raisons : l’inertie à court terme et les cyclicités calendaires. Nous examinons ces atouts limités, puis remplaçons ce prisme par des instruments adaptés à l’économie du flux : (i) des prévisions probabilistes qui associent des distributions à la demande, aux délais, aux prix et aux retours ; (ii) des prévisions de grande dimension qui représentent les paniers, la substitution et les effets croisés entre articles, canaux et emplacements ; et (iii) des prévisions fonctionnelles, conditionnées par les politiques de décision, qui s’expriment dans les objets natifs du flux — commandes, allocations et prix — plutôt qu’en périodes régulièrement espacées. Ces outils ne devinent pas « le » futur ; ils valorisent les alternatives et explicitent les coûts d’opportunité.

7.4.1 Inertie et cyclicités

La prévision par séries temporelles traite les affaires humaines comme des mesures périodiques projetées vers l’avenir. Une fois les chiffres passés enregistrés, il s’agit de proposer des valeurs raisonnables pour les dates futures, aussi fidèlement que nos outils le permettent.

Avec des millions d’articles¹¹⁴ sur la prévision par séries temporelles, il est difficile d’exagérer l’importance perçue de ce paradigme dans le monde académique. Pourtant, pour un corpus d’une telle ampleur, il offre étonnamment peu. Il repose sur deux principes qui donnent aux modèles de séries temporelles leur pouvoir prédictif : l’inertie et les cyclicités. Ils comptent, mais leurs limites sont évidentes.

L’inertie¹¹⁵, en supply chain, est la réticence à court terme des personnes à changer leurs habitudes. Cette réticence n’est pas simplement de l’entêtement ; le changement entraîne souvent des coûts importants. Évaluer s’il améliore le statu quo peut exiger un effort considérable, et sa mise en œuvre peut entamer la valeur des actifs productifs existants.

Par exemple, un fabricant peut décider de se procurer ses machines-outils auprès d’un fournisseur moins cher. Comme les machines-outils ne sont pas de simples produits de base, évaluer leur adéquation prend du temps. Il faut former à nouveau les équipes et ajuster les processus pour tirer le meilleur parti des nouvelles machines. Enfin, les pièces de rechange existantes peuvent perdre l’essentiel de leur valeur si elles sont incompatibles avec les machines du nouveau fournisseur.

L’inertie explique donc pourquoi la famille des modèles à moyenne mobile, dont le lissage exponentiel, fournit souvent une référence convenable à court terme : le futur proche ressemble au passé récent. Elle gouverne en outre bien plus que la demande : délais, taux de retour, taux de défaut, prix d’achat et de vente, etc.

À mesure que les habitudes changent, le pouvoir prédictif de l’inertie s’amenuise ; l’effet Lindy nous indique à quelle vitesse.

Si un livre est édité depuis quarante ans, je peux m’attendre à ce qu’il le soit encore pendant quarante ans. Mais, et c’est la différence principale, s’il survit une décennie de plus, on s’attendra alors à ce qu’il continue d’être édité pendant cinquante ans de plus. Cette règle explique simplement pourquoi les choses qui existent depuis longtemps ne « vieillissent » pas comme les personnes, mais « vieillissent » à l’envers. Chaque année qui passe sans extinction double l’espérance de vie supplémentaire. C’est un indicateur d’une certaine robustesse. La robustesse d’un objet est proportionnelle à sa durée de vie ! Antifragile: Things That Gain from Disorder (2012), Nassim Nicholas Taleb.

L’effet Lindy gouverne les habitudes aussi sûrement que les objets et, dans un monde changeant, il est crucial pour gérer le risque d’allocation. Des investissements importants exigent une inertie à la fois forte et durable. Les praticiens utilisent l’effet Lindy pour évaluer la durée de vie d’une inertie donnée.

Par exemple, une hausse des ventes de céréales pour le petit-déjeuner pendant deux semaines peut suffire à un supermarché pour accroître son stock. La marque qui observe la même hausse peut toutefois différer de plusieurs mois l’extension de ses capacités. Le pari du supermarché est modeste : si la hausse est passagère, le surstock s’écoulera avec le temps. À l’inverse, l’investissement de capacité de la marque est beaucoup plus important et devra être déprécié si la hausse s’estompe.

Les cyclicités représentent la tendance humaine à ancrer les décisions dans le calendrier. En pratique, les régularités calendaires exploitables sont peu nombreuses et stables : heure de la journée, jour de la semaine, jour du mois et jour de l’année. Tout le reste de ce qui présente une valeur durable est une variante ou une composition de ces quatre éléments, auxquels s’ajoute une poignée d’événements quasi cycliques qui ne suivent pas exactement le calendrier grégorien.

Heure de la journée. Les magasins ont des horaires d’ouverture ; l’e-commerce a des heures limites de commande et des pics tard dans la soirée. Les enregistrements à une granularité inférieure à la journée révèlent des profils intrajournaliers marqués, comme les creux de la pause déjeuner et les poussées de fin de journée. Avec des données quotidiennes, ces cycles disparaissent largement de la vue, sauf à travers les effets induits selon le jour de la semaine : les fermetures du dimanche, par exemple, annulent la demande dans les magasins.

Jour de la semaine. Les ménages font leurs courses le week-end ; la demande B2B se concentre du lundi au vendredi ; les retours se regroupent le lundi. Pour de nombreux assortiments, le profil hebdomadaire explique davantage de variance que tout autre facteur pris isolément.

Jour du mois. Salaires, prestations sociales, cycles de facturation et objectifs de fin de période créent des courbes en « crosse de hockey » à la fin du mois, surtout dans les expéditions. La distinction compte : un pic d’expéditions en fin de mois est généralement un artifice de contrôle bureaucratique des déclenchements, pas de la consommation réelle. Il faut le traiter comme un effet calendaire sur les flux observés plutôt que comme une hausse persistante de la demande sous-jacente.

Jour de l’année. Saisons, vacances et jours fériés civils dominent le profil annuel. La « saisonnalité » n’a ici rien de mystérieux : c’est l’empreinte du calendrier sur les habitudes, avec les appareils de chauffage en hiver et les sandales en été. Les « événements » du commerce de détail sont eux aussi liés au calendrier ; le Black Friday, lendemain du quatrième jeudi de novembre aux États-Unis¹¹⁶, réoriente de manière fiable les paniers chaque année.

Au-delà de ces quatre fréquences de base existent quelques quasi-cycles : événements religieux ou lunaires — ramadan, Nouvel An chinois, Pâques — qui se décalent par rapport à l’année grégorienne et doivent être traités au moyen de calendriers explicites propres à chaque lieu, plutôt que d’indices mensuels naïfs.¹¹⁷ Les calendriers scolaires et les fêtes locales sont de même nature : des calendriers discrets avec des listes de dates prévisibles, pas des « motifs » flottants à découvrir.

Du point de vue de la modélisation, le traitement le plus économique consiste en un petit ensemble d’indices multiplicatifs, un par facteur calendaire pertinent, régularisés vers \(1\) lorsque les preuves sont faibles. La géographie et le canal méritent des indices distincts : ce qui se vend le samedi dans le commerce de détail ne se vend souvent pas en B2B. Les fermetures impliquent des zéros structurels plutôt qu’une imputation ; les SKU dont les observations non nulles sont rares s’appuient sur leurs pairs par mutualisation hiérarchique. Le calendrier reste ainsi explicite et transposable d’un assortiment à l’autre.

Pour le dire simplement, une fois l’inertie — la persistance des habitudes à court terme — et un calendrier compact — les quatre cyclicités de base plus quelques quasi-cycles explicites — en place, presque tout le signal pratique que les modèles de séries temporelles peuvent extraire a été extrait. Les décompositions élaborées — feux d’artifice de Fourier, décalages exotiques, machines à états baroques — résistent rarement à l’épreuve des données hors échantillon en entreprise. Tout ce qui dépasse l’inertie et le calendrier relève d’autres instruments — tarification, promotion, substitution, modélisation des délais — et non du prisme des séries temporelles lui-même.

La section suivante montre qu’une fois l’inertie et le calendrier pris en compte, les efforts qui continuent de tourner en rond dans le paradigme des séries temporelles produisent des rendements évanescents pour les supply chains.

7.4.2 L’impasse

Malgré des dizaines de milliers de nouveaux articles chaque année, la prévision par séries temporelles se révèle depuis des années une impasse technologique pour les supply chains¹¹⁸. La démonstration la plus claire apparaît dans les résultats de M5, une grande compétition publique de prévision organisée en 2020, la plus grande à ce jour, à partir d’un jeu de données de ventes de Walmart au niveau des magasins.

Dans cette compétition, une équipe de Lokad, spécialiste des logiciels de supply chain, s’est classée première au niveau des SKU¹¹⁹ : le niveau le plus désagrégé et, du point de vue de la supply chain, le seul qui compte en définitive pour les décisions portant sur le flux. Son modèle de prévision gagnant¹²⁰ était un simple modèle paramétrique multiplicatif, utilisant uniquement l’inertie et les cyclicités introduites dans la section précédente. De plus, la grande majorité de ses paramètres étaient de simples indices de cyclicité, c’est-à-dire des coefficients multiplicatifs reflétant les facteurs « jour de la semaine », « jour du mois » et « mois de l’année ».

Au niveau des SKU, ce modèle a surpassé des approches plus sophistiquées, notamment des modèles de deep learning comptant des millions de paramètres et des modèles de gradient boosting comptant des milliers d’arbres. Aux autres niveaux d’agrégation, ce modèle simple restait très proche de la précision des gagnants.

Avec 909 équipes du monde entier dans M5, toutes les méthodes notables de séries temporelles ont sûrement été essayées. Pourtant, au final, un modèle simple a atteint une précision comparable, sinon supérieure, à celle de ses homologues plus sophistiqués. La raison est simple : aucun modèle n’a réussi à extraire des séries temporelles historiques une information utile au-delà de l’inertie et des cyclicités. Aucun n’y est parvenu parce que cette information n’est pas présente dans les séries temporelles de M5.

Pour l’équipe de Lokad, loin d’être une surprise, ce résultat confirmait un constat établi environ une décennie auparavant, après de nombreux tests comparatifs de prévision par séries temporelles sur les données de dizaines d’entreprises clientes. Ces jeux de données ne cachent ni cyclicités encore inconnues, ni décalages latents par lesquels une série en prédit une autre, ni tendances secrètes attendant d’être découvertes¹²¹. Plus généralement, les enregistrements d’entreprise ne contiennent pas d’autres motifs à exploiter au moyen de modèles de prévision par séries temporelles plus sophistiqués.

L’absence de preuve n’est pas la preuve de l’absence. Bien que d’autres motifs dans les séries temporelles — ne relevant ni de l’inertie ni des cyclicités — restent introuvables, il est encore possible d’en découvrir. Pourtant, les chances d’une percée après un volume de recherche aussi stupéfiant sont faibles. À la fin de la Seconde Guerre mondiale, le pouvoir prédictif de l’inertie et des cyclicités avait déjà été identifié. La compétition M5 a ensuite illustré que, 70 ans et des millions d’articles plus tard, aucun principe supplémentaire n’avait été découvert. L’essentiel de ce qui a depuis été présenté comme du « progrès » n’a fait qu’affiner le paramétrage de ces deux effets — des termes de tendance plus lisses pour l’inertie et des indices calendaires toujours plus fins pour les cyclicités —, produisant des gains marginaux aux rendements fortement décroissants une fois une base multiplicative proprement construite en place.

Il existe de nombreux motifs à exploiter au-delà de l’inertie et des cyclicités, mais ils se trouvent hors des limites étroites du paradigme des séries temporelles. Pour en tirer parti, il faut donc abandonner ce paradigme.

La persistance d’« avancées » toujours nouvelles en séries temporelles doit moins à l’incompréhension qu’aux incitations : la nouveauté se vend mieux que l’aveu qu’au-delà de l’inertie et des cyclicités, il reste peu de signal à extraire. D’où ce défilé de variantes, décennie après décennie, chacune adoptant la technique alors à la mode en informatique¹²². Pour la prévision en supply chain, ces vagues apportent peu de substance, comme l’illustrent les résultats de M5 ci-dessus.

7.4.3 La loi des petits nombres

En tant que principes prédictifs, l’inertie et les cyclicités sont indéniablement puissantes. Lorsque de grands nombres sont en jeu, les affaires humaines deviennent assez prévisibles avec ces deux seuls principes. Par exemple, les dates d’embouteillages en France peuvent être prévues des années à l’avance avec une quasi-certitude. Ces embouteillages reflètent des dizaines de millions de décisions individuelles ancrées dans des habitudes de toute une vie. Les infrastructures de transport continuent d’évoluer, mais assez lentement pour peu perturber de telles prévisions à quelques années.

Malheureusement, les supply chains sont fondamentalement une affaire de petits nombres. Dès qu’un nombre caractérisant le flux devient grand, disons supérieur à 20, un regroupement en lots intervient et réduit ce nombre, du fait des économies d’échelle réalisées au passage.

Illustrons ce principe par l’expédition locale de petites pièces mécaniques. Une pièce urgente part en scooter. Lorsque les quantités augmentent, le mode de transport change par paliers discrets : quelques dizaines de pièces sont regroupées sous film rétractable en un paquet qui part lors de la prochaine tournée de coursier ; plusieurs paquets sont réunis dans un carton et expédiés en camionnette ; une pile de cartons devient une palette transportée par un camion de tonnage intermédiaire ; quelques palettes justifient de programmer un camion complet. En pratique, le flux avance par quanta — unité → paquet → carton → palette → camion complet — plutôt qu’une unité à la fois.

Les séries temporelles de supply chain sont donc presque invariablement clairsemées — les observations sont majoritairement nulles — et erratiques — les observations non nulles varient fortement.

Figure : Une série lisse à fort volume avec un cycle hebdomadaire (trait plein), comparée à une série clairsemée et erratique (barres grises).

Les méthodes de séries temporelles donnent de mauvais résultats sur les séries clairsemées : elles produisent des volumes quotidiens fractionnaires, par exemple 0,3 unité par jour, qui n’ont pas de sens opérationnel au point d’utilisation et qui, sans surprise, se révèlent imprécis face aux décisions réelles. Un palliatif courant consiste à « cacher » la rareté des observations non nulles par agrégation : allonger la période (jours \(\rightarrow\) mois) ou élargir le périmètre (SKU \(\rightarrow\) catégorie).

Pourtant, même si l’agrégation produit techniquement des prévisions par séries temporelles plus précises, elle ne constitue guère plus qu’une illusion d’optique. C’est la structure de la décision — l’allocation de ressources — qui dicte la granularité de la prédiction, et non l’inverse.

Considérons, par exemple, un directeur de magasin qui vend chaque mois quelques pots d’une marque donnée de moutarde. Sa décision de réapprovisionnement comporte deux champs : une date, quand commander à nouveau, et une quantité, combien d’unités. Il doit savoir si aujourd’hui est un bon jour pour passer la commande, pas si ce mois-ci est le bon mois pour le faire. De même, il doit savoir combien de pots commander à nouveau, de la même marque et du même format. Une évaluation en unités de condiments, la catégorie de produits, ne lui sert à rien.

La loi des petits nombres explique pourquoi l’espoir de concevoir des prévisions par séries temporelles précises est profondément mal fondé, même pour des situations qui ne dépendent pas de décisions encore à prendre. Les petits nombres rendent les données irréductiblement erratiques. Il ne s’agit pas d’un défaut passager des instruments statistiques actuels, que de meilleurs instruments corrigeraient bientôt. Au contraire, quels que soient les instruments numériques que nous apportons à la supply chain, ils doivent être adaptés aux petits nombres et aux jeux de données par ailleurs limités.

Ces contraintes n’exigent ni un maillage temporel plus fin ni un lissage plus élaboré ; elles exigent une autre grammaire. Lorsque les nombres sont petits et les actions discrètes, l’unité de prédiction pertinente n’est pas « un nombre pour mardi prochain », mais une loi de probabilité sur les résultats admissibles : combien, s’il y en a, et avec quel retard. Le premier instrument de cette grammaire est la prévision probabiliste : une distribution qui tient compte de la rareté des observations non nulles, des quantités entières et des surprises à queue épaisse, et qui s’applique tout autant à la demande, aux délais, aux retours et aux prix. Pour fixer les idées, commençons par les délais et la demande.

7.4.4 Les prévisions probabilistes

La prévision probabiliste considère tous les résultats futurs possibles d’un événement et attribue une probabilité à chacun. Une prévision probabiliste est l’ensemble complet de ces probabilités. Une prévision non probabiliste, classique, qui désigne un seul résultat est une prévision ponctuelle ; le terme est rarement utilisé, car « prévision » sous-entend généralement « prévision ponctuelle ». La prévision probabiliste est fondamentale pour la supply chain parce qu’elle prend en compte la loi des petits nombres, tant théoriquement qu’empiriquement. Elle marque notre première grande rupture avec le paradigme des séries temporelles ponctuelles équidistantes.

Les prévisions probabilistes quantifient l’incertitude sur l’ensemble du flux, pas seulement sur la demande. C’est notre deuxième rupture avec la pratique dominante : nous associons des distributions à chaque facteur incertain qui fait circuler la trésorerie et les atomes — délais, proportions des quantités commandées effectivement reçues, fiabilité des fournisseurs, prix d’achat et de vente, retours, rebuts et capacités disponibles. Dans tout ce livre, « probabiliste » est employé dans ce sens large. Pour fixer les idées, considérons des délais variables. Ni le fournisseur ni le transporteur ne sont parfaitement fiables ; des retards imprévus surviennent. Ce dont nous avons besoin est la distribution du délai de réception d’une commande qui vient d’être passée. Une prévision probabiliste des délais fournit exactement cette distribution. L’histogramme ci-dessous résume les probabilités jour par jour.

Figure : Exemple de distribution des délais : livraison impossible aux jours situés à gauche ; pic au délai nominal de 3 jours ; risque à queue épaisse de retards plus longs.

L’histogramme montre qu’une livraison en moins de trois jours a une probabilité nulle. Cela reflète le temps de transit minimal du mode d’expédition choisi. Le mode de la distribution se situe au troisième jour, où la probabilité est la plus élevée. C’est le délai nominal, la durée attendue lorsque le fournisseur et le transporteur exécutent tous deux leur travail comme prévu. De faibles probabilités non nulles s’étendent loin vers la droite ; elles représentent les perturbations qui allongent les délais bien au-delà du nominal. Dans le pire des cas, la livraison n’a jamais lieu.¹²³

Comme les prévisions ponctuelles, les prévisions probabilistes peuvent être calculées à partir des données historiques. Laissons de côté les détails techniques de la modélisation et précisons ce qu’elles apportent aux décisions de supply chain.

Les prévisions probabilistes transmettent une information plus riche que les prévisions ponctuelles. Elles ne sont toutefois pas intrinsèquement plus précises. Les probabilités ajoutent une dimension d’information absente des prévisions ponctuelles. En particulier, on peut réduire une prévision probabiliste à une prévision ponctuelle en prenant la moyenne ou la médiane de la distribution. Une prévision probabiliste plus précise produira donc mécaniquement une prévision ponctuelle plus précise. Pour déterminer lequel d’un modèle probabiliste et d’un modèle ponctuel est le plus précis, une validation empirique est nécessaire. En tant que catégories, les modèles « probabilistes » et « ponctuels » ne confèrent aucun avantage systématique de précision. L’information supplémentaire fournie par les modèles probabilistes est néanmoins souvent cruciale pour les décisions de supply chain.

Revenons à l’exemple des délais variables ci-dessus : les détails de la distribution sont cruciaux pour gérer le risque de livraison tardive. Supposer que les marchandises arrivent au délai médian serait une grave erreur : par définition, la moitié des expéditions arriveraient en retard. À l’inverse, fonder les opérations sur une valeur très à droite de la distribution, un quantile élevé, est tout aussi déraisonnable. La plupart des marchandises arriveraient beaucoup plus tôt, créant notamment des stocks excessifs.

Les délais ne sont qu’un exemple parmi beaucoup d’autres où la variabilité et l’incertitude influencent de manière cruciale les décisions de supply chain.

Reprenons la variante à acheteur unique présentée dans Les limites de la planification. Supposons qu’une usine expédie depuis des années 1 000 unités par jour à un seul client. En termes de séries temporelles, la prévision ponctuelle est une ligne plate à 1 000. Ajoutons maintenant une information que la série ignore : cette relation client est ancienne, mais pas immortelle ; sa probabilité hebdomadaire de rupture est d’environ 0,1 %. À un an, soit 52 semaines, l’espérance de demande quotidienne est de \((1-0.001)^{52}\times 1000 \approx 934\) unités. Mathématiquement correct, peut-être, mais dépourvu de sens opérationnel. Dans un an, la demande quotidienne sera soit de 1 000, soit de 0.¹²⁴ Tout plan de capacité fondé sur « 934 unités par jour » allouera mal les ressources.

Une prévision probabiliste explicite au contraire le risque d’effondrement : l’essentiel de la masse de probabilité reste sur « toujours 1 000 », avec une masse plus faible sur « tombe à 0 » au cours de l’horizon. Cette vision conduit à une politique à deux volets : assurer le service actuel tant que le client reste, et préparer une solution de repli pour sa perte à terme. La prévision ponctuelle tente de prédire un unique futur « vrai » et fait disparaître le risque dans la moyenne ; la vision probabiliste valorise les alternatives et évite l’échec de planification auquel invite la ligne plate.

La prévision probabiliste révèle donc des choses que le prisme ponctuel ne peut montrer. En cherchant à saisir un « seul vrai futur », la prévision ponctuelle reste aveugle à des motifs pourtant évidents. De plus, la perspective probabiliste permet généralement d’exploiter des données supplémentaires au-delà de la seule série temporelle historique, ou d’extraire davantage de signal des mêmes données. Illustrons ce point par un autre exemple.

Considérons un magasin de bricolage dont un produit se vend en moyenne à 0,5 unité par jour. Bien que ce soit irréaliste, supposons pour la clarté de l’exemple que la demande soit constante et sans cyclicité. Le magasin est réapprovisionné quotidiennement depuis un entrepôt qui dessert des magasins similaires. La prévision de demande est encore une série plate de 0,5 unité par jour. Considérons maintenant la prévision probabiliste de demande quotidienne, illustrée ci-dessous.

Figure : Histogramme de demande discrète : baisse globale avec des pics marqués à 4 et 8 unités.

Le produit est en fait un protège-coin destiné à sécuriser le mobilier pour les enfants. Bien qu’on puisse acheter ces protections à l’unité, la plupart des clients les achètent par multiples de 4. L’histogramme le montre : les probabilités de demande quotidienne à 0, 4, 8 et 12 unités sont bien plus élevées que pour les autres quantités. Cette prévision probabiliste de demande montre clairement que le magasin devrait conserver 8 unités en stock, peut-être 12, pour assurer une grande qualité de service. Ce niveau de stock n’aurait pas pu être anticipé en considérant simplement une demande moyenne de 0,5 unité par jour.

Les prévisions probabilistes ne prennent pas seulement en compte la loi des petits nombres ; elles éliminent aussi la nécessité de traiter des projections fractionnaires dépourvues de sens. Si 0,5 unité par jour peut être une abstraction commode pour résumer la demande d’un produit conditionné, les clients ne peuvent pas acheter des fractions d’unité : seules les quantités entières sont admissibles. De nombreux auteurs et logiciels écartent cette question d’un revers de main, mais cette attitude est erronée. Le stock ne peut être réapprovisionné qu’en quantités entières. Accepter une prévision ponctuelle fractionnaire introduit de fortes approximations qui peuvent occasionnellement entraîner des surcoûts substantiels pour l’entreprise.

Par exemple, si la demande sur le cycle est intermittente, disons 0,1 unité par période, elle risque réellement d’être arrondie à zéro. Lorsque cela se produit, aucun stock n’est réapprovisionné ; la demande observée disparaît et le flux s’arrête. Loin d’être un cas limite théorique, cette situation — un gel des stocks — est un problème courant des politiques de stocks gouvernées par des prévisions ponctuelles plutôt que probabilistes. Plus généralement, les prévisions probabilistes correspondent naturellement au caractère essentiellement discret du flux, conséquence du principe de standardisation évoqué plus tôt.

Bien que toute distribution puisse être réduite à un nombre unique — moyenne, médiane ou mode¹²⁵ —, cette réduction élimine l’information qui fait la valeur de la perspective probabiliste. Le bénéfice réside dans la forme entière, ses asymétries, ses queues et sa multimodalité, pas dans une valeur « centrale » sélectionnée à la main. Aucun résumé unique ne peut préserver cette information. Le chapitre suivant montre comment prendre des décisions qui exploitent toute la distribution plutôt que de la ramener à un seul point.

Produire des prévisions probabilistes est sans doute plus technique que produire des prévisions ponctuelles ; toutefois, à l’ère des ordinateurs puissants, ce surcoût est largement négligeable, à condition d’employer des méthodes appropriées. Face à cet obstacle, on pourrait être tenté de procéder à l’envers : calculer d’abord une prévision ponctuelle sous forme de série temporelle, puis la convertir en prévision probabiliste. On peut, par exemple, approximer une somme sur un segment par une distribution normale, comme cela se fait parfois pour les stocks de sécurité.

Malheureusement, cette approche n’apporte aucun des bénéfices recherchés. Les prévisions probabilistes sont supérieures parce qu’elles transportent davantage d’information, mais cette information supplémentaire ne surgit pas du néant. Elle est extraite par des processus spécialement conçus pour tirer plus d’information des données historiques que les méthodes destinées à produire des prévisions ponctuelles.

Autre subtilité : une prévision probabiliste n’est pas validée simplement parce que le résultat réalisé avait une probabilité non nulle dans la distribution. Ce qui compte est le poids que le modèle lui attribue. Un bon modèle concentre la probabilité là où la réalité tend à se situer et en retire ailleurs. Un mauvais modèle fait l’inverse : il saupoudre de minuscules probabilités partout ou attribue 1 % à des événements qui surviennent chaque semaine. Les prévisions probabilistes doivent donc être jugées non selon une réussite binaire, mais selon la probabilité qu’elles allouent à ce qui se produit effectivement, tout en restant aussi concentrées que les preuves le permettent. Cela exige des règles de score propres, qui récompensent des distributions bien calibrées et concentrées et pénalisent une confiance mal placée.

Nous évaluons donc les modèles probabilistes à l’aide de métriques adaptées aux distributions. Bien que les métriques probabilistes, comme la log-vraisemblance, soient moins familières que leurs homologues ponctuelles, comme l’erreur absolue moyenne, elles n’ont rien de mystérieux. Leurs détails sont techniques et ne sont pas essentiels à cette discussion. Pour l’instant, nous pouvons poursuivre en sachant que ces métriques existent et qu’en présence de deux modèles probabilistes, elles indiquent lequel est jugé « meilleur ».

7.4.5 Les queues épaisses

Dans les sciences de la nature, de nombreux phénomènes suivent des distributions normales, ou gaussiennes : un fait remarquable. Par exemple, dans la population mondiale, la taille des hommes suit approximativement une distribution normale. Il en va de même de leur poids. Même en filtrant l’échantillon, par exemple pour ne retenir que les hommes aux yeux bleus ou vivant au nord du 45^e parallèle, la distribution reste approximativement normale. On obtient des distributions normales similaires pour la température corporelle, la densité osseuse ou la durée des cycles du sommeil.

Figure : Distribution normale à queues fines, centrée sur 3, d’écart-type 1. À comparer avec l’histogramme des délais.

Les distributions normales sont omniprésentes dans la nature. Les températures de l’air, les précipitations et les vitesses du vent sur des horizons hebdomadaires ou plus longs suivent des distributions normales. On les retrouve aussi dans les écarts de luminosité apparente des étoiles et dans les niveaux d’expression des gènes au sein des populations humaines et non humaines.

En tant qu’outils mathématiques, les distributions normales sont exceptionnellement commodes. Elles bénéficient d’expressions analytiques simples. Elles disposent de formes fermées simples, de bibliothèques open source omniprésentes et d’une algèbre riche : les sommes de variables normales restent normales, les sommes convenablement mises à l’échelle de nombreuses variables aléatoires convergent vers une normale, etc.

Sans surprise, la plupart des auteurs de supply chain adoptent les distributions normales ; cette conception est pourtant fondamentalement erronée. Dès que les décisions humaines entrent en jeu, les queues fines deviennent l’exception. La plupart des variables pertinentes pour l’entreprise ont des queues épaisses : les résultats extrêmes surviennent bien plus souvent que ne le permet la courbe en cloche ; les distributions sont généralement asymétriques ; les queues dominent les totaux. Les modéliser comme normales sous-estime systématiquement le risque et valorise mal les opportunités.

Considérons un stade de 10 000 spectateurs. Aucune personne ne peut représenter ne serait-ce que 0,1 % de la masse corporelle totale de la foule ; le poids humain a une distribution à queues fines pour des raisons biologiques. Le patrimoine net présente la situation inverse : un spectateur peut tout à fait posséder davantage que la richesse de tous les autres réunis. La richesse a une distribution à queue épaisse¹²⁶.

Plus généralement, tout ce qui s’apparente à la réussite entrepreneuriale produit des résultats à queue épaisse. Les 10 premières marques de smartphones vendent plus d’unités que toutes les autres réunies. Chaque année, les 100 premiers artistes musicaux mondiaux vendent davantage de chansons que tous les autres réunis. Aux élections présidentielles françaises, les trois premiers candidats ont toujours recueilli plus de voix que les deux douzaines de candidats qui les suivent.

Les flux de supply chain sont eux aussi exposés à des chocs à queue épaisse : la demande peut bondir à des niveaux invraisemblables presque sans avertissement. En décembre 1973, une plaisanterie lancée par l’animateur de fin de soirée Johnny Carson dans The Tonight Show au sujet d’une pénurie imminente de papier toilette a déclenché une ruée nationale ; les rayons se sont vidés non parce que l’offre avait changé, mais parce que les attentes avaient changé. Près de cinq décennies plus tard, le même SKU a présenté la même queue pour une autre cause : en mars 2020, dans l’incertitude des confinements, les ménages ont stocké des produits de première nécessité et les ventes américaines de papier toilette ont été multipliées par environ huit¹²⁷, une variation spectaculaire pour un article habituellement stable. Des déclencheurs différents — rumeur d’un côté, choc de politique publique de l’autre — ont produit la même réalité opérationnelle : une longue queue fine est devenue une vague soudaine et écrasante.

Les ventes peuvent aussi croître fortement sous l’effet de campagnes marketing délibérées. Par exemple, grâce à sa campagne « Just Do It » et à un produit solide, Nike a fait passer sa part du marché national des chaussures de sport de 18 % à 43 % et ses ventes mondiales de 877 millions de dollars à 9,2 milliards de dollars entre 1988 et 1998. En 2021, ce chiffre atteignait 44,5 milliards de dollars, soit une multiplication par environ cinquante en quelques décennies.

Des prouesses d’ingénierie peuvent également permettre à une entreprise de dominer totalement son marché. En 2024, SpaceX a placé en orbite environ 90 % du tonnage mondial. Plus remarquable encore, elle y est parvenue avec une infime fraction des investissements réalisés par ses concurrents, presque entièrement des programmes publics, pour se doter de capacités de lancement orbital.

La demande n’est pas le seul phénomène soumis aux queues épaisses ; la plupart des variables du flux le sont aussi. Les prix peuvent atteindre des niveaux stupéfiants, dans les deux sens. Par exemple, le 20 avril 2020, le prix du pétrole brut West Texas Intermediate est passé pour la première fois sous zéro, atteignant -37,63 dollars le baril. Ce prix négatif résultait de contrats à terme arrivant à échéance : leurs détenteurs étaient obligés de prendre livraison physique, les capacités de stockage étaient pleines, et ils se débarrassaient de leurs contrats à n’importe quel prix pour éviter les conséquences logistiques et financières.

Les délais présentent eux aussi des comportements extrêmes. En 2023, Airbus déclarait un carnet de commandes de plus de 7 000 avions, soit environ 7–8 années de production à capacité actuelle. La forte demande de modèles économes en carburant, comme la famille A320neo, a largement contribué à ce carnet. Il reflète aussi le coût élevé en capital par unité et les longs temps de production. D’autres grands constructeurs aéronautiques subissaient par ailleurs des carnets de commandes d’ampleur comparable.

Du point de vue de la supply chain, les queues épaisses comptent parce que les événements extrêmes dominent les bénéfices et les pertes. Loin d’être imprévisibles, les distributions à queues épaisses omniprésentes garantissent l’apparition régulière d’événements extrêmes. Les prévisions probabilistes ne suffisent donc pas ; les modèles doivent refléter le caractère à queues épaisses des phénomènes de supply chain.

À l’inverse, tout modèle de supply chain qui adopte des distributions normales, ou d’autres distributions à queues fines, sous-estimera nécessairement le risque et produira donc des décisions fragiles. Cette fragilité met en péril la survie de l’entreprise : les marchés la sanctionnent lorsque les extrêmes surviennent, particulièrement en présence de concurrents plus prudents ou plus opportunistes.

La présence de distributions normales dans les contenus de supply chain, qu’il s’agisse de publications ou de logiciels, doit être considérée comme un révélateur d’incompétence. Cela inclut toutes les méthodes à queues fines, comme les stocks de sécurité. En effet, un simple coup d’œil aux distributions empiriques de supply chains réelles montre que la distribution normale est loin de constituer une approximation raisonnable¹²⁸. En préconisant ces méthodes, les auteurs révèlent donc qu’ils n’ont même pas pris la peine d’examiner une supply chain réelle. Une entreprise qui adopte ces absurdités, sous quelque forme que ce soit, ne fait que rendre service à ses concurrents.

7.4.6 Le prix de la connaissance

Les prévisions probabilistes entrelacent deux formes distinctes d’incertitude ; les séparer clarifie à la fois la modélisation et l’action.

Pour les délais d’outre-mer, les systèmes météorologiques et la congestion portuaire introduisent une variabilité qu’aucune partie ne peut éliminer ; même avec une information parfaite et un historique infini, le jour où un conteneur sort du terminal reste variable. Cette variabilité irréductible est aléatoire.

À l’inverse, lorsque l’entreprise n’a passé qu’une poignée de commandes auprès d’un nouveau fournisseur, la forme de la distribution des délais est mal connue. Chaque commande supplémentaire, des horodatages plus clairs et des Incoterms plus stricts réduisent cette ignorance. C’est l’incertitude épistémique : elle porte sur notre modèle du phénomène, pas sur le phénomène lui-même.

La distinction compte parce qu’en supply chain, les observations passées utilisées pour produire des prévisions ponctuelles ou probabilistes ne tombent pas du ciel. Elles résultent de décisions passées, c’est-à-dire d’allocations de ressources passées. Ainsi, la connaissance de l’avenir se paie. Par exemple, un réseau de magasins peut ajouter un produit dans les rayons de certains magasins pour évaluer le potentiel de demande. C’est un investissement, tant en coût des marchandises qu’en espace de rayon, pour des rendements incertains.

Investir des ressources pour réduire l’incertitude épistémique, autrement dit pour acquérir des connaissances, est fondamental dans les supply chains. Pour les tenants de la vision de terrain, investir continuellement des ressources rares pour sonder le marché est si évident que cela mérite à peine d’être mentionné. C’est simplement la manière naturelle de faire des affaires.

Pourtant, chez les auteurs dominants de supply chain, qui adhèrent pour la plupart à la vision téléologique, cet enchevêtrement entre allocations et connaissances est nié plutôt que simplement passé sous silence. Si la plupart comprennent que la connaissance du marché ne surgit pas du néant, ils se tournent vers les « études de marché » et autres instruments bureaucratiques similaires¹²⁹ pour acquérir des connaissances au-delà de ce qu’offrent les données historiques.

Dans la perspective téléologique, le principal avantage de l’étude de marché est qu’elle laisse le paradigme de planification entièrement intact. Elle est censée être achevée avant que la planification commence et fournir les informations nécessaires à des prévisions précises par séries temporelles là où les données historiques manquent. Sur le plan intellectuel, les études de marché séparent proprement l’acquisition des connaissances de leur exploitation. Pourtant, comme beaucoup d’idées séduisantes, cette séparation échoue en pratique.

Nous reviendrons sur ce lien dans le chapitre Décisions, où nous montrerons comment les décisions peuvent, et souvent devraient, être ajustées pour tirer parti de la valeur d’une réduction de l’incertitude épistémique.

7.4.7 Les prévisions de grande dimension

Parce que « prévision » est presque toujours compris comme « prévision par séries temporelles », les autres formes sont négligées. Le formalisme des séries temporelles est restrictif et ne couvre qu’une fraction des situations réelles de supply chain. Pourtant, seul le manque d’imagination nous empêche d’explorer des formes de prévision plus larges.

En pratique, une prévision par série temporelle est unidimensionnelle. Même lorsque l’horizon couvre de nombreuses périodes, l’erreur de chaque date est évaluée isolément ; la prévision sur plusieurs périodes se réduit à un empilement de prévisions indépendantes sur une période. Que les chiffres proviennent d’un modèle commun ou de formules sans rapport ne change rien à l’évaluation : les métriques classiques de précision les traitent comme des conjectures séparées et ignorent la manière dont les erreurs évoluent ensemble sur l’horizon. Cet aveuglement compte dès que les décisions couplent des dates, des articles ou des emplacements.

Pour montrer pourquoi la précision en grande dimension compte, prenons un cas idéalisé à deux produits. Considérons un magasin qui vend deux produits distincts parfaitement substituables¹³⁰. Ils périment à la fin de la journée et sont réapprovisionnés chaque jour. La demande pour les deux produits est de 10 unités par jour ; les clients choisissent aléatoirement entre eux tant qu’il reste du stock.

Trois prévisions quotidiennes candidates illustrent le problème :

• (A) 5 unités et 5 unités

• (B) 10 unités et 0 unité

• (C) 6 unités et 6 unités

Compte tenu de la substitution, une métrique de précision appropriée doit attribuer la même perte ou la même valeur à (A) et à (B). Ces deux anticipations sont en effet aussi bonnes l’une que l’autre, et même parfaites selon nos hypothèses simplistes. La métrique doit toutefois moins bien noter (C), qui surestime la demande totale de 2 unités. Aucune métrique unidimensionnelle ne peut satisfaire ces deux exigences. Seule une mesure qui examine conjointement les deux articles reconnaît l’égalité de (A) et (B) et l’infériorité de (C). Tous les scores classiques — erreur absolue moyenne, erreur quadratique moyenne, etc. — classent à tort (C) au-dessus de (B). La seule voie possible consiste à élargir la perspective à une métrique de précision à 2 dimensions.

Cet exemple révèle les limites d’une vision unidimensionnelle ; pour comprendre leur importance, passons à un exemple probabiliste plus réaliste.

Considérons une épicerie et son problème d’assortiment : choisir la liste exacte des articles distincts à placer en rayon. Les clients achètent rarement un seul article ; la plupart repartent avec un panier de plusieurs produits. Un meilleur assortiment produit en moyenne des paniers plus grands ou plus rentables.

Tout assortiment reste exposé aux ruptures : lorsqu’un rayon est vide, les clients peuvent choisir un substitut. La substitution atténue la rupture. À l’inverse, le client peut renoncer non seulement à l’article manquant, mais aussi aux articles complémentaires qu’il comptait acheter. La contagion aggrave la rupture.

Seul l’examen des données historiques de paniers d’achat permet d’étudier ces substitutions et ces contagions. En effet, lorsque ces données sont disponibles, nous disposons d’un point d’entrée naturel pour évaluer les relations entre produits du point de vue du client. De plus, si des cartes de fidélité sont utilisées, on peut reconstituer des séquences de paniers, chacune attribuée à un client distinct. Les données de fidélité complètent celles des paniers pour de telles analyses.

Les détails techniques ne sont pas nécessaires ici. Ce qui compte est que l’information pertinente se trouve dans les données de paniers. Sans elle, quelle que soit la sophistication de notre démarche, l’analyse comportementale échoue faute d’information.

À l’inverse, lorsque les ventes sont aplaties en séries temporelles, nous ne savons même pas combien de clients distincts sont entrés dans le magasin un jour donné. Nous ne pouvons voir ni substitutions ni contagions, car il ne reste que des corrélations hypothétiques entre des séries à la fois clairsemées et erratiques. Les séries temporelles seules ne permettent pas une analyse comportementale.

Revenons au problème d’assortiment : une prévision des paniers conditionnée par l’assortiment choisi offre une solution directe. Si nous pouvons prédire les paniers futurs avec un assortiment révisé, nous pouvons évaluer s’il sera supérieur à l’assortiment actuel, au moins en volume de ventes.

Interprétée comme une prévision ponctuelle, une prévision « fiable » des paniers est une erreur de catégorie. Un seul panier mêle souvent dix SKU ou davantage ; les combinaisons explosent, et les clients substituent librement les produits en rayon. Espérer désigner à l’avance le panier exact semble impossible, et l’est ; l’idée est donc régulièrement écartée. L’erreur tient au cadrage : ce qui compte n’est pas un panier deviné, mais les probabilités de cooccurrence et les effets d’entraînement des articles les uns sur les autres, précisément la structure que nous examinons maintenant.

Sous un angle probabiliste, la perspective est pourtant radicalement différente. Tous les paniers concevables ne sont manifestement pas équiprobables. Par exemple, tout panier contenant une paire de produits jamais observés ensemble dans l’historique est improbable. Établir une distribution de probabilité sur l’espace des paniers peut sembler techniquement redoutable, mais la communauté du machine learning a développé une importante « boîte à astuces » pour de telles prédictions.

La perspective ponctuelle, en aplatissant tout autour du « seul vrai futur », donne l’impression erronée que la qualité d’une anticipation peut être évaluée point par point, c’est-à-dire une dimension à la fois ; cela ignore pourtant les dépendances du système. Dans une perspective probabiliste, ces dépendances deviennent évidentes à travers l’invraisemblance de certains résultats. La demande peut augmenter ou baisser, mais il est invraisemblable qu’elle augmente dans les zones aux codes postaux impairs et baisse dans celles aux codes pairs. Cette observation implique une perspective de grande dimension.

Dans les supply chains, ces dépendances sont omniprésentes, précisément parce que, comme nous l’avons vu, ce sont des systèmes. Le succès d’un produit peut cannibaliser ses substituts ; l’immobilisation d’un avion peut provoquer des correspondances manquées en cascade ; une énergie moins chère peut relever les marges de tout un secteur. L’ouverture d’un grand magasin phare peut attirer de nouveaux clients qui améliorent à la marge l’activité de tous les magasins voisins, quels que soient les produits qu’ils vendent. De même, une campagne marketing réussie peut accroître les ventes de tous les produits d’une marque.

La conception de métriques de précision en grande dimension est technique et dépasse ce chapitre. Le principe est ce qui compte : les prévisions conjointes doivent être jugées dans la géométrie de la décision, dans leur ensemble, et non coordonnée par coordonnée. Il existe des règles de score propres pour les distributions multivariées, qui permettent de comparer les modèles selon un critère simple : concentrent-ils la probabilité là où la réalité tend à se situer, tout en préservant les dépendances qui déterminent les résultats économiques ? Une fois cette base posée, il reste la capacité d’action : une prévision qui ignore nos propres leviers ne fait encore que projeter le statu quo. Le remède consiste à conditionner les prédictions par la politique de décision que l’entreprise entend appliquer. Nous appelons ces anticipations conditionnées par une politique des prévisions fonctionnelles, sujet de la section suivante.

7.4.8 Les prévisions fonctionnelles

L’état futur de la supply chain dépend de décisions encore à prendre. Les décisions de tiers — clients, fournisseurs, concurrents — doivent être prévues comme toute autre incertitude. Leurs processus de décision peuvent en effet rester à jamais des boîtes noires pour l’entreprise. En revanche, les propres décisions à venir de l’entreprise méritent un traitement différent. Après tout, elle n’a pas à deviner ses propres décisions ; elle maîtrise sa prise de décision.

Dans leur usage courant, les prévisions accordent peu de capacité d’action à l’entreprise. Elles décrivent ce qui est probable avec des politiques de décision figées, pas ce qui pourrait se produire avec d’autres. Elles sont conditionnées par les décisions déjà prises au moment où la référence est calculée et restent aveugles à celles qui sont encore à l’étude. Un fabricant peut baisser ses prix aujourd’hui et, à juste titre, voir sa demande prévue augmenter ; la même prévision ne peut pourtant rien dire du changement de prix du mois prochain ou d’une promotion qui n’est pas encore choisie. En somme, la référence projette le statu quo, un scénario contrefactuel où « rien de nouveau n’est entrepris », utile pour s’orienter, mais qui ne remplace pas la décision.

Pour comprendre pourquoi les décisions non finalisées comptent, prenons une marque de mode. Elle lance deux collections par an, dont les produits sont commandés avant la saison. Supposons qu’il n’y ait aucun réapprovisionnement en cours de saison. La marque expose ses produits à plein tarif au début de la saison. Pour chacun, la quantité prévue correspond aux ventes saisonnières attendues, avec une rupture en fin de saison. Les quantités sont fixées de sorte qu’aucune remise de fin de saison ne soit attendue.

Pourtant, en fin de saison, certains produits se vendent moins bien que prévu et laissent des invendus. La politique tarifaire de l’entreprise impose alors de fortes remises de fin de saison sur ces produits, précisément pour liquider le stock.

Avec une tarification dynamique, la marque peut rationnellement commencer avec davantage de stock qu’avec des prix fixes. Si la demande se révèle supérieure à la prévision, le stock supplémentaire produit du bénéfice. À l’inverse, si la demande est surestimée, la politique permet tout de même de liquider le stock avec une perte minimale. La tarification n’est pas un détail technique ; elle fait partie intégrante de la stratégie de flux de la marque.

Une prévision de demande « ordinaire », probabiliste ou non, ne peut représenter les trajectoires de ventes induites par cette politique. Au moment où la prévision de référence est calculée, rien ne justifie que la demande projetée présente en fin de saison un pic tardif dû aux remises. Celles-ci n’apparaissent que lorsque la demande a été surestimée ; avec une demande correctement prévue, le stock initial serait plus faible et aucune remise de fin de saison ne serait nécessaire. La politique rend la demande partiellement autocorrectrice : les ventes ne s’alignent sur les niveaux de stock que dans la mesure où les remises sont agressives.

Une prévision fonctionnelle intègre au contraire explicitement une ou plusieurs règles de décision. Ces politiques sont prises comme données ; elles ne sont pas apprises à partir de l’historique. De plus, elles restent isolées dans la logique de prévision. Pour qu’un modèle soit « fonctionnel », c’est-à-dire conditionné par une politique de décision, il faut donc pouvoir remplacer une politique par une autre et obtenir directement la prévision révisée. En ce sens, un modèle fonctionnel est incomplet : sans les politiques requises, il ne peut produire de prévisions.

Comme nous le verrons, les modèles fonctionnels ne sont pas nécessairement beaucoup plus difficiles à implémenter que leurs homologues non conditionnés. Évaluer leur validité est toutefois un défi épineux. Tant que les politiques fournies au modèle restent proches de celles historiquement pratiquées par l’entreprise, un modèle bien conçu devrait se comporter raisonnablement. Mais si une politique s’aventure en territoire inexploré, la validité du modèle devient incertaine.

Reprenons le cas ci-dessus : si la marque a historiquement pratiqué des remises de fin de saison comprises entre 15 % et 30 %, les données permettent de modéliser n’importe quelle combinaison dans cette plage. Mais si elle exécute son modèle fonctionnel de demande avec des remises de 30 % à 60 %, les chiffres produits seront, au mieux, très spéculatifs. Ces prédictions ne disposent d’aucun appui empirique direct ; extrapoler la réaction des clients à des prix jamais testés peut réserver de grandes surprises.

Malheureusement, au-delà de situations restreintes, juger si un modèle fonctionnel produira des chiffres raisonnables avec une politique arbitrairement nouvelle est un problème d’intelligence générale. L’évaluation doit être adaptée au cas précis. On peut, par exemple, tester la nouvelle politique à petite échelle dans le seul but d’acquérir des données empiriques supplémentaires. Ce processus est l’exploration, abordée au chapitre suivant.

Sans prévisions fonctionnelles, l’entreprise se contente de projeter le statu quo en reproduisant ses politiques passées. Si elle veut évoluer, elle doit pouvoir projeter la manière dont les changements de politique envisagés affecteront le flux.

À petite échelle, les prévisions fonctionnelles sont évidentes, bien que rarement nommées. Prenons un boulanger de quartier qui choisit ses horaires d’ouverture. Des horaires plus longs permettent davantage d’achats : les personnes qui partent tôt au travail et les clients tardifs peuvent acheter. Ils consomment toutefois une ressource rare : le temps passé en famille et à se reposer. La prévision pertinente n’est pas un nombre unique — « la demande de demain est de 180 pains » —, mais une fonction reliant la décision au résultat — « les ventes attendues en fonction des horaires d’ouverture ». En choisissant l’entrée, les horaires, le boulanger fabrique en partie la demande qu’il entend servir ; c’est la perspective fonctionnelle.

À grande échelle, lorsque des milliers de prévisions sont produites, de nombreuses entreprises retombent dans des projections du statu quo sous l’effet de l’inertie bureaucratique. Cette attitude les dessert naturellement. Malheureusement, la plupart des manuels de supply chain, et les logiciels construits sur cette base, adoptent la même perspective.

Techniquement, les prévisions fonctionnelles comptent pour deux raisons.

La première relève de l’ingénierie logicielle : elles imposent une séparation nette entre le noyau prédictif — les modèles qui transforment les enregistrements en énoncés probabilistes sur la demande, les délais, les prix, les retours et les coûts — et la politique réifiée — le code et les paramètres explicites qui mettent en œuvre la tarification, l’allocation, les règles de service et les autres leviers. Une fois ces éléments séparés, le même noyau prédictif peut être utilisé avec plusieurs politiques admissibles ; celles-ci peuvent être remplacées sans réentraînement ; et l’effet économique de chaque règle devient auditable.

La seconde est statistique : les prédicteurs n’apprennent que ce que les politiques passées ont révélé. Lorsqu’une politique sort du domaine couvert par ces données — nouvelles plages de prix, nouveau rythme de promotions, nouvelles promesses de service —, la prévision devient une extrapolation. Avec un tel changement de politique, la précision se dégrade et l’incertitude s’élargit ; les résultats doivent être considérés comme provisoires tant que les mesures ne se sont pas accumulées sous la nouvelle politique.

Compte tenu de ces contraintes, la prévision fonctionnelle jette un pont entre « ce qui est probable » et « ce que nous ferions si… ». L’instrument naturel pour emprunter ce pont à grande échelle est un simulateur : un modèle stochastique et discret qui intègre la politique et propage les incertitudes. Nous l’examinons maintenant.

7.4.9 Les simulations stochastiques

Une simulation est un modèle qui imite un système réel et permet d’observer l’évolution de son état dans le temps. Avec l’augmentation de la puissance de calcul, les simulateurs se sont multipliés, y compris les versions dédiées à la supply chain, souvent commercialisées comme des « jumeaux numériques »¹³¹. Correctement compris, un simulateur est une prévision probabiliste de grande dimension : il produit de nombreux futurs plausibles, assortis de fréquences implicites, plutôt qu’une trajectoire prédestinée. Employée ainsi, la simulation est un instrument légitime pour anticiper les états futurs d’une supply chain. Pourtant, comme cette nature probabiliste est rarement explicitée, ses résultats sont trop souvent pris pour argent comptant ; les hypothèses ne sont pas examinées, et peu prennent la peine de vérifier que les distributions simulées ressemblent à ce que les opérations produisent réellement.

Les simulateurs de supply chain sont très variés, mais presque tous partagent trois caractéristiques : ils sont microanalytiques, discrets et stochastiques.

Un simulateur microanalytique, qui procède de bas en haut, décompose le système en unités minimales gouvernées par des règles simples. Ces unités comprennent des agents — clients ou fournisseurs — et des entités inanimées comme les SKU. La vision microanalytique suppose que la complexité du système n’est qu’apparente et résulte de l’application répétée de règles simples.

Un simulateur discret, à temps discret ou à événements discrets, avance par une succession d’événements. Chaque événement survient à un instant précis et marque un changement d’état du système. Entre les événements, rien ne change : cet artifice simplifie considérablement l’implémentation logicielle du simulateur.

Un simulateur stochastique, souvent appelé simulateur de Monte-Carlo, utilise des règles non déterministes qui produisent des résultats aléatoires. Des exécutions répétées à partir de conditions initiales identiques produisent donc des résultats différents. Utilisez des règles déterministes lorsque c’est possible ; réservez les règles stochastiques aux inconnues, pour refléter notre connaissance imparfaite de l’évolution du système.

Les simulateurs sont des instruments de prévision fonctionnelle : ils associent des politiques de flux explicites à des résultats prédits. En encodant les règles de décision — quoi acheter, fabriquer, déplacer et tarifer, et quand — ainsi que les contraintes opérationnelles, le simulateur produit des prévisions conditionnées par ces règles. C’est précisément l’intérêt de ce conditionnement : il place les politiques alternatives sur un pied d’égalité et permet de quantifier leurs conséquences économiques.

Contourner ce conditionnement impose presque toujours des approximations grossières. Par exemple, traiter la demande comme insensible à la qualité de service, en supposant que des ruptures répétées ne réduisent jamais les ventes observées, rend le simulateur aveugle au comportement même que la politique induit. Un tel modèle surestime systématiquement les volumes atteignables, valorise mal les options et oriente les décisions dans la mauvaise direction. Dans la suite, « prévision fonctionnelle » désigne cette prédiction conditionnée par une politique de décision plutôt qu’une série temporelle inconditionnelle.

L’implémentation logicielle de ces simulateurs est conceptuellement simple. Une boucle principale parcourt les arêtes d’un graphe représentant le flux. Les nœuds représentent généralement des SKU, ou des agrégats lorsqu’une granularité plus fine est trop coûteuse. Chaque nœud porte un petit ensemble de règles, soit déterministes — par exemple décrémenter le stock pour chaque unité sortante —, soit stochastiques — par exemple tirer aléatoirement une demande pour la période. Chaque itération de la boucle principale représente un pas de temps discret, généralement un jour, éventuellement moins.

Si l’on ne regarde pas de trop près la validité, un tel simulateur de flux peut souvent être construit en quelques jours. D’où sa popularité auprès des éditeurs de logiciels d’entreprise. La conception fonctionnelle est séduisante : elle prédit les effets des politiques de décision à une granularité arbitrairement fine. Pourtant, sans validation rigoureuse, cette confiance est mal placée.

En réalité, les résultats des simulateurs peuvent être, et sont souvent, de pures absurdités. La plausibilité d’une règle ne garantit pas sa justesse, et réunir deux règles valides ne garantit pas que le simulateur les combine correctement. Des erreurs de programmation ordinaires se glissent aussi dans son code. Comme indiqué plus haut, de nouvelles politiques peuvent invalider les règles stochastiques si la simulation s’aventure en territoire « inexploré ». En définitive, la validité est empirique et doit être établie par la mesure.

Une dualité relie les prévisions probabilistes et les simulations stochastiques. À partir d’une prévision probabiliste, il est possible de générer des échantillons selon la distribution de probabilité sous-jacente ; on parle généralement de réalisations aléatoires. D’une prévision probabiliste complète, on peut déduire les règles stochastiques qui pilotent le système ; inversement, observer un simulateur révèle les probabilités de tous les résultats. Un simulateur peut donc estimer la distribution de probabilité complète sur tous les états admissibles ; on peut ainsi en déduire une prévision probabiliste.

En pratique, de nombreux détails techniques entravent la conversion entre prévision probabiliste et simulateur. La prévision peut ne pas être assez fine pour spécifier toutes les règles du simulateur. À l’inverse, le nombre d’exécutions nécessaires pour estimer toutes les probabilités peut être prohibitif. Malgré cela, cette dualité implique que les simulations stochastiques partagent les métriques de précision des prévisions probabilistes.

Il faut donc traiter un simulateur comme toute prévision : quantifier sa précision. Ce travail est technique ; ignorer l’évaluation quantitative expose à des erreurs coûteuses.

8 Décisions

La pratique de la supply chain consiste à allouer continuellement des ressources rares dans l’incertitude. Le but n’est pas un plan, mais un flux rentable : convertir la trésorerie en marchandises, les marchandises en service, le service en trésorerie — tout en préservant les options que les informations futures rendront précieuses. Même les entreprises de taille moyenne effectuent des milliers de ces allocations chaque jour, et les plus grandes, des millions ; le système de décision ne peut donc être improvisé. Il doit expliciter les choix, les valoriser, puis les ordonner et les exécuter pour qu’un logiciel puisse les émettre sans intervention humaine, en toute sécurité et à grande échelle. La systématisation ne sert pas seulement à empêcher un acheteur incontrôlé d’épuiser le fonds de roulement ; elle vise à produire des décisions qui, en espérance, offrent des rendements supérieurs après ajustement au risque.

Pour combler l’écart entre principe et pratique, nous précisons maintenant la notion de décision esquissée au chapitre 1.

Une définition, si nette soit-elle, laisse deux questions pratiques. Premièrement, où commence et où s’arrête une décision dès que le temps et le hasard interviennent ? Deuxièmement, selon quel critère unique comparer les alternatives lorsqu’elles puisent dans les mêmes réserves rares — trésorerie, capacités, attention ? En supply chain, une décision n’est pas une ligne d’un plan. C’est un engagement portant sur le flux, pris à une granularité assez fine pour changer les résultats économiques, dans l’incertitude, et consigné dans un registre que les événements futurs viendront auditer.

Rendre ces engagements calculables et auditables exige d’expliciter quatre ingrédients. Le cadre vient en premier : la sphère actuelle de capacité d’action — actions admissibles, tests de faisabilité, cadence et quelques effets de cliquet qui effacent les options de demain — doit être écrite, idéalement sous forme de code. Vient ensuite une vision probabiliste des futurs proches : demande, délais, retours, fiabilités et toutes les autres distributions qui affectent substantiellement les résultats. Troisièmement, toutes les pénalités et récompenses doivent être exprimées en monnaie et attribuées à des responsables — préjudice des ruptures, obsolescence, coût du capital par unité de temps, congestion, frais de retard, valeur de l’option d’attendre — afin que des frictions différentes deviennent comparables sur un même registre. Enfin, les engagements marginaux sont classés selon leur taux de rendement apériodique espéré, ajusté au risque ; ceux qui franchissent le seuil sont émis, consignés, puis jugés au regard des résultats réalisés.

Les chapitres précédents ont préparé cette position : l’optionalité et la variabilité (chapitre 1) fournissent l’espace des actions et expliquent pourquoi une perspective probabiliste est indispensable ; l’économie (chapitre 4) fournit l’objectif exprimé en unités monétaires ; l’information et l’intelligence (chapitres 5–6) délimitent les rôles des registres, des rapports et des moteurs de décision. Ce chapitre met ces éléments en pratique. Il commence par penser la décision : expliciter le cadre, bannir les artefacts, ouvrir les paramètres économiques à l’examen et rétablir le raisonnement à la marge. Les sections suivantes examinent l’exécution sans intervention humaine et les mécanismes d’optimisation adaptés aux choix répétés et chargés d’incertitude, afin que chaque engagement devienne un petit pari valorisé que l’entreprise puisse à la fois défendre ex ante et auditer ex post.

8.1 Penser la décision

Une décision, telle que définie ci-dessus, est un engagement qui efface des alternatives. Penser la décision commence donc un pas en amont, par l’acte qui détermine quelles alternatives seront ne serait-ce qu’envisagées et comment elles seront valorisées. Dans la plupart des entreprises, cet acte préalable reste tacite. On parle dans la grammaire de « politiques » familières — FIFO, camions complets, quantités minimales de commande, plans de rayonnage — si bien que le choix paraît évident et les options écartées, invisibles. Le danger n’est pas une erreur administrative, mais un glissement métaphysique : une politique se substitue silencieusement à la question économique à laquelle elle devait répondre. Inverser ce glissement — faire resurgir la question, garder les artefacts à leur place, expliciter les paramètres économiques et raisonner à la marge — transforme la prise de décision, jusque-là rituelle, en une pratique scientifique adaptée à l’automatisation.

8.1.1 Expliciter le cadre

Les managers sont tentés de penser en termes de solutions : ce n’est pas une folie, mais une heuristique juste et utile. L’espace des « problèmes » concevables est sans limites — concevoir un moteur antigravité est aussi un problème — et, sans la piste d’une solution, la plupart des recherches seraient vaines. Pourtant, penser d’abord en termes de politiques se fossilise rapidement. « Servir les magasins en FIFO » commence comme une règle empirique convenable, puis se durcit en doctrine ; chaque exception est corrigée par une autre règle, et bientôt l’entreprise se dirige selon une jurisprudence accumulée.

Ce qu’il faut expliciter, avant toute politique, est le cadre. C’est la frontière concrète et vérifiable de la capacité d’action pour le cycle de décision présent : ce qui peut être modifié maintenant et ce qui ne le peut pas ; les options admissibles ; les éléments aléatoires qui compteront ; les engagements qui verrouilleraient l’avenir par effet de cliquet ; et les prix auxquels cette tranche de réalité sera jugée. Le cadre doit être écrit, pas simplement décrit. Dans une organisation moderne, il existe sous forme de code : un court programme qui énumère les actions admissibles, encode les tests de faisabilité et appelle la fonction de valorisation. Si le programme est long, le cadre est confus ; si le programme est opaque, le cadre est politique.

Une fois cadrée, une même situation admet différentes actions. Considérons un importateur qui remplit ses conteneurs « produit par produit jusqu’à ce qu’ils soient pleins », reportant le reste au départ suivant. La politique paraît prudente ; le cadre qu’elle masque est pourtant bien étroit. Explicitez les options admissibles — chargements groupés entre fournisseurs, transbordement temporaire vers d’autres régions, petits ajustements de prix synchronisés avec les départs, choix tardif entre articles similaires — et l’optimisation ne cherche plus dans un seul couloir, mais parcourt un petit atlas. Le gain vient moins d’un solveur plus astucieux que d’une meilleure question. La conception du problème n’est pas la cerise sur le gâteau ; c’est le gâteau.

8.1.2 Bannir les artefacts

Dès qu’un cadre existe, des artefacts numériques apparaissent dans les mécanismes : prévisions, tampons, taux de service, étiquettes ABC, budgets et leurs innombrables cousins. Ils sont souvent utiles comme représentations intermédiaires, tout comme le chimiste utilise des réactifs qui ne quittent jamais sa paillasse. Les ennuis commencent lorsqu’un artefact s’échappe du laboratoire et se trouve érigé en cible. La loi de Goodhart prend alors le relais : la mesure devient l’objectif et cesse de mesurer.

Le taux de service est l’évadé classique. Il est né comme approximation d’un arbitrage monétaire entre le préjudice des ruptures et le coût de possession ; il a fini en pourcentage qui commande à l’organisation. Les planificateurs l’augmentent pour se rassurer, la finance l’abaisse pour libérer de la trésorerie ; aucun des deux camps n’est contraint d’expliciter les prix. La précision des prévisions joue le même rôle dans la planification téléologique : on célèbre son amélioration même lorsque le bénéfice baisse.

Les artefacts doivent être tenus en laisse. À l’intérieur du moteur de décision, ils sont acceptables comme coordonnées transitoires qui rendent un calcul praticable ; à l’extérieur, ils n’ont aucune légitimité propre. Un réapprovisionnement n’est pas « bon » parce que son SKU atteint un taux de service de 97 % ; il est bon parce que, compte tenu des options, des contraintes et des futurs probabilistes considérés dans le cadre, il maximise le taux de rendement de l’entreprise ajusté au risque. Le moteur peut tout à fait calculer une distribution de la demande quotidienne, un « taux de service » fictif qu’implique la pénalité de rupture, et un coût du fonds de roulement par unité et par jour ; il peut même les afficher pour examen. Mais les tableaux de bord et les incitations doivent s’ancrer dans les décisions et leurs résultats économiques réalisés, pas dans la verrerie de laboratoire qui a aidé à les calculer.

Il existe une deuxième raison de chasser les artefacts de leur autel : ils sont systématiquement plus difficiles à valoriser que la décision elle-même. Un chiffre de stock de sécurité n’a pas de signification économique invariante d’un article, d’une saison ou d’une région à l’autre ; son mérite dépend entièrement des pénalités et opportunités cachées qu’il représente. Transformer un tel caméléon en KPI invite la bureaucratie à coloniser le flux. Le remède consiste à traiter chaque artefact comme un objet interne et provisoire, recalculé selon les besoins à partir des enregistrements faisant autorité, jamais maintenu à la main, jamais érigé en cible et abandonné dès qu’une meilleure représentation interne se présente.

Les artefacts ne sont pas seulement numériques. Les organisations produisent aussi des artefacts bureaucratiques — politiques et cloisonnements — qui commencent comme garde-fous sommaires pour les processus avec intervention humaine, puis se figent en règles qui se substituent à la question économique. Lorsqu’ils quittent le laboratoire et acquièrent un statut institutionnel, ces artefacts faussent les décisions exactement comme les taux de service : le moyen devient la fin.

Comme le rappelait l’historien britannique Cyril Northcote Parkinson dans Parkinson’s Law (1957), « le travail se dilate jusqu’à occuper tout le temps disponible pour son achèvement ». Les bureaucraties grandissent par réflexe ; les grandes organisations qui gèrent d’importantes supply chains ne font pas exception. À mesure qu’elles grossissent, des règles superflues et des cloisonnements internes s’accumulent dans leurs processus de décision, principalement sous forme de contraintes inventées et de silos inventés, qui sapent tous deux l’efficacité et brouillent les responsabilités.

Les contraintes inventées apparaissent généralement après un incident. Roger, aux achats, commande par erreur l’équivalent de dix-huit mois de ventes ; en réaction, la direction impose un plafond de « six mois de ventes » aux commandes d’achat, mesuré par une moyenne mobile. Dans un fonctionnement manuel, les employés appliquent ce plafond avec bon sens : ils l’ignorent pour les nouveaux produits sans historique, pour les articles très saisonniers dont le comparable remonte à douze mois, pour les produits en forte croissance dont l’avenir dépasse de loin le passé, ou pour les promotions planifiées dont la hausse des ventes est délibérément provoquée. Un moteur sans intervention humaine ne peut pas « ignorer raisonnablement » les règles : soit il les respecte à la lettre, soit il est déclaré non conforme.¹³²

Le remède fait écho au traitement des artefacts numériques : garder ces règles internes au moteur et les exprimer comme des tests de faisabilité et des pénalités valorisées, pas comme des commandements publics. Si acheter au-delà d’un plafond naïf de « six mois » est parfois rationnel, ce plafond doit figurer dans l’objectif comme une nuisance exprimée en unités monétaires, pas comme un veto ; nouveauté, saisonnalité et hausses provoquées deviennent des caractéristiques explicites du cadre, pas des exemptions tribales. Une règle écrite en code, valorisée et attribuée à un responsable, est lisible et contestable ; une règle écrite comme un décret invite à la manipulation et étouffe l’automatisation.

Les silos inventés fragmentent une seule question économique en une procession d’artefacts pour que des équipes peu outillées puissent la traiter. Un distributeur de mode, par exemple, fait passer le flux entrepôt-magasin par trois artefacts : une liste d’assortiment (ce qu’un magasin peut proposer), une dotation de lancement (combien au départ) et une règle de réapprovisionnement (quoi envoyer ensuite). La chorégraphie paraît bien ordonnée ; elle fabrique discrètement des contraintes. La liste d’assortiment engage à l’avance l’espace en rayon et interdit des substitutions que les premières ventes justifieraient ; la dotation de lancement préalloue de la main-d’œuvre, du transport principal et de la capacité de présentation en rayon, que le réapprovisionnement doit ensuite racheter, souvent au prix fort ; la règle de réapprovisionnement prétend alors optimiser ce qui reste. De l’argent est laissé sur la table parce que la question sous-jacente — où une unité supplémentaire produit-elle le rendement ajusté au risque le plus élevé, compte tenu des contraintes actuelles ? — a été divisée en procédures délimitées par des artefacts avant de pouvoir être posée de bout en bout.

Là encore, les artefacts doivent rester en laisse. Les silos peuvent les administrer ; ils ne doivent pas détenir la décision. Le moteur doit voir le cadre de bout en bout — actions admissibles, contraintes partagées et prix — et produire un flux unique d’engagements. Si la gouvernance exige des frontières organisationnelles, l’interface doit transmettre des prix et des conditions de faisabilité, pas des quotas et des vetos : le centre de distribution (DC) publie des prix fictifs pour les ressources rares ; les magasins publient des pénalités de rupture ; l’assortiment est une proposition que le moteur peut élargir lorsque les résultats économiques le justifient. Autrement dit, garder les cérémonies locales et l’économie unifiée.

Une fois les artefacts, numériques et bureaucratiques, domestiqués comme objets internes, valorisés et provisoires, tout est prêt pour le seul débat qui compte : les prix eux-mêmes. La section suivante aborde directement ce point.

8.1.3 L’économie du système

Le chapitre précédent a établi la monnaie comme échelle commune de l’entreprise. L’économie du système exige que chaque décision soit valorisée du point de vue de l’entreprise entière, pas d’un KPI départemental. En pratique, cela signifie que les prix dans la fonction objectif — préjudice des ruptures, obsolescence, congestion des rayons, frais de retard, coût du fonds de roulement, valeur de l’option d’attendre, dégradation des relations — sont énoncés une fois pour toute l’entreprise, attribués à des responsables nommés, versionnés et exposés. Les prix dissimulés ne deviennent pas neutres ; ils biaisent le flux en faveur de celui qui les a introduits en contrebande. Une pénalité cachée sur les commandes en souffrance est un intérêt particulier déguisé en science.

Étendre le raisonnement économique à tout le système n’exige pas un plébiscite pour chaque unité monétaire ; cela exige des chiffres lisibles et contestables par toutes les fonctions. La finance doit publier le coût du capital et les limites de liquidité de l’entreprise ; les équipes opérationnelles doivent les traduire en coûts par unité et par jour, reflétant les demi-vies des stocks et leurs valeurs de liquidation. Le merchandising ne doit pas exiger « 98 % de disponibilité » sans valoriser le point suivant en unités monétaires par jour ; la logistique ne doit pas imposer des seuils de camion complet sans valoriser la congestion et les effets de débordement qu’ils évitent. Là où des marchés existent, empruntez les prix externes ; ailleurs, établissez des valorisations internes et défendez-les. Pour arbitrer entre silos, les ressources rares partagées — créneaux à quai, espace en rayon, temps de ligne, capital — doivent porter des prix fictifs : des chiffres provisoires, calculés par le moteur, qui expriment le coût d’opportunité actuel d’une unité supplémentaire utilisée. Ils remplacent les quotas et les vetos ; ils ne constituent pas une nouvelle politique. Nous y revenons plus bas, dans la discussion des décisions séquentielles. Le but n’est pas l’unanimité, mais la comparabilité sur le compte de résultat de l’entreprise. Une fois les pénalités et récompenses exprimées dans l’unité monétaire commune, des options qui relevaient autrefois de provinces différentes — « accorder un remboursement au-delà de la politique prévue », « acheter une unité supplémentaire d’un SKU de longue traîne », « retenir un camion pour compléter une tournée », « prolonger le délai de retour pour cette catégorie de clients » — se disputent les ressources sur le même registre.

Cette vision systémique clarifie aussi les responsabilités. Si une décision produit systématiquement des résultats insuffisants lorsqu’ils se matérialisent, le dossier montre si la défaillance vient du cadre (options omises), des prévisions (queues mal calibrées) ou des prix (pénalités mal énoncées). Les corrections visent alors l’ingrédient défectueux plutôt que de se diluer dans de vagues appels à « mieux collaborer ». Les KPI locaux perdent leur alibi : une action qui flatte l’indicateur d’un département, mais détruit des unités monétaires ailleurs, sera mise au jour par le registre agrégé. Les prix cachés engendrent des jeux politiques ; les prix ouverts à l’échelle du système engendrent de la performance. Une fois les prix définis pour toute l’entreprise, le moteur revient à sa position naturelle : raisonner à la marge sur un registre unique.

8.1.4 Adopter le raisonnement à la marge

L’économie est une discipline marginaliste ; la supply chain l’est aussi lorsqu’elle est correctement pratiquée. La question pertinente n’est presque jamais « quel est le bon niveau de stock pour ce SKU cette saison ? », mais « quel est le rendement ajusté au risque d’une unité supplémentaire, ici et maintenant, compte tenu de tout ce qui est déjà engagé ? ». La réponse est un nombre en unités monétaires par unité et par unité de temps, qui change à mesure que l’engagement change. Penser à la marge oblige à considérer la granularité, le temps et les éventualités.

La granularité d’abord. Les décisions doivent être calculées à la granularité la plus fine qui change substantiellement leurs résultats économiques. Pour les produits de base, l’unité est une pièce ; pour le transport, un arrêt ou un mètre cube ; pour les pièces aéronautiques réparables, un numéro de série dont les cycles et les heures rendent deux pièces du même P/N économiquement incomparables. Une compagnie aérienne peut à juste titre vendre une unité donnée pour répondre à la demande AOG (Aircraft On Ground) d’un concurrent, tout en conservant une autre unité apparemment identique pour se couvrir contre son propre risque extrême ; les valeurs marginales divergent parce que les futurs contre lesquels elle s’assure diffèrent.

Le temps ensuite. Les valeurs marginales sont apériodiques : elles doivent tenir compte de la demi-vie de la charge, pas seulement du délai. Une caisse écoulée en deux jours avec un paiement différé peut être très rentable, alors que la même caisse, payée d’avance et vendue sur huit semaines, est médiocre. Lorsque le moteur classe les actions admissibles selon leur taux de rendement apériodique, comme le préconise le chapitre Économie, il préfère naturellement les paris à cycle court et pénalise les longs effets de cliquet, à moins que leurs gains potentiels soient à la hauteur.

Enfin, les éventualités. Les marges se jouent sur des distributions, pas sur des points. L’unité supplémentaire qui paraît rentable selon la prévision médiane peut devenir ruineuse dès que l’on reconnaît un délai à queue épaisse ; inversement, une unité qui paraît superflue dans un modèle à queues fines devient attrayante lorsqu’une rupture rare, mais catastrophique, est correctement valorisée. Voilà pourquoi une prévision probabiliste n’est pas un luxe : elle est le substrat sur lequel opère le calcul marginal.

À grande échelle, adopter le raisonnement à la marge transforme le travail quotidien de l’entreprise en un reclassement continuel de millions de micro-options. Chaque nouvel engagement redessine la frontière : des prix fictifs apparaissent sur les contraintes serrées, les actions concurrentes changent les gains, la meilleure prochaine action d’hier devient la troisième meilleure d’aujourd’hui. Un plan statique ne peut valoriser des frontières mouvantes ; un moteur de décision le peut. Il ne fait pas surgir la certitude ; il calcule à chaque instant le meilleur pari suivant et l’inscrit dans le registre avec ses raisons. Le reste n’est que tenue des registres.

Penser la décision ainsi — cadre explicite, artefacts domestiqués, paramètres économiques ouverts, marges souveraines — n’ajoute pas de cérémonial. Cela retranche de la superstition. Cette position rejoint aussi la vision de terrain du chapitre précédent : les décisions deviennent de petits paris auditables pris dans l’incertitude, guidés par des prix que l’entreprise est prête à défendre et révisés à mesure que la réalité se dévoile.

8.2 Pourquoi automatiser

Les ordinateurs ne sont pas fiables, mais les humains le sont encore moins. Tout système qui dépend de la fiabilité humaine n’est pas fiable. L’une des nombreuses lois de Murphy.

Les pages précédentes ont défini une décision comme un engagement auditable qui efface des alternatives et ne se justifie que par son taux de rendement espéré ajusté au risque. Une fois le cadre explicité et les paramètres économiques ouverts, une supply chain devient ce qu’elle a toujours été en substance : une fabrique d’innombrables petits paris dont l’avantage se gagne à la marge. À l’échelle moderne, cet avantage est inaccessible à des employés sans assistance. Ce qui les épuise n’est pas l’arithmétique — les tableurs les déchargent déjà de ce fardeau —, mais la combinatoire des options admissibles, les exigences du raisonnement probabiliste en présence de queues épaisses et la revalorisation continuelle des contraintes à mesure que la réalité évolue. Si le goulet d’étranglement se fait sentir dans les tableaux de bord SQL plutôt que dans l’acier et le diesel, l’entreprise a choisi de se limiter dans le seul domaine où les limites sont les moins contraignantes : le calcul.

Il existe une deuxième raison, plus discrète, d’automatiser : la répétition sous contrôle. Un processus manuel ou semi-manuel change chaque fois que les personnes changent ; rotation des effectifs, corrections locales et déplacements de l’attention rendent la référence d’hier incomparable à celle d’aujourd’hui. À l’inverse, un processus sans intervention humaine peut être dupliqué, perturbé et mesuré. Deux recettes numériques peuvent fonctionner en parallèle sur les mêmes registres — l’une faisant autorité, l’autre à titre d’essai — avec le même personnel, car aucune n’exige de supervision quotidienne. Mesuré ainsi, le progrès cesse d’être une question d’opinion ; il devient un écart audité en unités monétaires.

Les tableurs ont rendu le travail administratif tolérable ; ils ne l’ont jamais rendu efficace. Leur « logique » est un enchevêtrement de formules ad hoc qui n’encodent aucun cadre et ne valorisent pas l’incertitude. Le résultat est familier : corrections de dernière minute, tampons de sécurité empilés sur d’autres tampons et hâte ritualisée dans laquelle un employé doit finaliser cent quantités avant déjeuner. Il est tentant d’imaginer qu’accorder davantage de temps à chacun produirait de meilleures réponses. En pratique, cette pause gonfle les effectifs, renforce les silos et retarde les engagements — chaque retard constituant un coût d’opportunité qui apparaît rarement sur le tableau de bord, mais toujours dans le compte de résultat.

L’automatisation, au sens où nous l’entendons ici, ne consiste pas à « utiliser davantage de logiciels ». C’est la décision institutionnelle de laisser les systèmes d’intelligence, introduits plus tôt, calculer, émettre et consigner les décisions sans intervention humaine dans les conditions normales. La suite examine cette position sous plusieurs angles : comme actif, comme discipline des interventions correctives, comme tournant culturel et comme aboutissement naturel d’une trajectoire séculaire allant du management aux machines.

8.2.1 Un actif productif

L’automatisation transforme la prise de décision : d’un travail périssable, elle fait un bien d’équipement. Un système d’intelligence n’est pas un rapport qui « assiste » un planificateur ; c’est un moteur qui engage des unités monétaires au nom de l’entreprise selon un objectif qu’il peut défendre. Le profil des dépenses s’inverse : ce qui relevait des OPEX — des heures passées à retoucher des cellules — devient du CAPEX — une base de code dont le coût d’exploitation est négligeable par rapport au volume de choix traités. Chaque journée d’ingénierie consacrée à améliorer cet actif crée de la valeur : soit les décisions s’améliorent, soit le calcul coûte moins cher, soit la maintenance s’allège. Si rien de cela ne se produit, aucune dépense supplémentaire ne se justifie.

Cet actif est productif parce qu’il encode le cadre et les prix. Des heuristiques non formulées qui vivaient autrefois dans les notes internes et les réunions migrent vers du code sous gestion de versions. Le moteur lit les enregistrements faisant autorité, infère les distributions pertinentes — demande, délais, retours, durées de réparation —, évalue les options admissibles sous ces distributions et écrit en retour des engagements auditables. Il le fait à la cadence qu’exige la réalité, pas au rythme qu’un comité peut supporter. L’exécution parallèle devient habituelle : la recette en place tient la plume, tandis qu’une candidate produit des décisions à titre d’essai, et un écart A/B net s’accumule dans le registre. Lorsque la confiance baisse — les queues semblent mal calibrées, une contrainte commence à devenir limitante de manière inattendue —, les heuristiques d’arrêt suspendent l’émission ; la solution de repli n’est pas un millier d’exceptions, mais un arrêt et une correction.

Un logiciel coûte peu à exécuter et, s’il reste petit et lisible, peu à maintenir. Sa limite de performance n’est pas la patience humaine, mais les paramètres économiques qui y sont encodés. Toute connaissance véritable — sur la substitution, le report ou l’accélération, le réacheminement, la valeur de l’option d’attendre — peut être intégrée au code, puis appliquée à l’échelle de la machine. Le plafond administratif disparaît ; reste le plafond stratégique fixé par la capacité de l’entreprise à donner un prix à ce qu’elle valorise.

8.2.2 Les corrections manuelles

L’automatisation pose toujours la question du moment où intervenir. Un arrêt d’urgence a sa place dans toute machine motorisée ; des « corrections manuelles » de routine signalent généralement un défaut de conception.

Les éditeurs atténuent depuis longtemps la fragilité de leur automatisation en enrôlant les utilisateurs comme coprocesseurs humains. Les alertes et les « exceptions » inondent les boîtes de réception ; on demande aux planificateurs d’examiner la plupart des résultats et d’en modifier beaucoup. Cette pratique va à l’encontre du but recherché. Si un système a besoin d’une personne pour repérer les mauvaises décisions, cette personne cessera vite de lui faire confiance, et l’organisation reviendra à une mise en scène sur tableur, avec des étapes supplémentaires.

Le remède relève de l’architecture plutôt que de l’exhortation. Premièrement, le moteur doit être construit pour que chaque décision émise soit solide selon ses propres critères : inscrite dans les options admissibles, valorisée en unités monétaires et justifiée par une vision probabiliste de l’avenir. Deuxièmement, dans le doute, le moteur doit s’arrêter, pas importuner. S’arrêter n’est pas abdiquer ; c’est gagner du temps pour les seules interventions qui améliorent durablement les résultats : modifier le cadre, les prix ou la sémantique des prévisions. Troisièmement, la confiance se gagne par la conception : exécution parallèle avant la bascule ; dossiers visibles pour chaque engagement ; valorisations explicites et versionnées ; et écarts mesurés après coup. Le chapitre Ingénierie nommera cette discipline optimisation expérimentale.

Les interventions correctives ne disparaissent pas ; elles changent de nature. Une intervention rare et ciblée modifie une valorisation (« la pénalité de rupture pour cette catégorie de clients était sous-estimée »), restreint l’ensemble des options (« ne pas expédier de batteries au lithium par avion ce mois-ci ») ou corrige un défaut sémantique (« ce champ a changé de sens après le correctif de l’ERP »). Elle ne griffonne pas un autre chiffre sur une commande d’achat en laissant la machine intacte.

8.2.3 Culture et remous

L’augmentation de la productivité déstabilise invariablement les acteurs en place. Tibère refusait les grues ; les luddites brisaient les métiers à tisser. Les entreprises modernes ne sont épargnées ni par l’anxiété ni par les jeux politiques, et les cols blancs font face à une nouveauté : on leur demande de contribuer à automatiser leur propre emploi.

Le paradoxe disparaît dès que les rôles sont clairement compris. Le travail à mécaniser est la corvée administrative consistant à appliquer les heuristiques d’hier. Le travail à valoriser consiste à formuler les cadres et les prix, à préserver la sémantique et à reconfigurer rapidement la logique lorsque le monde change. Les cultures du logiciel ont résolu cette tension il y a des décennies. Elles prisent les personnes qui rendent leur propre présence au clavier obsolète, car la valeur se déplace vers le problème suivant : l’outil devient l’actif ; l’ingénieur passe à autre chose. Là où cette culture rencontre de la résistance, ce sont les marchés, pas les notes internes, qui tranchent. Les entreprises qui refusent de faire fructifier cet actif sont évincées par celles qui le font.

Les dirigeants ne peuvent acheter cette culture sur étagère, mais ils peuvent supprimer les incitations qui l’empoisonnent. Récompensez la qualité des décisions, pas le nombre de postes. Payez les éditeurs pour des résultats, pas pour des connexions. Promouvez ceux qui améliorent les cadres et les valorisations, pas ceux qui entretiennent de plus grands tableaux de bord. Surtout, donnez aux rares personnes capables de reconfigurer réellement le moteur le mandat de le faire rapidement : leur levier dépasse de loin celui d’une salle remplie d’ordonnanceurs humains.

Deux schémas récurrents méritent d’être mis en lumière. Premièrement, les effectifs restent un indicateur de statut. Les managers qui augmentent le nombre de « postes » sous leur autorité gagnent en budget et en influence ; l’automatisation, qui réduit fortement ces postes, ressemble à une rétrogradation. Inversez la monnaie d’échange. Liez le prestige au gain obtenu par personne et par watt. Faites de la réduction des postes nécessitant une intervention humaine un objectif explicite et célébrez les équipes qui rendent leur propre présence au clavier obsolète ; dans une culture du logiciel, c’est un progrès, pas une abdication.

Deuxièmement, les licences par poste et les indicateurs d’« engagement » rendent les éditeurs complices du maintien des humains dans la boucle. Un système facturé à la connexion, au clic ou à l’« utilisateur actif » s’oppose économiquement à un flux sans intervention humaine. Les contrats doivent être tarifés selon les résultats recherchés par l’entreprise — volume d’engagements émis sans intervention humaine avec des pistes d’audit, gains mesurés par rapport à une référence en exécution parallèle, délai de reconfiguration de la logique après un changement de cadre —, pas selon l’agitation administrative induite par l’outil. Lorsque l’argent rémunère des résultats plutôt que des écrans, les incitations s’alignent sur l’automatisation au lieu de s’y opposer.

Enfin, méfiez-vous de la mise en scène des indicateurs : lorsque les primes dépendent de pourcentages de précision ou de scores de ponctualité détachés de valorisations monétaires, l’énergie sert à améliorer l’indicateur plutôt que les résultats économiques.

8.2.4 L’exceptionnalisme humain

L’affirmation selon laquelle « un ordinateur ne doit jamais prendre une décision de management, car il ne peut être tenu responsable »¹³³ paraît humaniste ; elle est en réalité confuse. La plupart des grandes organisations appliquent déjà de vastes ensembles de règles qui ne laissent aucune marge d’appréciation. Le blocage du crédit pour les comptes en retard de paiement s’applique, qu’une personne clique sur le bouton ou qu’un programme le fasse. La responsabilité incombe aux auteurs de la politique et aux dirigeants qui ont approuvé les prix et les contraintes qu’elle encode, pas à l’employé qui l’exécute.

Exiger une main humaine pour le symbole dégrade à la fois la vitesse et la qualité. Cela invite aussi à une défaillance plus grave : une responsabilité invisible. Lorsqu’une règle vit dans un tableur et qu’une exception courante est griffonnée dans une cellule, personne n’apprend. Lorsque la même règle vit dans du code et qu’un cas aberrant impose un arrêt, la conception est amendée au grand jour. Le test pertinent est économique, pas anthropomorphique : avec les mêmes données d’entrée, les mêmes options admissibles et la même piste d’audit, le système produit-il un bénéfice d’exploitation ajusté au risque supérieur à celui du système en place ? Si oui, il est « assez intelligent » pour cette tâche.

8.2.5 Du management aux machines

L’énigme n’est pas de savoir pourquoi l’automatisation est souhaitable, mais pourquoi elle a mis si longtemps à devenir habituelle hors de quelques niches. Pendant l’essentiel du 20^e siècle, les processus de décision relevaient nécessairement du management ; seuls des esprits humains pouvaient assimiler l’information et produire des choix sensés. La question devenait alors celle de la répartition du travail entre de nombreux esprits. Les auteurs du conseil proposaient des assemblages élaborés de comités et de calendriers pour rendre cette division supportable. Le défaut fondamental restait tacite : ce qui est « meilleur » pour une partie coïncide rarement avec ce qui est meilleur pour l’ensemble. Une division d’équipement de la maison qui déploie un million d’unités monétaires avec un rendement espéré de dix pour cent peut, sans malveillance, empêcher la division d’ustensiles de cuisine de déployer le même million à quinze pour cent. Aussi finement l’organisation soit-elle découpée, tous les managers puisent dans les mêmes réserves finies de trésorerie, de stocks, de capacités et d’attention.

Les méthodes bureaucratiques ont tenté d’y remédier par davantage de communication. Réunions, notes internes et remontées hiérarchiques transportaient des fragments de connaissance vers le haut, puis vers le bas, dans l’espoir d’un alignement. Pourtant, l’allocation est quantitative ; sans registre commun de prix, la coordination redevient hiérarchique. La recherche opérationnelle, née en temps de guerre, promettait un autre avenir : laisser les algorithmes optimiser l’allocation de bout en bout. Les contraintes matérielles, une sémantique des données rudimentaire et le goût des modèles-jouets déterministes ont conjugué leurs effets pour émousser cette promesse. Dès la fin des années 1970, Russell Ackoff en écrivait déjà la nécrologie.

Les tableurs ont comblé le vide. Ils ont multiplié la capacité administrative, mais figé la prise de décision à un stade préscientifique. Les tentatives de les remplacer par des modules de « planification » ont échoué, car ces modules héritaient de la même position déterministe et du même culte des artefacts. Les utilisateurs sont revenus aux fichiers ; les éditeurs ont ajouté des écrans. La charge de décision est revenue aux rangs des cols blancs, désormais plus nombreux que les cols bleus qui déplacent les cartons.

La logique économique n’a jamais changé : les décisions répétitives de supply chain peuvent et doivent être automatisées. Les conditions nécessaires ont mûri discrètement. Les systèmes d’enregistrement se sont stabilisés ; les méthodes probabilistes, autrefois exotiques, sont devenues banales ; le matériel est devenu bon marché ; et une nouvelle espèce architecturale — les systèmes d’intelligence — est apparue pour se placer aux côtés des registres et des rapports plutôt que de prétendre les remplacer. Des moteurs de décision entièrement sans intervention humaine fonctionnent en production depuis plus d’une décennie chez les pionniers¹³⁴. Ce modèle se répandra, et les tableurs conserveront leur place de couteaux suisses : utiles pour dépanner, absents de la chaîne de production.

Deux autres obstacles, souvent négligés, expliquent ce long retard. Premièrement, répartir une décision entre de nombreuses têtes est intrinsèquement périlleux. Il n’existe aucun ordre naturel qui rende les choix locaux commutatifs. Les budgets publicitaires, l’espace en rayon et les capacités d’usine pour un nouveau produit se contraignent mutuellement ; l’équipe qui « passe en premier » enferme les autres dans un couloir moins avantageux. La bonne solution n’est pas un autre comité, mais une instance d’optimisation unifiée qui mobilise l’expertise de chaque équipe là où elle a sa place — dans les valorisations, les contraintes et les scénarios — tout en laissant le solveur synthétiser un engagement unique. Les engagements d’hier, une fois exécutés, reviennent comme données ; le cycle suivant se déroule dans un espace plus étroit, mais plus clair. Deuxièmement, les organisations accumulent des contraintes inventées pour se protéger de leurs propres erreurs passées. Les processus manuels survivent en ignorant ces règles lorsque le bon sens l’exige ; le logiciel ne le peut pas. Le coût de l’automatisation se paie donc d’avance, par la suppression ou la revalorisation de ces contraintes ; le dividende est versé indéfiniment, sous forme de cadres plus nets et de rendements supérieurs.

La trajectoire générale est familière. Au cours des trois derniers siècles, les entrepreneurs en quête de bénéfices ont sans relâche substitué du capital au travail, et la part des cols bleus a diminué en conséquence. Dans de nombreuses régions industrialisées, les effectifs qui gèrent le flux dépassent désormais ceux qui le déplacent physiquement¹³⁵. Le prochain gain de productivité viendra de l’automatisation de la part administrative du travail des cols blancs. La résistance sera vive ; l’économie sera patiente, et décisive.

Enfin, un mot sur la question technologique : « pourquoi pas plus tôt ? ». Jusqu’à récemment, trois conditions préalables manquaient. Les registres étaient trop fragiles pour servir de vérité de référence faisant autorité ; le raisonnement probabiliste était trop lourd pour être intégré au code quotidien ; et les éditeurs étaient récompensés pour vendre du CRUD au prix de l’intelligence. Ces trois éléments ont changé. Les systèmes d’enregistrement ont atteint un plateau de valeur et de fiabilité ; les chaînes d’outils probabilistes tiennent sur un ordinateur portable ; et les acheteurs ont appris à distinguer tenue des registres, reporting et moteurs de décision. Une fois ces éléments en place, l’argument en faveur de l’automatisation n’est pas rhétorique ; il est arithmétique.

En somme, nous automatisons pour remettre l’économie aux commandes, pas pour peaufiner un plan. Les moteurs de décision sans intervention humaine placent le goulet d’étranglement là où il doit être — dans les atomes et les heures — tout en fournissant la seule condition préalable à une amélioration durable : des expériences comparables, menées chaque jour à grande échelle, avec des unités monétaires en jeu.

8.2.6 Par où commencer

L’automatisation n’est pas un slogan ; c’est un problème d’allocation : où dépenser la prochaine unité monétaire d’effort d’ingénierie pour que les décisions sans intervention humaine se rentabilisent le plus vite ? En pratique, la notion opératoire est la difficulté d’un processus de décision, comprise économiquement comme l’inverse du rendement espéré des investissements destinés à l’améliorer. Rendement espéré élevé, difficulté faible ; rendement espéré faible, difficulté élevée. Deux régimes comptent surtout. La difficulté de base est le coût de migration d’un flux, depuis des tableurs manipulés par des humains vers un moteur de décision sans intervention humaine, dans un cadre explicite. La difficulté marginale est le coût du gain de performance suivant pour un flux déjà automatisé.

L’idée est simple et frappante : l’échelle réduit la difficulté de base. Lorsque des millions de petits engagements similaires se répètent et que le cadre peut être écrit — options admissibles, tests de faisabilité et prix monétaires —, les premières étapes d’automatisation se rentabilisent généralement vite. À l’inverse, les petites niches singulières combinent faible gain et difficulté marginale élevée ; ce sont les pires points de départ, à traiter en dernier, si séduisante que soit leur apparente simplicité.

Considérons un distributeur alimentaire dont le centre de distribution national alimente chaque nuit 800 magasins. L’automatisation des expéditions du DC vers les magasins présente un cadre court et lisible : les actions admissibles sont « expédier 0/1/2 unités du SKU \(i\) au magasin \(j\) ce soir » ; les tests de faisabilité portent sur le volume des camions, les créneaux à quai et les plafonds des magasins ; les prix couvrent le préjudice des ruptures, le vieillissement, le transport principal et la manutention, plus un prix fictif sur le stock du centre de distribution ; les distributions portent sur les ventes du lendemain et le risque de retard des camions. Une seule recette numérique couvre alors des dizaines de milliers de micro-décisions homogènes par jour, si bien qu’une première passe — accumulation gloutonne sous ces prix, avec arrêt lorsque la confiance baisse — se rentabilise rapidement. À l’inverse, commencer par un flux sur mesure — assortiments éphémères trimestriels pour douze magasins phares, mêlés à des règles de merchandising visuel, à des événements de lancement ad hoc et aux jeux politiques des planogrammes — offre peu d’échelle et des prix flous ; le « cadre » est surtout cérémoniel. Le grand fleuve est plus facile que la flaque : l’échelle réduit la difficulté de base, tandis que la singularité l’augmente.

Les ingénieurs interprètent souvent mal les courbes de temps de calcul des solveurs. Pour une technique donnée, agrandir un modèle — davantage de variables, davantage de contraintes — induit presque invariablement une croissance superlinéaire de la consommation de CPU et de mémoire.¹³⁶ Cette courbe est une propriété de la méthode, pas du problème d’entreprise. L’économie fournit des leviers que la courbe ignore : rendre le cadre plus grossier partout où la granularité ne change pas les résultats monétaires ; raccourcir les horizons jusqu’au prochain moment de contrôle ; remplacer les limites rigides et fragiles par des pénalités valorisées ; et aider le solveur par des démarrages à chaud et des décompositions, afin que la réponse d’hier accélère la recherche d’aujourd’hui. Le but n’est pas la pureté algébrique, mais le rendement ajusté au risque dans un budget de calcul raisonnable, jour après jour. En pratique, une formulation approximative, mais valorisée, qui s’exécute de manière fiable surpasse les modèles « exacts » qui dépassent le temps imparti — et les deux surpassent le traitement administratif sur tableur dès que l’échelle est suffisante.

Il en découle un tri pratique. Commencez là où le cadre est court et lisible : les options peuvent être énumérées sans héroïsme, les tests de faisabilité sont mécaniques plutôt que politiques, et les prix qui gouvernent l’objectif — préjudice des ruptures, obsolescence, coût du capital par unité de temps, valeur de l’option d’attendre — peuvent être énoncés, attribués à des responsables et versionnés. Privilégiez les flux dont la cadence donne au moteur le temps de réfléchir, de quelques minutes à quelques heures : achats et consolidation outre-mer, expéditions du DC vers les magasins, rééquilibrage des stocks dans le réseau, approvisionnement en pièces réparables. Différez les micro-niches dont l’économie repose sur des prix implicites non résolus : ce sont d’abord des problèmes de gouvernance, avant d’être des problèmes d’ingénierie. Surtout, laissez la mesure trancher : faites fonctionner les recettes candidates en parallèle de celles en place, attribuez les écarts en unités monétaires dans une fenêtre de responsabilité claire, et ne les promouvez que lorsque le gain se rentabilise.

Vu ainsi, « par où commencer » n’a rien de mystérieux. Attaquez d’abord les plus grands fleuves de décisions, acceptez des réponses approximatives qui respectent l’économie et le cadre, puis laissez le moteur sans intervention humaine faire fructifier ces acquis. Les petits problèmes semblent plus sûrs ; les grands sont plus faciles.

8.3 Décider, c’est optimiser

Mécaniser les choix exige un formalisme qui indique à une machine quoi préférer et quand s’arrêter. L’« optimisation », branche des mathématiques appliquées, fournit ce formalisme, mais seulement une fois repensée pour épouser le caractère économique et itératif des décisions réelles. La démarche des manuels — énoncer un modèle, le confier à un solveur généraliste, attendre un plan dont l’optimalité est démontrée — échoue en pratique. Ce qui fonctionne est plus humble et plus puissant : un cadre d’optimisation qui expose les actions admissibles, valorise leurs conséquences en monnaie, intègre des visions probabilistes de demain et est conçu pour s’exécuter, sans intervention humaine, encore et encore, à mesure que le monde change.

8.3.1 Le paradigme de l’optimisation

La notation classique de l’optimisation mathématique parle de variables, de contraintes et d’un objectif (voir l’annexe). Nous conservons cette triade, mais en déplaçons le sens pour l’accorder à la grammaire de la décision développée plus tôt dans ce chapitre, ainsi que dans Économie et Intelligence.

Les variables ne sont pas des totaux grossiers (« la quantité du SKU X ce mois-ci »), mais des engagements marginaux à la granularité la plus fine qui change les résultats économiques. Pour certains problèmes, cette granularité est une unité, un arrêt ou un mètre cube ; pour les pièces réparables, elle peut être un numéro de série précis dont l’historique le rend économiquement unique. Raisonner à la marge maintient le moteur aligné sur le calcul du taux de rendement : la question n’est jamais « quel est le bon niveau de stock ? », mais « une unité supplémentaire, ici et maintenant, vaut-elle davantage que son meilleur autre usage ? ».

Les contraintes sont des tests de faisabilité qui déterminent quelles options peuvent être exercées. Elles doivent être écrites sous forme de code qui examine une action candidate et l’admet ou la rejette en donnant une raison. Dans la réalité des supply chains, très peu de limites sont véritablement absolues : presque tout goulet d’étranglement peut être desserré moyennant un prix ou un délai. Il est donc prudent de déplacer de nombreuses « contraintes » dans l’objectif sous forme de pénalités valorisées, en ne gardant que la poignée qui reflète des impossibilités physiques ou des interdictions légales. Cela rend des frictions différentes — congestion des quais, heures supplémentaires des équipes, réaménagements des rayons — comparables sur le même registre monétaire et permet au moteur de trouver le moins mauvais compromis dans l’incertitude.

L’objectif est une valorisation exprimée en monnaie, cohérente avec le but de l’entreprise : maximiser le taux de rendement espéré ajusté au risque. Ce n’est pas une cible en pourcentage déguisée en économie. Un objectif utile doit expliciter les prix qu’il suppose : préjudice des ruptures, obsolescence, coût du capital par unité de temps, frais de retard, dégradation des relations, valeur de l’option d’attendre. Les prix cachés engendrent des jeux politiques ; les prix ouverts engendrent de la performance.

Les prévisions entrent comme données de premier rang. Puisque les résultats dépendent de futurs partiellement inconnaissables, le moteur n’évalue pas les plans selon une trajectoire unique devinée, mais selon des distributions — sur la demande, les délais, les retours, les fiabilités et parfois les prix. L’objectif reste une fonction déterministe de ses données d’entrée ; l’aléa réside dans les objets de prévision qui l’alimentent. Cette séparation garde la causalité lisible et permet d’attribuer la responsabilité lorsqu’un pari déçoit : le cadre était-il étroit, la valorisation erronée ou la prévision mal calibrée ? Les mécanismes probabilistes plus lourds sont développés dans la section suivante ; ici, il suffit d’insister sur le fait qu’un moteur de décision doit être conçu dès le départ pour intégrer des distributions, pas des points.

Enfin, un mot sur l’expression. La doctrine du milieu du siècle cherchait à séparer l’énoncé de la résolution : un fichier « déclaratif » pour le problème, un solveur boîte noire pour le reste¹³⁷. Cette séparation flatte le goût de l’élégance ; elle handicape la pratique. Un moteur de décision qui s’exécute chaque jour gagne à ce que son modèle aide la méthode : ordres de variables reflétant l’économie ; démarrages à chaud depuis la solution d’hier ; décompositions alignées sur la géographie ou les cycles de vie ; caches qui mémorisent les sous-calculs coûteux ; tests de faisabilité qui échouent rapidement. Ce n’est pas de l’impureté ; c’est le sens de la mécanique appliqué à la relation entre problème et machine.

8.3.2 De l’optimalité

Dans un cadre fixe — ressources finies, actions admissibles explicites, prix énoncés —, il existe une allocation optimale. Le point compte : « assez bon » n’est pas une abdication de la rigueur, mais la reconnaissance que l’économie, pas l’algèbre, décide quand une recherche doit s’arrêter.

Deux enseignements en découlent. Premièrement, les problèmes de supply chain présentent des rendements décroissants sur la plupart des leviers. Le stock supplémentaire améliore le service jusqu’à ce qu’il ne l’améliore plus ; les accélérations supplémentaires réduisent les retards jusqu’à ce qu’elles ne les réduisent plus ; élargir l’assortiment étend la clientèle touchée jusqu’à saturer l’attention. Cette courbure est une bonne nouvelle : elle transforme notre recherche discrète en un objet qui admet des pseudo-gradients. Des pas gloutons, des améliorations locales, des échanges dans le voisinage et des politiques à courte anticipation — guidés par des prix appropriés et alimentés par des données probabilistes — grimpent rapidement vers les hauteurs. Ces problèmes ne sont pas cryptographiques ; inverser un bit ne rend pas impossible ce qui était faisable et ne fait pas tomber la valeur à zéro.¹³⁸. Les algorithmes qui reposent exclusivement sur le découpage d’espaces abstraits et le resserrement de relaxations linéaires tendent à peiner sur la mauvaise géométrie ; les contraintes de l’entreprise sont rarement assez serrées, assez tôt, pour rentabiliser l’élagage par demi-espaces.

Deuxièmement, « l’optimum » est conditionnel. Changez le cadre, et le sommet se déplace. Ajoutez un canal de liquidation ; autorisez de petits ajustements de prix liés aux départs maritimes ; élargissez les possibilités de chargement groupé ; permettez le choix tardif entre quasi-substituts : le parangon d’hier devient la colline locale d’aujourd’hui. Ce n’est pas un échec de l’optimisation ; c’est son but. Selon les termes de Kuhn, le progrès courant se produit au sein d’un paradigme ; les sauts se produisent en changeant de paradigme.¹³⁹ Un moteur de décision vivant doit donc être conçu pour l’optimisation expérimentale : exécuter les recettes candidates en parallèle de celles en place, ne les promouvoir que lorsque les écarts mesurés le justifient, revenir en arrière à faible coût dans le cas contraire. L’obsession des certificats d’optimalité globale dans des mondes-jouets s’arrête ici ; la monnaie est le gain mesuré dans les comptes de l’entreprise.

8.3.3 Le solveur au cœur du moteur

Un solveur est le composant logiciel qui, à partir d’un cadre, de prévisions et de prix, parcourt l’espace admissible et propose des engagements. C’est le cœur du moteur, mais pas le moteur lui-même. Autour de lui se trouvent les organes indispensables : adaptateurs sémantiques pour lire les enregistrements faisant autorité ; modules probabilistes pour produire des distributions ; registres de valorisation pour exposer les prix et leurs responsables ; heuristiques d’arrêt pour suspendre l’émission lorsque la confiance baisse ; et mécanismes de bascule qui transforment les propositions en faits et les réintègrent au cycle suivant.

Parce que le moteur fonctionne dans l’incertitude et de manière répétée, plusieurs choix d’ingénierie se révèlent décisifs.

Premièrement, la commande stochastique surpasse la planification déterministe. Le solveur doit classer les actions admissibles selon leur taux de rendement espéré ajusté au risque, sous les distributions de probabilité fournies. La dépendance séquentielle — l’action d’aujourd’hui façonnant les options de demain — peut être traitée en optimisant des politiques de décision plutôt que des actes isolés, généralement dans une boucle à horizon glissant dont chaque cycle recalcule avec des informations plus récentes. Les prévisions fonctionnelles — des simulateurs qui associent « ce que nous ferions si… » à des distributions de résultats — sont le partenaire naturel d’une telle recherche de politiques. Les mathématiques sont simples ; la nouveauté consiste à les rendre assez compactes, lisibles et auditables pour fonctionner chaque jour.

Deuxièmement, les pénalités maîtrisent les limites impossibles à garantir. Dans un monde stochastique, « ne jamais dépasser X » est soit impossible, soit ruineux. Valoriser les violations rassemble les limites sous un même toit et les aligne sur l’objectif monétaire. Le langage des contraintes probabilistes peut être utile à la discussion ; les prix font le travail. Nous revenons plus loin sur les limites impossibles à garantir et sur le lien entre contraintes probabilistes et pénalités valorisées.

Troisièmement, concevoir pour une résolution répétée. La plupart des choix de supply chain ne sont pas des problèmes ponctuels de conception industrielle, comme l’implantation d’entrepôts ou la définition de liaisons de transport, mais de petites allocations stochastiques, répétées demain avec des faits légèrement différents. Un solveur qui prospère dans ce contexte doit intégrer des distributions, valoriser les options en unités monétaires et pouvoir être arrêté et relancé à faible coût. Le résultat n’est pas un plan monolithique assorti d’un certificat ; c’est un flux continu de meilleurs paris sur un registre commun. Cette position va à l’encontre de celle qui domine en recherche opérationnelle — des modèles globaux à usage unique et à contraintes statiques —, ce qui explique pourquoi seule une poignée d’entreprises utilise des solveurs au quotidien dans ses opérations.

Quatrièmement, instrumenter pour la confiance. Chaque décision émise doit être accompagnée d’un dossier : options admissibles envisagées, prix et distributions utilisés, écarts marginaux qui justifient le choix et tests réussis avant émission. L’exécution parallèle doit être la règle : la recette en place tient la plume, tandis qu’une candidate écrit des décisions à titre d’essai ; les différences mesurées s’accumulent en unités monétaires. Lorsque quelque chose semble suspect — queues mal calibrées, contrainte qui commence à devenir limitante —, arrêtez. Inonder les utilisateurs d’« exceptions » les enrôle comme coprocesseurs non rémunérés et leur apprend à se méfier du système. Un arrêt net invite aux seules interventions utiles : modifier le cadre, les prix ou la sémantique.

Enfin, un mot lucide sur la boîte à outils vendue sous l’étiquette de la recherche opérationnelle. Après sept décennies de recherche et deux autres de matériel toujours plus rapide, les solveurs généralistes linéaires et mixtes en nombres entiers restent marginaux dans les opérations quotidiennes de supply chain. On les rencontre dans les travaux ponctuels de conception — implantation des réseaux, études de capacité à long horizon — et dans quelques niches strictement délimitées. Ils ne gouvernent presque jamais les choix récurrents, chargés d’incertitude, qui font circuler les unités monétaires chaque jour. Ce n’est pas de l’entêtement managérial ; c’est une inadéquation entre l’instrument et le phénomène.

La technologie classique de recherche opérationnelle suppose un monde que les supply chains n’habitent pas. L’incertitude est comprimée en substituts ponctuels ou en termes de « sécurité » à queues fines ; les objectifs sont écrits en unités d’artefacts — taux de service, pourcentages de précision, taux d’utilisation — plutôt qu’en monnaie ; et un plan monolithique est produit comme si l’exécution était un plan à usage unique plutôt qu’une boucle de commande stochastique répétée à la cadence opérationnelle. Le credo de modélisation qui sépare l’« énoncé pur » de la « méthode impure » interdit alors précisément les indications qu’exige la pratique : pénalités valorisées pour les limites impossibles à garantir, prix fictifs explicites sur les ressources partagées, démarrages à chaud depuis les engagements d’hier et règles d’accumulation gloutonne guidées par les fenêtres de responsabilité. Face aux queues épaisses, aux effets de cliquet et aux valeurs d’option, le MILP global dépasse le temps imparti, optimise la mauvaise chose ou produit un ordonnancement fragile qui s’effondre au premier contact avec la réalité.

La solution empirique est simple et sans éclat. Traitez les solveurs comme des sous-programmes au sein d’une recherche stochastique plus large, attentive à l’économie, plutôt que comme les souverains de la décision. Laissez les prévisions probabilistes fournir les futurs ; faites parler l’objectif uniquement en unités monétaires ; transformez la plupart des limites « dures » en pénalités valorisées ; recalculez les engagements marginaux à la cadence que permet la réalité ; arrêtez lorsque la confiance baisse ; faites fonctionner les recettes candidates en parallèle de celles en place ; et intégrez la structure du domaine partout où elle apporte du rendement. Les primitives classiques — affectation, flot à coût minimal, sac à dos, tournées — restent précieuses, mais seulement lorsqu’elles sont alimentées par des prix appropriés et intégrées à une boucle qui respecte l’incertitude, la répétition et les effets de cliquet.

Vu ainsi, le verdict sur la recherche opérationnelle dans les opérations n’est pas que les mathématiques sont fausses, mais que la position est inadaptée. Des outils conçus pour des modèles-jouets stationnaires et des plans à usage unique ne peuvent gérer la combinatoire des options sous une incertitude à queues épaisses, où le bénéfice réside dans les queues. Le calcul doit donc être dépensé là où il rapporte des unités monétaires : pour de meilleurs cadres, de meilleurs prix et de meilleures visions probabilistes, pas pour des certificats d’optimalité répondant à la mauvaise question. La section suivante donne un prix au calcul lui-même.

8.3.4 L’économie du calcul

L’optimisation a un coût. Minutes de CPU, heures de temps écoulé, journées d’ingénierie : chacune doit se justifier comme toute autre ressource, par son rendement espéré ajusté au risque. L’horizon pertinent est opérationnel. Réordonnancer des robots de préparation de commandes appelle des cadences de l’ordre de la milliseconde ; acheter outre-mer, non. Les éditeurs vendent le « temps réel » comme si le temps était une vertu en soi ; ce n’est pas le cas. La bonne cadence est celle à laquelle une unité supplémentaire de calcul cesse de se rentabiliser en unités monétaires.

Deux conséquences pratiques en découlent. Premièrement, acceptez que certains cycles de décision soient « lents par conception ». De grandes recherches stochastiques de grande dimension ne peuvent atteindre des latences de l’ordre de la centaine de millisecondes sans vider le cadre de sa substance ou rendre l’objectif trivial. La loi d’Amdahl¹⁴⁰ se fait sentir dès que le moteur doit consulter un contexte étendu pour éviter la stupidité locale. Deuxièmement, concevez une dégradation progressive. Exécutez une passe rapide qui capture 80 % de la valeur avec des heuristiques peu coûteuses et de bons prix ; consacrez le budget restant là où les prix fictifs réclament de l’attention ; arrêtez lorsque le gain espéré par minute devient inférieur au coût de cette minute. Puisque le moteur répète ses calculs, l’exécution de demain récoltera les restes d’aujourd’hui avec des informations plus fraîches et un démarrage mieux préparé.

Le même calcul gouverne la taille du modèle. Les instances plus grandes ne sont pas « plus difficiles » au sens métaphysique ; elles sont seulement plus coûteuses avec une technique fixe. Si une méthode dépasse largement un budget raisonnable, changez de méthode, réduisez la finesse de la granularité là où l’économie le permet, ou raccourcissez l’horizon. C’est le gain mesuré, pas la pureté esthétique, qui décide.

En somme, l’optimisation est le langage par lequel un moteur de décision exprime ses préférences dans l’incertitude. Recadrée autour des marges, des prix et des actions admissibles ; instrumentée pour la répétition, l’arrêt et l’audit ; et conçue avec une compréhension tant du matériel que de l’économie, elle devient ce dont le programme d’automatisation a besoin : pas un oracle qui dicte un plan, mais un infatigable employé au service des intentions de l’entreprise, proposant sans cesse le meilleur pari suivant et l’inscrivant, lisiblement, dans le registre.

8.4 Décider dans l’incertitude

Les décisions sont des paris valorisés sur des futurs que nous ne maîtrisons pas. Plus tôt dans ce chapitre, nous avons adopté la position qui rend ces paris calculables : l’objectif est déterministe et exprimé en monnaie, tandis que l’incertitude entre par les prévisions probabilistes — des distributions pour les faits pertinents : demande, délais, fiabilités, retours, parfois prix. Nous n’enfouissons pas l’aléa dans l’objectif ; nous alimentons le moteur en distributions et lui demandons de classer les engagements admissibles selon leur taux de rendement espéré ajusté au risque.

Cette position s’écarte de la vision téléologique (chapitre L’avenir), qui traite l’incertitude comme un défaut à éliminer par de meilleures prévisions ponctuelles. Même de petites erreurs dans ces estimations ponctuelles peuvent avoir des conséquences discontinues : une turbine immobilisée pour une seule aube manquante vaut bien moins que « 99,98 % d’une turbine », et un concurrent 1 % moins cher peut effacer 100 % de vos ventes. Dans les supply chains, les bénéfices et les pertes résident dans les queues. Les méthodes qui optimisent selon une trajectoire unique devinée fabriquent donc de la confiance à la place de la robustesse.

Rien ici ne dépend du vocabulaire. Appeler le problème « optimisation stochastique » reconnaît simplement que les futurs sont représentés par des distributions et que la valorisation se fait en espérance, avec, lorsque cela se justifie, des ajustements explicites au risque. Ce qui compte en pratique est où l’incertitude est portée et comment elle est valorisée. Comme indiqué plus haut, sa bonne place est dans les prévisions qui alimentent l’objectif, pas dans l’objectif lui-même ; et les bons prix sont les pénalités et récompenses propres à l’entreprise, exprimées en unités monétaires : préjudice des ruptures, obsolescence, coût du capital par unité de temps, congestion, frais de retard, valeur de l’option d’attendre.

On pourrait être tenté de conclure qu’une fois les espérances calculées, les cas « déterministe » et « stochastique » se ramènent aux mêmes mathématiques. Ce n’est pas le cas en pratique. Les recettes déterministes encouragent les plans fragiles, ignorent les queues épaisses et dissimulent les arbitrages derrière des KPI qui ne sont que des artefacts ; un moteur conçu pour les distributions doit, au contraire, valoriser les queues, exposer les valorisations, s’arrêter lorsque la confiance baisse et répéter ses calculs à la cadence que permet la réalité. C’est cette différence de position, pas un changement de symboles, qui produit les résultats.

Ces fondations posées, la suite de la section examine les conséquences opérationnelles des décisions dans l’incertitude. Nous étudions d’abord comment les méthodes ponctuelles produisent systématiquement des décisions fragiles : des choix qui paraissent économes sur le papier, puis provoquent une hémorragie d’unités monétaires lorsque le monde s’écarte de la médiane. Nous traitons ensuite les contraintes impossibles à garantir, qui doivent être gérées par des prix ou des risques explicitement bornés plutôt que par des décrets ; nous donnons un prix à l’apprentissage à travers l’arbitrage exploration-exploitation ; et nous justifions le financement d’options non rentables aujourd’hui, mais qui couvrent les régimes de demain. Chaque sujet applique la même grammaire : actions admissibles, visions probabilistes et registre monétaire unique.

8.4.1 Les décisions fragiles

Dans ce livre, une décision est fragile lorsqu’un petit écart par rapport au « cas typique » supposé produit une perte disproportionnée de son taux de rendement ajusté au risque. Sur le plan opérationnel, la fragilité se manifeste à la fois par une variance plus élevée des rendements réalisés et, une fois les queues épaisses et les effets de cliquet correctement valorisés, par une espérance plus faible que celle des actions concurrentes qui gardent les options ouvertes. La fragilité ne concerne pas les cataclysmes ; elle concerne les surprises banales qui visitent chaque flux : un fournisseur qui expédie une quantité insuffisante, un camion qui manque un créneau, un magasin qui ferme une journée, une publication qui devient virale et vide un rayon. Chaque événement surprend localement ; pris dans leur ensemble, ils ne surprennent pas.

La fragilité est largement fabriquée par les politiques de décision. La position téléologique — un futur prescrit, un plan pour le concrétiser et des indicateurs de performance qui en contrôlent le respect — engendre des décisions merveilleusement économes sur le papier, mais qui provoquent une hémorragie d’unités monétaires dès que le monde fait même un modeste détour. Les prévisions ponctuelles compriment les futurs en une trajectoire unique ; les limites « dures » sont traitées comme des décrets ; l’utilisation est poussée jusqu’à la saturation ; les tampons sont justifiés par des formules dont personne n’assume les prix cachés. De telles procédures ne se contentent pas de faire face à la variabilité ; elles en amplifient les coûts en supprimant précisément les options que la variabilité rend précieuses. Il est donc plus exact de parler de politiques fragiles : des règles qui produisent systématiquement des décisions fragiles.

Deux caractéristiques structurelles rendent ces politiques fragiles. Premièrement, la plupart des gains et pertes de supply chain sont asymétriques : les pertes se trouvent dans les queues, tandis que les gains sont bornés. Un seul composant manquant peut immobiliser un avion valant des millions ; être 1 % plus cher qu’un concurrent peut faire perdre entièrement la vente. Les substituts à queues fines et la planification du cas médian cachent ces précipices et sous-évaluent donc l’option de les éviter. Deuxièmement, les effets de cliquet opérationnels effacent les alternatives. Une allocation prématurée à un magasin, qui paraissait inoffensive selon une prévision de référence, empêche de servir une meilleure demande demain ; une routine de « camion complet » qui expédie selon le calendrier ferme la possibilité de consolidation du lendemain. Les décisions qui maximisent l’« efficacité » sur le papier par des engagements précoces sont, en pratique, des décisions qui vendent les options à bas prix et achètent les ennuis au prix fort.

Les apparences sont trompeuses. Les décisions fragiles paraissent efficaces : les camions partent visiblement pleins, les centres de distribution semblent vides, les effectifs semblent réduits et les stocks se tiennent tout près de la limite. Au premier regard, les décisions non fragiles paraissent un peu « gaspilleuses » : un peu de capacité reste disponible, une réserve de stock est retenue au centre de distribution, un deuxième fournisseur est conservé, quelques pièces réparables sont prépositionnées. Pourtant, dès que les queues et les effets de cliquet sont valorisés en monnaie, la position apparemment prudente produit un taux de rendement apériodique espéré ajusté au risque plus élevé. La prime qui achète de la marge de manœuvre est une prime d’option ; elle se rentabilise chaque fois que le monde s’écarte de la médiane, ce qu’il fait immanquablement.

Une illustration ordinaire clarifie ce point. Considérons la maintenance en ligne d’un avion de ligne pendant une escale serrée. Le périmètre des travaux reste incertain jusqu’à l’ouverture des premiers panneaux ; une seule aube manquante peut immobiliser l’avion et provoquer des correspondances manquées en cascade. Une routine déterministe qui approvisionne un kit dimensionné pour l’« intervention moyenne » paraîtra économe ex ante et échouera à grands frais dès que la demande de quelques pièces bondira. Une routine conforme à la vision de terrain commence par des distributions du périmètre incertain des travaux et des délais de réparation et de retour, associe une pénalité monétaire au retard et valorise chaque pièce supplémentaire comme une option contre cette pénalité. Le kit obtenu n’est pas « minimal » ; il est rentable. Les pièces inutilisées retournent en stock ; leur coût de possession est faible au regard de la perte évitée lorsque les queues frappent. La même logique gouverne toute rupture peu probable, mais lourdement pénalisée : les queues épaisses dominent et l’arithmétique à queues fines fabrique de la fragilité.

Une deuxième illustration se trouve en amont. Supposons qu’un entrepôt subisse des décalages aléatoires de ses fournisseurs et dispose d’un nombre limité de portes de réception. Un calendrier hebdomadaire de commandes conforme au plan fera parfois coïncider les départs et surchargera le quai ; le remède devient la gestion d’urgence : reports, frais d’immobilisation des conducteurs et surestaries¹⁴¹, équipes en heures supplémentaires et primes de priorité hors contrat pour les rares créneaux à quai.

La vision de terrain traite les arrivées et les durées à quai comme des distributions, valorise la surcharge au moyen de pénalités explicites de congestion — les mêmes coûts économiques qui apparaissent sous forme d’immobilisation, de surestaries, d’heures supplémentaires ou de primes de créneau prioritaire — et laisse le moteur de décision différer ou avancer les commandes jusqu’à ce que le rendement espéré ajusté au risque du lot suivant dépasse le coût fictif du capital de l’entreprise, augmenté de la valeur de l’option d’attendre. La cadence devient un résultat de l’économie, pas une donnée du calendrier ; le quai n’est pas « toujours occupé », mais les unités monétaires cessent de fuir.

En aval, l’allocation prématurée est une autre source discrète de fragilité. Expédier tôt des unités rares vers des magasins peu performants les fige là où elles tournent lentement et empêche de servir les gagnants qui émergent quelques jours plus tard. Une routine conforme à la vision de terrain associe un prix fictif visible au stock sous tension du centre de distribution — des unités monétaires par unité et par jour représentant l’option de servir une meilleure demande demain — et ne libère une unité vers un magasin que lorsque le rendement marginal de ce magasin dépasse le prix de conservation au centre de distribution. Le débit augmente généralement là où il compte le plus, même si davantage d’unités restent un peu plus longtemps au centre de distribution. Les politiques fragiles améliorent les apparences d’« activité » ; les politiques robustes améliorent les résultats économiques.

La fragilité impose aussi un coût de main-d’œuvre qui échappe aux tableaux de bord. Les politiques fragiles se heurtent à la réalité, génèrent de longues files d’exceptions et enrôlent les planificateurs comme coprocesseurs humains. L’organisation normalise les accélérations chroniques, le réordonnancement manuel et les corrections après coup. Cette gestion d’urgence absorbe l’attention nécessaire à la construction du bien d’équipement en jeu : un petit moteur de décision lisible qui encode cadres, prix et visions probabilistes, fonctionne sans intervention humaine et cumule les améliorations. Les politiques fragiles ne font pas seulement perdre des unités monétaires les mauvais jours ; elles empêchent aussi l’entreprise d’investir le temps qui rendrait ces jours plus rares et moins coûteux.

Concevoir des décisions non fragiles n’exige pas d’héroïsme ; cela exige un changement de position. La vision de terrain traite l’incertitude comme la matière première du bénéfice. En pratique, cela signifie (i) admettre des distributions — de demande, de délais, de fiabilités, de retours et parfois de prix — comme données d’entrée de premier rang ; (ii) exprimer toutes les frictions en unités monétaires — préjudice des ruptures, congestion, vieillissement, frais de retard, valeur de l’option d’attendre — et assumer ces prix à l’échelle de l’entreprise ; et (iii) laisser un optimiseur stochastique classer les engagements marginaux selon leur taux de rendement apériodique espéré ajusté au risque. De petites marges de manœuvre valorisées en découlent naturellement : un peu de stock mutualisé au centre de distribution, quelques alternatives de transport conservées, une marge mesurée sur les ressources critiques, un modeste surapprovisionnement des kits là où les pénalités dans les queues sont sévères. Ce ne sont pas des talismans contre la malchance ; ce sont des options achetées parce que le gain espéré dépasse la prime.

Un test simple révèle la fragilité en pratique. Si une recommandation s’effondre sous de petites perturbations réalistes des données d’entrée, repose sur des rituels calendaires plutôt que sur des cadences valorisées, exprime l’« excellence » en artefacts — pourcentages de précision, objectifs de service, scores d’utilisation — plutôt qu’en unités monétaires et exige des « exceptions » humaines constantes pour rester tolérable, elle est fragile. À l’inverse, si une routine peut formuler son cadre, montrer ses distributions, nommer ses prix, défendre son seuil entre action et attente et produire des dossiers qui résistent à la confrontation avec les résultats réalisés, elle est probablement robuste, même si elle paraît un peu « gaspilleuse » à l’œil non averti.

Une fois l’incertitude admise, un dernier ingrédient devient inévitable : de nombreuses limites ne peuvent être garanties pour tous les tirages des dés. Les créneaux à quai, les plannings de conducteurs, les emplacements de prélèvement et les cycles de charge des batteries seront parfois mis sous tension par des coïncidences malheureuses, même lorsque les décisions sont sensées. Le bon traitement ne consiste pas à nier l’aléa, mais à le valoriser. La section suivante examine ces contraintes impossibles à garantir et montre comment les traiter par des bornes probabilistes, ou mieux, par des pénalités explicites exprimées dans la même unité monétaire que tous les autres arbitrages.

8.4.2 Les contraintes impossibles à garantir

Dans un monde stochastique, la plupart des « contraintes » ne sont pas des lois de la physique, mais des préférences appuyées par des pénalités. Les traiter comme des décrets qui doivent tenir pour chaque tirage des dés produit des plans fragiles et une coûteuse gestion d’urgence. Le cadre introduit plus tôt suggère déjà la bonne séparation. Quelques limites sont véritablement dures — interdictions légales, impossibilités physiques, barrières de sécurité — et relèvent de tests de faisabilité qui rejettent d’emblée les actions candidates. Tout le reste est souple : la limite peut être dépassée moyennant un prix ou un délai et appartient donc à l’objectif comme nuisance explicite, exprimée en unités monétaires.

Considérons, par exemple, une entreprise qui passe des commandes de réapprovisionnement pour un entrepôt. Celui-ci a une capacité maximale de réception. Si trop de camions arrivent le même jour, le personnel doit en renvoyer certains pour qu’ils reviennent plus tard. C’est coûteux et perturbant, car cela immobilise des camions prévus pour d’autres livraisons. Les commandes de réapprovisionnement sont donc délibérément espacées pour éviter un excès de réceptions un jour donné. Toutefois, les fournisseurs peuvent rencontrer des difficultés. Des retards imprévus peuvent, occasionnellement, faire coïncider le même jour des livraisons initialement prévues à des dates distinctes. Comme les retards fournisseurs sont aléatoires, et souvent à queues épaisses, de telles collisions ne peuvent jamais être exclues. Il faudrait pour cela des intervalles irréalistes entre les commandes successives. Espacer les commandes réduit le risque de dépasser la capacité de réception, mais ne peut l’éliminer.

Plus largement, la plupart des contraintes de supply chain présentent un risque réel de violation, même lorsqu’elles sont gérées avec soin. Par définition, l’entreprise ne contrôle ni ses clients ni ses fournisseurs. Elle ne contrôle pas non plus entièrement ses propres salariés, qui peuvent ne pas se présenter pour diverses raisons. Pourtant, si la perfection n’est pas de ce monde, l’entreprise peut orienter sa prise de décision pour respecter ces contraintes. Considérons deux approches.

Les contraintes probabilistes proposent un critère moins strict. Au lieu d’exiger qu’une contrainte soit satisfaite pour tous les résultats, une contrainte probabiliste exige qu’elle le soit avec une probabilité minimale. Une approche pragmatique consiste à accepter un faible risque, explicitement quantifié, d’enfreindre une règle — par exemple maintenir la probabilité de surcharge du quai sous 5 %. Cela garde les violations rares et maîtrisées.

La principale faiblesse des contraintes probabilistes est toutefois qu’elles sont fondamentalement non économiques — ou plutôt que l’arbitrage économique est caché dans un pourcentage arbitraire jugé acceptable, un nombre sans dimension. On peut certes ajuster ce pourcentage pour refléter l’économie de la situation, mais cela crée un nouveau problème à résoudre.

Les contraintes pénalisées constituent une alternative plus simple : déplacer les contraintes dans l’objectif au moyen de pénalités. Elles traitent chaque violation comme une nuisance coûteuse et laissent l’optimiseur comparer cette pénalité au bénéfice espéré de la décision. Chaque violation entraîne un coût élevé. L’optimisation minimise alors l’espérance du coût total, encourageant naturellement les solutions réalisables ou presque réalisables. Une pénalité suffisamment élevée décourage les violations et oriente l’optimiseur vers des solutions presque réalisables.

Les contraintes pénalisées conviennent à l’optimisation de la supply chain parce qu’elles expriment les limites opérationnelles dans les mêmes termes monétaires que ceux qui gouvernent le modèle. Presque tout goulet d’étranglement peut, en principe, être desserré moyennant un prix, et le terme de pénalité capture ce prix explicitement. L’optimiseur recherche donc des plans qui évitent des dépenses ruineuses sans être enfermé dans des règles rigides. Point crucial : puisque chaque pénalité est exprimée en monnaie, des dizaines de limites hétérogènes s’additionnent sans heurt dans un objectif unique, permettant au modèle de passer à l’échelle dans des environnements très complexes.

8.4.3 Exploration et exploitation

Les décisions se répètent. Chaque cycle actualise nos convictions, et celles-ci orientent le cycle suivant. Les données historiques ne sont donc pas neutres : elles sont le sous-produit des choix d’hier. Si un distributeur n’a jamais fixé le prix d’un SKU au-dessus de 9,99, le registre ne contient aucun élément sur la demande à 10,99. Un solveur qui se contente d’« exploiter », en choisissant toujours aujourd’hui ce qui semble le meilleur selon le modèle actuel, fige discrètement les angles morts du modèle. Les profits plafonnent alors, non parce que le monde a épuisé ses possibilités, mais parce que l’entreprise n’apprend plus où les rendements pourraient être supérieurs.

La vision de terrain (chapitre L’avenir) traite cette endogénéité comme une contrainte de conception. Il faut parfois choisir une action légèrement inférieure selon le registre d’aujourd’hui, parce que l’observation qu’elle engendre améliorera celui de demain d’un montant supérieur aux unités monétaires auxquelles on renonce. En termes économiques, l’entreprise achète une petite option sur la connaissance. La question pratique n’est pas philosophique, celle de savoir s’il faut « essayer de nouvelles choses », mais quantitative : quand la valeur espérée de l’information dépasse-t-elle le coût d’opportunité de l’expérience ?

Deux types d’incertitude importent. L’incertitude aléatoire est le hasard intrinsèque ; aucun effort ne l’effacera. L’incertitude épistémique est l’ignorance ; on peut la réduire en recueillant les bonnes observations (voir le chapitre L’avenir). L’exploration consiste à réduire délibérément l’incertitude épistémique lorsque le dividende espéré, de meilleures décisions sur l’horizon pertinent, l’emporte sur le manque à gagner immédiat de l’essai.

Un petit exemple concret rend cette endogénéité manifeste. Prenons une gamme de boissons pour sportifs vendue dans cent magasins. L’entreprise entretient depuis longtemps une doctrine informelle selon laquelle « dix unités monétaires » constituent le prix idéal pour les achats d’impulsion ; sa base de prix est donc riche autour de 9,99 et presque vide au-dessus de 10,49. Le modèle de demande hérite de ce biais et, lorsqu’on l’interroge, conseille une fois de plus de rester près de 9,99. Une routine conforme à la vision de terrain contre cette inertie sans mettre la marque en jeu. Elle désigne un minuscule groupe d’essai, par exemple huit magasins à la fréquentation représentative, pendant deux semaines, y porte le prix à 10,49 et réestime la réaction locale au prix. Le coût est la marge perdue estimée (ou les clients dissuadés) par rapport au prix du statu quo pendant l’essai ; le dividende est le gain que la nouvelle réaction permet de dégager lorsqu’elle est appliquée aux quatre-vingt-douze autres magasins. Si le dividende espéré, exprimé en unités monétaires, dépasse le coût de l’expérience, l’essai de prix est rationnel, même si les huit magasins obtiennent de moins bons résultats pendant l’essai.

L’exploration ne se limite pas aux prix. Un acheteur confronté à un nouveau fournisseur dont la fiabilité est incertaine peut passer une poignée de commandes délibérément petites et anticipées pour découvrir la queue de la distribution des délais avant d’engager du volume. Un planificateur réseau peut essayer un dispositif modeste de cross-docking dans une région pour mesurer les pénalités de congestion plutôt que les supposer. Un responsable de l’assortiment peut laisser intentionnellement quelques articles à faible taux d’écoulement tomber en rupture, à une échelle sans danger, afin de connaître les véritables taux de substitution plutôt que d’extrapoler à partir de données censurées. Dans chaque cas, le moteur valorise l’essai comme toute autre action : les options admissibles sont énoncées, les futurs sont probabilistes et tous les effets, coût des ruptures, vieillissement, congestion, coût du capital par unité de temps, sont exprimés dans le même registre monétaire.

Cet arbitrage est connu dans la littérature sous le nom d’« exploration-exploitation ».¹⁴² L’image classique des bandits manchots est utile, pourvu que l’on garde l’économie en vue. Le but n’est pas de poursuivre d’abstraites « bornes de regret », mais de déterminer, au rythme des opérations, si un essai marginal franchit le seuil qui régit tout engagement : le taux de rendement apériodique espéré ajusté au risque. Trois habitudes de conception maintiennent la lisibilité et l’auditabilité du processus :

Premièrement, garder les essais petits et bornés. La fenêtre de responsabilité limite l’attribution ; le périmètre, nombre de magasins, de liaisons ou de SKU, limite les pertes potentielles. La petite taille n’est pas de la timidité ; c’est ce qui permet de valoriser les options d’apprentissage et de les comparer clairement à leurs dividendes.

Deuxièmement, expliciter le dividende de l’apprentissage : le gain espéré sur la fenêtre pendant laquelle la règle révisée sera en vigueur, net du vieillissement, des démarques, de la congestion et du coût du capital. Les « avantages » cachés comptent pour zéro ; seules comptent les unités monétaires inscrites au registre.

Troisièmement, intégrer l’exploration au même moteur sans intervention humaine. Un essai n’est pas un projet spécial ; c’est une autre action admissible, assortie d’un dossier : l’a priori, la perturbation proposée, la fenêtre, les prix et la règle de généralisation ou de retour en arrière une fois les résultats connus. Si la confiance du moteur baisse, les heuristiques d’arrêt suspendent l’essai exactement comme elles suspendent les émissions ordinaires.

Cette position clarifie aussi pourquoi la vision téléologique ne peut accueillir l’exploration. Dans la séquence prévoir-planifier-exécuter conformément au plan, les décisions ne sont que la dernière ligne d’un programme déterministe ; les prévisions vivent à l’écart des actions ; et l’« exactitude » est contrôlée comme un pourcentage détaché des unités monétaires. Dans un tel monde, aucun budget ne permet d’acheter de l’information, puisque la procédure suppose déjà savoir ce qui compte. Dans le monde de la vision de terrain, au contraire, des essais rapides et valorisés procurent un avantage : ils réduisent l’incertitude épistémique là où cela rapporte et permettent à l’entreprise de prendre les devants là où un petit enseignement produit des gains cumulatifs.

Passons maintenant de l’achat d’information à l’achat d’assurance. L’exploration finance des observations qui modifient le modèle ; l’entretien d’options finance des capacités non rentables aujourd’hui, mais qui rapporteraient, et largement, sous certains régimes. La grammaire reste la même : des actions admissibles, des futurs probabilistes, un seul registre monétaire.

8.4.4 Entretenir des options

La résilience consiste à financer des options non rentables aujourd’hui, mais qui pourraient préserver les profits futurs si les conditions changeaient. En effet, l’intérêt pour l’entreprise d’un ensemble d’options, proposées par un fournisseur, un transporteur ou une chaîne d’assemblage, dépend des conditions de marché en vigueur. Si ces conditions changent, certaines options peuvent fortement s’apprécier ou se déprécier. L’entreprise peut se couvrir contre ces risques en entretenant les bonnes options.

Par exemple, une entreprise établie en Westonia s’approvisionne actuellement en une pièce auprès d’un fournisseur de Ruritania. Les solutions locales de Westonia ne sont malheureusement pas compétitives face au fournisseur de Ruritania. De plus, leurs pièces ne satisfont pas pleinement aux spécifications de l’entreprise. Celle-ci est pleinement satisfaite de son fournisseur de Ruritania. Pourtant, le gouvernement de Westonia pourrait imposer des droits de douane massifs sur les importations de Ruritania. Plusieurs personnalités politiques montantes se sont d’ailleurs prononcées ouvertement en faveur de tels droits. S’ils étaient instaurés, ils réduiraient fortement les profits, et l’entreprise ne pourrait pas se tourner vers les fournisseurs locaux, dont les pièces ne satisfont pas aux spécifications. Pour s’assurer contre ce risque, elle choisit donc un fournisseur local et l’aide à améliorer sa production afin que ses pièces deviennent conformes. La plupart des commandes continuent d’aller au fournisseur de Ruritania, mais l’entreprise entretient l’alternative locale, qui pourrait sauver ses profits si les droits de douane étaient imposés.

L’entretien d’options prend de nombreuses formes. L’entreprise peut financer des capacités inutilisées : main-d’œuvre, stockage, production ou transport. Elle peut payer des frais de service élevés en échange de clauses de résiliation favorables, pour mettre fin à la location d’un véhicule, d’un bâtiment ou d’un équipement industriel. Elle peut réduire l’efficacité d’une chaîne d’assemblage pour en accroître la reconfigurabilité et élargir la gamme de modèles qu’elle peut produire.

Entretenir des options vise à préparer l’entreprise à des conditions peu probables, mais loin d’être impossibles. Contrairement à l’arbitrage exploration-exploitation abordé précédemment, l’investissement n’a pas pour but la découverte. Dès le départ, on sait que l’option n’est pas viable tant que les conditions de marché actuelles persistent. L’investissement constitue une couverture.

Évaluer sa viabilité suppose de quantifier trois éléments : (1) la probabilité du déclencheur, (2) les économies que l’option procurerait dans ces conditions et (3) le coût de son entretien. Si les économies pondérées par leur probabilité dépassent les coûts d’entretien, la couverture est rentable.

Là encore, l’entretien d’options n’a de sens que dans la vision de terrain. Dans la vision téléologique, l’avenir est traité comme une quantité connue. Les options qui ne sont pas immédiatement viables sur le plan économique sont donc écartées. Faute d’argument pour les étayer, la direction peine en effet à justifier des dépenses « inutiles », surtout lorsqu’elles sont liées à des conditions très pessimistes qui invalideraient la trajectoire actuellement privilégiée par l’équipe dirigeante.

8.5 Décisions séquentielles

De nombreux choix de supply chain sont séquentiels : le gain d’une action menée aujourd’hui dépend des actions que l’entreprise choisira demain. Les engagements présents effacent des alternatives et remodèlent l’ensemble des options du cycle suivant, un effet de cliquet évoqué dans « Asymétrie du temps » (chapitre L’avenir). Le paradoxe apparent, « comment optimiser maintenant alors que la décision de demain n’est pas arrêtée ? », est courant : achats outre-mer qui doivent remplir un conteneur, expéditions vers les magasins qui préemptent des allocations ultérieures, lots de production qui immobilisent la capacité jusqu’au prochain changement de série.

Dans ce chapitre, nous abordons ces situations sous la forme de règles d’action dans le temps, plutôt que d’optimisations ponctuelles isolées. L’objet formel qui les représente proprement est une politique de décision.

Réifier une politique produit deux effets. D’abord, cela rend visible le cadre : les actions admissibles et les tests de faisabilité ; les prix monétaires, pénalités et récompenses, que l’entreprise est prête à défendre ; et la vision probabiliste des futurs qui éclaire chaque choix. Ensuite, cela permet une évaluation en boucle fermée au moyen d’une prévision fonctionnelle, un simulateur qui répond à la question : « si nous suivons cette politique, à quelle distribution de résultats devons-nous nous attendre ? » Ce couple, politique et prévision fonctionnelle, permet de comparer des ensembles de règles candidats à l’aune du même critère que les décisions ponctuelles : le taux de rendement espéré ajusté au risque.

Cela dit, transformer chaque problème séquentiel en une recherche de politique complète justifie rarement l’opacité et les calculs que cela entraîne. L’espace des règles possibles est immense ; ne les évaluer qu’à l’échelle de trajectoires entières obscurcit les attributions marginales ; et une anticipation naïve devient trop coûteuse pour les opérations quotidiennes. En pratique, nous conservons la position marginaliste, classer de petits engagements auditables selon leurs unités monétaires par unité de temps, tout en recourant à quelques instruments rigoureux qui capturent le couplage séquentiel sans réifier une politique complète.

Un exemple suivi fixe les idées. Supposons qu’un acheteur doive passer une commande outre-mer qui n’est économique que si elle est arrondie à un conteneur complet. Le chargement peut combiner de nombreux SKU, mais chaque unité chargée aujourd’hui doit couvrir la demande jusqu’à l’arrivée du conteneur suivant du même fournisseur. Or cette date d’arrivée dépend d’une décision que l’entreprise n’a pas encore prise. Une optimisation littérale et ponctuelle ne peut valoriser la commande d’aujourd’hui sans supposer celle de demain. Une politique résout cette dépendance : « commander lorsque le prix fictif du prochain conteneur dépasse \(S\) ; allouer les unités selon leur rendement marginal, sous contraintes de poids et de volume ». Une prévision fonctionnelle projette alors les distributions des délais, des demandes et des capacités des quais sous cette règle.

La suite de cette section montre comment traiter l’essentiel de ce couplage avec des moyens plus légers : une fenêtre de responsabilité qui borne l’horizon sur lequel la commande d’aujourd’hui répond de ses conséquences, dans la sous-section suivante ; l’économie de l’attente, qui valorise l’option de reporter et fixe un seuil de taux de rendement pour agir ; l’invariance par permutation, qui justifie l’accumulation gloutonne d’allocations groupées, sous réserve des cas où l’ordre importe réellement, comme les tournées de véhicules ou l’ordonnancement d’atelier ; et le principe du report, qui favorise l’engagement tardif pour garder les options futures ouvertes. Nous ne menons une recherche de politique explicite et paramétrée que lorsque la latence ou l’échelle l’exige.

8.5.1 Fenêtre de responsabilité

Les décisions séquentielles posent un problème d’attribution : l’action d’aujourd’hui remodèle les options de demain, et celle de demain corrigera ou amplifiera à son tour les conséquences d’aujourd’hui. Un moteur qui doit fonctionner chaque jour a besoin d’une règle qui attribue les conséquences à chaque engagement sans simuler tout l’avenir. Le dispositif pratique est une fenêtre de responsabilité : un horizon borné sur lequel la décision présente répond de ses conséquences, tandis que les décisions ultérieures héritent du reste.

La fenêtre n’est pas une maille temporelle de planification ; c’est un principe comptable. Elle répond à deux questions : à partir de quand commence-t-on à attribuer les résultats à l’engagement d’aujourd’hui, et jusqu’à quand cette responsabilité dure-t-elle avant de passer à la décision suivante de même catégorie ?

Pour une commande outre-mer qui doit remplir un conteneur, le début naturel n’est pas le jour calendaire où la commande est saisie, mais celui où les marchandises deviennent utilisables, après production et transport, car ce n’est qu’alors que la décision peut commencer à gagner ou à perdre des unités monétaires. La fin est le premier moment ultérieur à partir duquel une commande suivante peut raisonnablement reprendre la responsabilité. En pratique, une convention robuste consiste à terminer la fenêtre à l’arrivée du deuxième conteneur suivant de la même origine. Le conteneur immédiatement « suivant » corrige ou amplifie encore en partie le choix d’aujourd’hui ; après le « deuxième suivant », la responsabilité a réellement changé de mains. En revanche, pour le réapprovisionnement quotidien des magasins, la fenêtre va généralement de la livraison de ce soir à celle de demain soir ; la cadence fournit elle-même la limite.

À l’intérieur de la fenêtre, la décision est évaluée en termes monétaires cohérents avec l’objectif de l’entreprise. Les ventes, ou la consommation, réalisées pendant la fenêtre sont portées à son crédit ; les ruptures qui y surviennent lui sont imputées selon une pénalité explicite en unités monétaires reflétant la marge perdue, la confiance des clients et les éventuels effets en cascade sur les articles voisins. Le stock restant à la fin de la fenêtre ne doit pas être escamoté. Deux traitements sont pratiques et, selon les cas, équivalents dans leur esprit. Le premier est une valorisation terminale : traiter le stock résiduel comme s’il était immédiatement liquidé à sa valeur de récupération espérée, déduction faite des coûts de détention et de manutention attendus pour parvenir à cette liquidation. Le second, souvent plus simple et plus prudent pour les longues queues de distribution, consiste à imputer l’intégralité du flux espéré des coûts futurs de détention et d’obsolescence à la décision qui a créé le stock. Ce traitement « à cliquet » reconnaît que les choix ultérieurs ne peuvent annuler un achat trop important sans payer des démarques, du stockage et des dépréciations ; la charge reste à juste titre à son origine.

Définir les bornes de la fenêtre est un exercice probabiliste. Deux distributions suffisent généralement. D’abord, une distribution des délais place de la masse sur les dates où l’engagement commence à produire ses effets. Ensuite, une distribution de la prochaine occasion de décider à nouveau marque la date de passation. Cette seconde prévision est « impure », au sens où elle projette notre propre comportement futur ; pourtant, aux échelles de regroupement qui importent, départs de conteneurs, changements de série en usine, créneaux d’expédition hebdomadaires, la cadence est largement régie par des facteurs extérieurs, heures limites, horaires des navires, quantités minimales de commande, et se révèle assez stable pour être prévue avec une exactitude utile. Lorsque les cycles sont rigides, expéditions nocturnes vers les magasins ou lancements de production en fin de poste, le calendrier fournit lui-même la fin.

Tronquer l’horizon nous oblige à valoriser ce qui le dépasse. La pénalité de rupture déjà mentionnée en est un exemple : elle représente l’érosion des achats répétés et les dynamiques de substitution que nous choisissons de ne pas simuler sur plusieurs saisons. Des valorisations fictives similaires sont parfois nécessaires ailleurs. Une marque de mode qui pratique de fortes remises en fin de saison peut constater que celles-ci apprennent aux clients à attendre ; le préjudice à long terme sur la demande est réel, mais difficile à modéliser sur des collections futures qui ne sont même pas encore conçues. Un petit malus de remise par unité, exprimé en unités monétaires et appliqué dans la fenêtre, maintient la justesse du moteur sans transformer le simulateur en saga pluriannuelle. Comme toujours, les prix doivent être explicites, assumés par un responsable, versionnés et visibles ; les pénalités cachées ne deviennent pas neutres, elles deviennent capricieuses.

Un bref exemple fixe les idées. Supposons qu’un importateur commande aujourd’hui un conteneur complet. La fenêtre d’évaluation commence lorsque le conteneur est dédouané et les marchandises disponibles ; elle se termine à l’arrivée du deuxième conteneur suivant sur la même liaison. Toutes les ventes réalisées entre-temps sont portées au crédit de la commande d’aujourd’hui ; toutes les ruptures sur la même période lui sont imputées selon la pénalité de rupture. Les unités résiduelles en fin de fenêtre reçoivent une valorisation terminale ou, dans l’approche à cliquet, les coûts futurs espérés de détention et de démarque sont intégralement imputés à la commande d’aujourd’hui. Le conteneur suivant est évalué dans sa propre fenêtre, selon les mêmes règles ; la responsabilité n’est pas comptée deux fois. Cette convention rend le moteur quotidien calculable et auditable, tout en préservant le réalisme économique là où il compte : dans les queues de distribution et dans les coûts irréversibles que les choix ultérieurs ne peuvent effacer.

La fenêtre de responsabilité s’accorde avec la position marginaliste développée plus haut. Elle permet au solveur de raisonner une étape à l’avance avec des entrées probabilistes, d’attribuer clairement les conséquences, puis de poursuivre. Sa validité est empirique, pas théorique : choisir les bornes, fonctionner en double mode face aux méthodes en place, mesurer les écarts en unités monétaires et ajuster. En pratique, ce dispositif réussit dans un large éventail de situations séquentielles, achats outre-mer, lissage des réceptions en entrepôt, expéditions vers les magasins, parce qu’il maintient l’attention là où se joue l’économie : sur les options valorisées et les futurs à queues épaisses, et non sur des récits pluriannuels spéculatifs.

8.5.1.1 L’économie de l’attente

Tout problème séquentiel contient une option silencieuse : ne rien faire pour l’instant. Attendre préserve les options et laisse l’information s’accumuler ; agir maintenant verrouille un taux de rendement et efface des alternatives. Le moteur doit valoriser explicitement le délai et adopter une règle de seuil. N’agir que lorsque le taux de rendement apériodique espéré ajusté au risque de la meilleure action admissible dépasse le coût fictif du capital plus la valeur de l’option d’attendre. En dessous de ce seuil, reporter.

Sur le plan opérationnel, cela devient une discipline simple et reproductible. Recalculer, chaque jour ou à une cadence dictée par la réalité, la meilleure prochaine action dans la fenêtre de responsabilité actuelle ; si son taux de rendement franchit le seuil, l’accomplir et enregistrer l’engagement ; sinon, attendre. Lorsqu’un conteneur vient d’être commandé, celui du lendemain est généralement non rentable : la demande ne s’est pas encore accumulée, les possibilités de consolidation sont minces et les pénalités de congestion à la réception menacent. Au fil des jours, les volumes s’agrègent, le chargement conjoint s’améliore et le rendement espéré augmente ; dès qu’il franchit le seuil, la commande est passée. La politique n’est pas « des cycles hebdomadaires par tradition », mais « dès que l’économie le justifie ».

La même logique régit les expéditions en aval. Prenons un centre de distribution de mode qui détient une poignée d’unités d’un immense succès commercial. Allouer aujourd’hui une unité à un magasin peu performant peut sembler anodin selon une prévision ponctuelle ; demain, cela devient un cliquet coûteux lorsqu’un magasin performant la réclame et qu’il n’en reste plus. Au lieu de tenter d’écrire le scénario de toute la saison, associer un prix fictif au stock sous tension du centre de distribution : un coût d’opportunité en unités monétaires par unité et par jour, qui représente l’option de satisfaire plus tard une meilleure demande. N’expédier vers un magasin que lorsque son rendement marginal, calculé selon la vision probabiliste actuelle de l’écoulement et de la pénalité de rupture, dépasse le prix fictif du centre de distribution. Loin de nuire au débit, cette patience tend à l’accroître là où il rapporte le plus ; une allocation prématurée réduit souvent le débit réalisé en figeant le stock là où il tournera lentement.

Attendre n’est pas tergiverser ; c’est une décision valorisée comme une autre. Le seuil intègre à la fois le coût du capital de l’entreprise et sa tolérance au risque de queue. Il incorpore aussi les heuristiques d’arrêt abordées plus haut : lorsque la confiance du moteur baisse, queues mal calibrées ou contraintes devenant actives de façon inhabituelle, les émissions sont suspendues jusqu’à ce que le cadre, les prix ou la sémantique soient réparés. Ainsi, la fenêtre de responsabilité et l’économie de l’attente se combinent pour transformer de nombreux problèmes séquentiels en une accumulation gloutonne à une étape, qui reste alignée sur le profit. La sous-section suivante, consacrée à l’invariance par permutation, montre pourquoi cette accumulation gloutonne fonctionne souvent, et où l’ordre compte réellement.

8.5.2 Invariance par permutation

De nombreuses allocations de supply chain sont exécutées par lots : un conteneur est rempli d’un mélange de SKU ; une ligne produit une série d’unités ; un camion quitte le centre de distribution chargé pour plusieurs magasins. Dans ces situations, ce qui compte économiquement est le multiensemble final des engagements marginaux du lot et les contraintes qu’il satisfait, poids, volume, créneaux, heures limites, et non l’ordre notionnel dans lequel les engagements atomiques ont été choisis. Lorsque les tests de faisabilité ne dépendent que des totaux et que les pénalités et les récompenses sont valorisées symétriquement pour les articles du lot, la fonction objectif est, à des effets négligeables de tenue des comptes près, invariante à toute permutation des micro-allocations qui composent le lot.

Cette observation est puissante lorsqu’on la combine aux instruments introduits plus haut. La fenêtre de responsabilité borne l’horizon sur lequel un lot répond de ses conséquences ; l’économie de l’attente fournit un seuil : n’agir que lorsque la meilleure action admissible dépasse le coût fictif du capital augmenté de la valeur de l’option de reporter. Avec ces deux éléments, le lot peut être assemblé de façon gloutonne : à chaque étape, recalculer les prix fictifs des ressources rares et choisir la prochaine unité admissible dont le taux de rendement apériodique espéré ajusté au risque est le plus élevé ; s’arrêter lorsque la capacité devient contraignante ou que le seuil n’est plus franchi. Comme la valorisation du lot est insensible à la permutation de ses constituants, cette construction progressive vise l’ensemble qui compte, le contenu du lot, et non une séquence cérémonielle dépourvue de réalité économique.

Deux réserves précisent ce qui est affirmé, et ce qui ne l’est pas. D’abord, si la valeur finale d’un lot est insensible à l’ordre, la valeur marginale d’une unité donnée dépend bien du chemin suivi : les premiers choix sont soumis à des contraintes moins serrées que les derniers. C’est précisément pourquoi l’accumulation gloutonne doit recalculer les prix fictifs après chaque ajout ; la dépendance au chemin est traitée par la réévaluation des prix, tandis que l’ensemble qui se constitue reste l’objectif. Ensuite, l’invariance par permutation n’est pas une preuve d’optimalité globale ; c’est la justification d’ingénierie d’une recherche qui grimpe rapidement vers les hauteurs dans des problèmes dominés par les rendements décroissants et les pénalités valorisées, exactement la géométrie examinée plus haut dans De l’optimalité. Le moteur recommence au rythme des opérations ; l’exécution de demain part d’un état mieux initialisé et d’un espace plus restreint, et le mécanisme de fenêtre attribue les conséquences sans simuler tout l’avenir.

Des cas concrets l’illustrent. Lors du remplissage d’un conteneur outre-mer, la faisabilité porte sur les totaux, poids et volume, et sur les dates limites, tandis que la valeur provient du mélange qui se vendra dans la fenêtre d’évaluation. Il est raisonnable d’ajouter des unités, éventuellement sur de nombreux SKU, par ordre décroissant de rendement marginal, de suspendre l’ajout chaque fois que l’économie de l’attente dit « pas encore », puis de reprendre à mesure que la demande et les possibilités de chargement conjoint s’accumulent. Dans les expéditions du centre de distribution vers les magasins, le stock du centre de distribution porte un prix fictif qui reflète l’option de satisfaire demain une demande supérieure (voir L’économie de l’attente). Un magasin ne reçoit une unité que lorsque son rendement marginal dépasse ce prix fictif ; au sein d’une vague de départs, les unités sont ensuite ajoutées de façon gloutonne jusqu’à ce que les pénalités valorisées et les capacités du camion conseillent de s’arrêter. Le résultat est souvent un débit réalisé plus élevé là où il compte le plus. Les allocations prématurées figent le stock dans des lieux à faible rendement, une agitation qui déprime le débit une fois que la saison révèle les véritables gagnants.

L’invariance par permutation aide aussi à garder des modèles petits et auditables. Les contraintes de lot, quantités minimales de commande, incitations au camion complet, congestion des quais, s’expriment mieux sous forme de tests de faisabilité et de pénalités valorisées portant sur l’ensemble expédié que sous forme de règles procédurales qui scénarisent un ordre de sélection. Les premiers produisent des prix clairs et des arrêts nets ; les secondes engendrent des artefacts et des traitements d’exception. Puisque la valeur du lot ne dépend pas d’une séquence cérémonielle, le solveur est libre de proposer le prochain meilleur engagement marginal, d’en consigner le dossier et de recommencer jusqu’à ce que le seuil impose l’arrêt.

8.5.2.1 Allocations sensibles à l’ordre

Tous les problèmes séquentiels n’admettent pas l’invariance par permutation. Certaines catégories sont intrinsèquement sensibles à l’ordre : la tournée d’un véhicule, la séquence des tâches dans un atelier avec des temps de changement de série et des compétences rares, le parcours d’un préparateur dans un magasin automatisé. La distance parcourue, les files d’attente et les blocages, ou les pertes dues aux changements de série, dépendent alors directement de l’ordre des tâches. Intervertir deux arrêts dans une tournée de collecte peut ajouter une heure de conduite ; permuter deux étapes dans un programme d’intervention MRO peut allonger le délai de remise en service d’une journée. Dans ces cas, la séquence a une réalité économique, et le modèle doit le dire.

La méthodologie reste néanmoins cohérente avec ce chapitre. Nous gardons le cadre explicite, actions admissibles et tests de faisabilité, l’économie ouverte, pénalités valorisées pour les retards, heures supplémentaires, créneaux manqués et vieillissement, et nous intégrons des visions probabilistes de la demande, des temps de trajet, des durées de réparation et des fiabilités. Le rôle du solveur est alors de proposer une séquence, pas simplement un ensemble. Les fenêtres de responsabilité continuent de borner l’attribution, fin de poste, fin de journée, retour au dépôt, et les pénalités valorisées intègrent dans l’objectif les limites impossibles à garantir. Le principe demeure : n’expliciter l’ordre que là où il change les montants monétaires ; ailleurs, le traiter comme un artefact et laisser l’invariance par permutation justifier l’accumulation gloutonne.

Considérées ensemble, l’invariance par permutation et l’économie de l’attente encouragent l’engagement tardif. Lorsque la valorisation d’un lot dépend de son contenu, mais pas du cérémonial de sa sélection, il est prudent de reporter les engagements jusqu’à ce que les rendements marginaux franchissent le seuil, puis d’assembler rapidement le lot par accumulation gloutonne. La section suivante, consacrée au principe du report, formalise cette position et montre comment concevoir les flux pour que les choix engageants soient faits aussi tard que possible en pratique, préservant les options et améliorant les rendements sous incertitude.

8.5.3 Principe du report

L’invariance par permutation et l’économie de l’attente indiquent une règle générale pour le travail séquentiel : s’engager tard. L’entreprise gagne son avantage en reportant les choix irréversibles jusqu’à l’arrivée d’informations qui modifient sensiblement le classement des options, tout en imputant un juste prix au délai. Dans la vision téléologique (chapitre L’avenir), le report est une nuisance qui complique la conformité au plan. Dans la vision de terrain, c’est une option valorisée : il préserve des alternatives et n’est exercé que lorsque son rendement espéré ajusté au risque franchit le seuil pertinent.

Le report, aussi appelé engagement tardif, consiste à organiser le flux pour que les choix engageants ne soient pas faits avant que l’économie ne le justifie. Garder les biens, les capacités et les engagements dans des états génériques et réaffectables jusqu’à ce que le taux de rendement apériodique espéré ajusté au risque de l’engagement dépasse (i) le coût fictif du capital, (ii) la valeur de l’option d’attendre et (iii) la prime de report, les coûts supplémentaires payés pour garder les options ouvertes.

La prime est tangible : détenir des stocks semi-finis qui pourront être spécialisés plus tard ; maintenir des rémunérations de disponibilité auprès de fournisseurs de remplacement ; réserver des capacités de teinture ou de constitution de kits ; payer de la manutention supplémentaire pour garder le stock mutualisé au centre de distribution ; et investir dans une orchestration plus sophistiquée. Le report n’est pas de la « flexibilité gratuite » ; c’est un pari selon lequel la valeur de l’information et de l’optionalité fera plus que compenser la prime et tout risque de vieillissement au sein de la fenêtre de responsabilité. Correctement appliqué, le report tend à raccourcir la demi-vie des décisions (voir Changer de cap ci-dessous), en rapprochant les engagements du moment où ils commencent à rapporter et en réduisant les mauvaises allocations coûteuses qui, autrement, persisteraient.

L’engagement tardif prend plusieurs formes récurrentes, toutes régies par le même test économique.

Différenciation retardée. Un importateur de mode peut s’engager tôt sur du tissu écru et des fournitures, des intrants génériques bon marché, et reporter les spécialisations coûteuses, teinture, lavage, étiquetage, répartition des tailles, répartition géographique, jusqu’à ce que les premiers écoulements révèlent quels articles et couleurs présentent des queues épaisses. Les options admissibles deviennent explicites : finir maintenant et expédier largement, ou attendre quelques semaines et finir ce que les gagnants absorberont réellement. Le moteur de décision valorise la valeur de récupération des articles à la traîne, la pénalité de rupture sur les gagnants, les coûts de spécialisation et la prime payée pour garder l’atelier de teinture disponible ; il ne s’engage ensuite que lorsque le taux de rendement apériodique espéré franchit le seuil.

Report de l’allocation. Expédier trop tôt des unités rares aux magasins les fige là où elles tournent lentement. Les conserver au centre de distribution avec un prix fictif visible, en unités monétaires par unité et par jour, préserve l’option de satisfaire demain une meilleure demande. Un magasin ne reçoit une unité que lorsque son rendement marginal, calculé selon la vision probabiliste actuelle de l’écoulement et de la pénalité de rupture, dépasse le prix de rétention du centre de distribution (voir L’économie de l’attente). Le débit augmente généralement là où il compte le plus, parce que les gagnants sont servis en premier et que les retardataires n’accaparent pas le stock.

Report de la finition ou de la constitution de kits. Colorer, constituer des kits, emballer ou régionaliser les variantes trop tôt engage l’entreprise sur une répartition de la demande encore inconnue. Garder les encours génériques et finir tard permet aux commandes de révéler le mélange. La prime correspond à la manutention supplémentaire et à la réservation de capacité à l’étape de finition ; le bénéfice est une réduction des dépréciations sur les mauvaises variantes et une demi-vie plus courte de la décision, puisque le stock n’est spécialisé que lorsqu’un preneur existe.

Report temporel. Sur les liaisons entrantes, un conteneur commandé « parce que c’est mardi » échoue le plus souvent au test économique. Au fil des jours, les volumes s’accumulent, le chargement conjoint s’améliore et les pénalités de congestion à la réception évoluent. Recalculer chaque jour ; émettre la commande le jour où le meilleur lot admissible franchit le seuil défini par le coût fictif du capital, la valeur de l’option d’attendre et la prime de report. La cadence devient un résultat de l’économie, pas du calendrier.

Report du prix. Les prix façonnent la demande ; reporter les démarques ou les promotions jusqu’à ce que l’incertitude se soit réduite peut être supérieur à une trajectoire de prix préétablie. Les prévisions fonctionnelles (chapitre L’avenir) explicitent la politique de prix et permettent au moteur de comparer « démarquer maintenant » à « attendre encore une semaine » dans le même registre monétaire. La prime est ici le risque de rester avec du stock vieilli si la fenêtre se ferme ; le bénéfice est de tirer davantage des gagnants sans apprendre aux clients à attendre.

Sur le plan opérationnel, le report est l’art de dissocier les engagements en décisions qui peuvent être arrêtées tard. Décomposer le monolithe, « tous les articles, quantités, destinations et dates décidés neuf mois à l’avance », en micro-décisions échelonnées qui correspondent à la physique du flux. S’engager tôt sur les intrants peu exigeants en information et à délai long ; reporter les spécialisations exigeantes en information et à délai court ; garder le stock mutualisé jusqu’à ce que son affectation rapporte ; et négocier des volumes flexibles et des spécifications tardives lorsque la prime reste tolérable. Les dirigeants « simplifient » souvent les problèmes séquentiels en les rigidifiant, gel des assortiments, interdiction des réallocations en cours de saison, verrouillage des trajectoires de prix, non parce que la physique l’exige, mais parce que les processus avec intervention humaine ne peuvent y faire face. Avec des systèmes d’intelligence sans intervention humaine, le goulot d’étranglement devrait se situer dans les atomes et les heures, pas dans la pile décisionnelle ; l’engagement tardif devient alors non seulement possible, mais courant.

Comme toute heuristique, le report a un domaine de validité limité. Là où l’ordre a des conséquences intrinsèques, tournées de véhicules, séquencement d’atelier, parcours des préparateurs, l’engagement précoce est le problème, et la séquence doit être optimisée plutôt que reportée. Une autorisation réglementaire préalable, des compétences rares de changement de série ou des marchandises périssables peuvent aussi imposer des frontières strictes au-delà desquelles attendre ne rapporte plus. Le remède n’est pas d’abandonner le report, mais de repousser en amont la frontière de l’engagement tardif aussi loin que l’économie et la faisabilité le permettent, et de valoriser explicitement le reste dans l’objectif : pénalités de retard, de vieillissement, d’heures supplémentaires ou de créneaux manqués.

En pratique, la règle est simple et reproductible. À la cadence dictée par la réalité, recalculer la meilleure action d’engagement admissible dans la fenêtre de responsabilité actuelle. Ne s’engager que lorsque son taux de rendement apériodique espéré ajusté au risque dépasse la somme du coût fictif du capital, de la valeur de l’option d’attendre et de la prime de report. Sinon, attendre. Là où l’engagement tardif ne peut être conçu, ou lorsque la latence doit rester de l’ordre de quelques dizaines de millisecondes, des règles précalculées et paramétrées se justifient : c’est le sujet de la sous-section suivante, la recherche de politique.

8.5.4 Recherche de politique

Les pages précédentes ont traité les décisions séquentielles sans réifier une « politique ». Une fenêtre de responsabilité bornait l’attribution ; l’économie de l’attente valorisait l’inaction ; l’invariance par permutation justifiait l’accumulation gloutonne ; l’engagement tardif préservait les options. Pour de nombreux flux, cela est suffisant et supérieur : la maille reste marginale, les prix explicites, le raisonnement lisible. Il existe néanmoins des cas où nous devons condenser le calcul dans une règle applicable à la milliseconde, ou dans lesquels la physique du problème rend l’ordre intrinsèque plutôt que cérémoniel. Dans ces cas, nous n’abandonnons pas la position économique ; nous la codifions dans une politique et explorons l’espace de ces politiques.

Une politique, telle que définie plus haut, est un algorithme qui associe aux états des actions admissibles sous des prix énoncés et des prévisions probabilistes. Mettre cette définition en pratique sert un seul but : déplacer les calculs lourds en amont, dans une recherche stochastique hors ligne, pour que l’inférence au moment de décider soit rapide et fiable. Lorsque la latence autorisée est généreuse, de quelques minutes à quelques heures, recalculer le meilleur engagement marginal avec des prévisions fraîches est généralement préférable au maintien d’une politique. Lorsque la latence est serrée, quelques dizaines de millisecondes, ou lorsque des milliers d’agents indépendants doivent agir simultanément avec une information locale, flottes de préparateurs dans un entrepôt automatisé, placement dynamique dans un magasin à navettes, séquences de tâches sensibles à l’ordre avec des compétences rares de changement de série, une politique bien conçue devient le bon véhicule de l’économie déjà développée dans ce chapitre.

Méfions-nous de l’attrait des « preuves sous stationnarité ». La littérature regorge de politiques analytiques qui ne sont « optimales » que dans des mondes jouets : demande stationnaire, queues fines, coûts additifs, absence de cliquets. Notre monde est accidenté : les distributions changent, les queues dominent et les engagements effacent des options. L’optimalité symbolique ne doit jamais primer sur le gain mesuré dans un simulateur fidèle, puis en production en exécution parallèle.

Quand la recherche de politique se justifie-t-elle donc ? Chaque fois que l’ordre modifie réellement les montants monétaires et ne peut être recalculé assez vite ; chaque fois que le calcul doit être retiré du chemin critique sans sacrifier l’économie ; chaque fois que des milliers de petits agents doivent agir de façon cohérente à partir de vues locales ; et chaque fois qu’une règle simple et paramétrée peut porter l’esprit du report, de la valorisation marginale et des contraintes valorisées avec une latence inférieure de plusieurs ordres de grandeur. Lorsque ces conditions ne sont pas réunies, les instruments plus légers déjà introduits, attribution bornée par une fenêtre, économie de l’attente, invariance par permutation et engagement tardif, restent préférables : ils ramènent le goulot d’étranglement aux atomes, gardent les options ouvertes jusqu’à ce que l’engagement rapporte et évitent d’enfermer les convictions d’hier dans des règles qui vieilliront.

Bien placée, la recherche de politique complète l’ensemble plutôt qu’elle ne le remplace entièrement. C’est ainsi qu’une entreprise convertit un calcul approfondi et lent en actions rapides et répétées tout en préservant le même fondement économique : les décisions restent des paris marginaux, valorisés en unités monétaires, justifiés sous des futurs probabilistes et révisés à mesure que la réalité se révèle. La section suivante passe des règles à l’inertie et quantifie le poids réel d’un engagement, sa charge et sa demi-vie, pour qu’entre deux actions également rentables, l’entreprise préfère celle qui lui permet de changer de cap plus tôt.

8.6 Changer de cap

Sur un marché libre, la seule constante est le changement. Pouvoir changer de cap est une question de survie pour toute entreprise. Pourtant, chaque décision de supply chain s’accompagne d’un effet de cliquet : une fois les ressources allouées, elles ne sont plus immédiatement disponibles pour d’autres usages. Certaines décisions semblent définitives, comme un processus de fabrication qui consomme des matières premières, tandis que d’autres paraissent réversibles, comme le déplacement de stock entre entrepôts. Dans tous les cas, d’un point de vue économique, ces décisions peuvent être défaites, bien que le temps et l’argent nécessaires varient.

Face à des décisions dont les taux de rendement projetés sont égaux, une entreprise doit privilégier celles dont les engagements sous-jacents sont les plus faibles, en temps ou en argent. Éviter les engagements inutilement importants est essentiel pour maintenir l’agilité de l’entreprise et, grâce à cette agilité, résister aux chocs de marché qui surviendront inévitablement.

Dans la vision téléologique, prévoir, planifier, exécuter conformément au plan, il n’existe aucune notion opérante d’agilité. L’avenir est traité comme un calendrier à faire respecter, et les instruments gravitent vers des indicateurs de contrôle du plan : exactitude des prévisions, pourcentages de taux de service, utilisation, rotation des stocks. Ces jauges disent peu de la capacité de l’entreprise à changer de cap ; elles récompensent l’adhésion à une trajectoire devinée et restent aveugles au temps nécessaire pour dénouer les engagements. L’agilité est pourtant la capacité à se dégager d’engagements ou à les réaffecter rapidement lorsqu’une nouvelle information arrive, à un coût tolérable.

Pour parler d’agilité en termes économiques, nous devons remplacer les substituts de conformité au plan par des mesures qui valorisent les engagements dans le temps. Le trio classique, délai, fonds de roulement et rotation des stocks, reste présent, mais nous le reformulons à travers deux grandeurs opérationnelles qui explicitent la durée : la charge imposée par une décision (argent \(\times\) temps) et la demi-vie de cette charge (le temps nécessaire pour libérer la moitié des ressources engagées par cette décision).

Le délai, au sens large, est le temps qui sépare une décision de la disponibilité renouvelée d’une ressource. Le fonds de roulement est la différence entre les actifs courants et les passifs courants¹⁴³. La rotation des stocks mesure le nombre de fois où le stock est vendu ou utilisé au cours d’une année. Ensemble, ces indicateurs nous disent combien de capital est immobilisé, mais ignorent largement pendant combien de temps ; les notions de charge et de demi-vie qui suivent répondent à cet angle mort.

Toutes choses égales par ailleurs, un délai plus court, un fonds de roulement plus faible et une rotation des stocks plus élevée accroissent la capacité à changer de cap. Ces concepts caractérisent en effet l’inertie générale de l’entreprise : son incapacité à changer de cap immédiatement, puisqu’elle doit d’abord liquider la masse d’actifs qui circule actuellement tout en préservant leur valeur.

Ces concepts restent toutefois d’une utilité limitée pour comprendre l’inertie de l’entreprise. Cela ne signifie pas qu’ils soient faux, ni même mal orientés ; c’est plutôt que le sujet, la caractérisation de cette inertie, admet d’autres concepts supérieurs sur le plan opérationnel.

8.6.1 La charge d’une décision

La charge de financement d’une décision sur le flux quantifie l’engagement de ressources sous-jacent comme le produit de la valeur d’une ressource et de la durée de vie des biens qu’elle crée, en unités d’argent \(\times\) temps.

Prenons un exemple simple. Si l’entreprise achète un lot valant 10 unités monétaires et le revend 5 jours plus tard, la charge est \(L = 10 \times 5 = 50\). Si elle vend plutôt la moitié du lot 5 jours plus tard et l’autre moitié 20 jours plus tard, la charge est \(L = \frac{10}{2} \times 5 + \frac{10}{2} \times 20 = 125\).

La seconde situation produit une charge plus de deux fois supérieure à la première, parce que l’entreprise détient le stock pendant plus du double du temps.

Supposons maintenant que le paiement du lot soit différé de 12 jours. La charge de la première situation est effectivement nulle, puisqu’aucun financement n’est nécessaire : le fournisseur est payé après la vente des marchandises. La charge de la seconde situation est \(L = \frac{10}{2} \times (20 - 12) = 40\).

Le paiement différé peut réduire sensiblement la pression de financement nécessaire au maintien du flux.

La charge mesure le fonds de roulement immobilisé sur toute la vie d’une décision, pas seulement à une date de reporting. Alors que les chiffres ordinaires de fonds de roulement donnent une photographie, la charge associe une durée à chaque unité monétaire engagée. Pour une entreprise soumise à une pression de financement, cette mesure pondérée par le temps, lue aux côtés du rendement espéré, guide plus finement le classement des options et l’orientation du capital rare vers ses meilleurs usages.

De nombreuses entreprises exigent l’approbation d’un responsable dès qu’une commande d’achat dépasse un seuil. La règle vérifie le montant et l’effet potentiel sur la liquidité, mais elle néglige le cycle de vie des marchandises. Une petite commande peut immobiliser du capital pendant des mois, tandis qu’une grosse commande en attente peut être soldée du jour au lendemain. La charge saisit directement ce fardeau caché lié au temps.

Les entreprises représentent souvent la valeur du stock en fonction de sa rotation pour repérer les pièges à capital, mais la charge fusionne déjà les deux dans une seule mesure.

8.6.2 La demi-vie d’une décision

La demi-vie d’une décision est le temps écoulé, généralement mesuré en jours, jusqu’à ce que sa charge diminue de moitié par les ventes, la consommation ou le service.

Prenons une commande outre-mer dont la livraison exige 10 semaines, puis un conteneur complet dont la moitié du stock est vendue en 20 semaines. La demi-vie est donc \(7\,(10+20)=210\,\text{jours}\).

Empruntée à la physique, la demi-vie mesure le temps nécessaire pour réduire de moitié la charge d’une décision ; elle apporte une dimension temporelle que le seul délai masque. Le délai sous-estime en effet la durée des conséquences d’une décision dès qu’il y a regroupement par lots. Une critique similaire s’applique au temps de cycle et à la rotation des stocks. Bien entendu, le seuil de la « moitié » est arbitraire ; n’importe quel quantile pourrait le remplacer. Pour reprendre l’exemple, la durée de vie à 75% de l’achat serait de \(280\) jours, en supposant une demande constante.

La demi-vie mesure la rapidité avec laquelle une décision peut être dénouée ; les longues demi-vies enferment l’entreprise dans sa trajectoire actuelle et érodent son agilité.

De plus, la demi-vie résiste mieux à la manipulation que le délai : jouer avec un indicateur, embellir le chiffre sans améliorer la réalité, devient plus facile lorsque la mesure ignore combien de temps le capital reste immobilisé. Cela découle souvent d’incitations mal alignées qui récompensent l’indicateur lui-même plutôt que les résultats qu’il est censé représenter. Les entreprises qui recherchent l’agilité s’attaquent en effet souvent au problème en comprimant les délais. Un piège fréquent consiste toutefois à réduire les délais au détriment des demi-vies.

9 Ingénierie

La pratique moderne de la supply chain fonctionne avec au moins un degré d’indirection : les personnes conçoivent des processus de décision, et ces processus émettent une multitude de décisions courantes qui pilotent le flux. Les objets qui les émettent sont des recettes numériques : des programmes qui ingèrent des enregistrements faisant autorité, portent des paramètres économiques explicites et émettent des engagements exécutables et auditables¹⁴⁴. Dans les chapitres précédents, Information, Intelligence et Décisions, nous avons soutenu que ces moteurs doivent fonctionner sans intervention humaine pour que l’entreprise transforme le jugement en un actif productif plutôt qu’en une charge administrative sans fin. Ce chapitre aborde les principes d’ingénierie qui permettent à ces moteurs d’exister et de faire fructifier leurs acquis.

Le périmètre est volontairement restreint. Nous ne reprendrons pas les sujets génériques du logiciel : frameworks d’interface utilisateur (UI)¹⁴⁵, authentification, infrastructure CI/CD¹⁴⁶, plans de contrôle, bus de messages ou connexions avec les systèmes d’enregistrement. La littérature sur ces sciences auxiliaires est abondante. Nous nous intéressons à la jonction où le raisonnement économique rencontre le code : comment cadrer les options admissibles, porter l’incertitude sans l’aplatir, valoriser les arbitrages en monnaie et préserver l’auditabilité pour que la filiation d’une décision reste lisible des mois plus tard. Le ton demeure délibérément non technique, sans algèbre ni listings de code, afin de clarifier les choix fondateurs qui permettent à un système d’intelligence d’émettre des décisions sans intervention humaine, de manière sûre, répétée et rentable.

Deux précisions ancrent la suite. Premièrement, « recette numérique » désigne tout l’appareil qui compte en pratique : pas seulement les modèles de prévision et les optimiseurs, mais aussi l’instrumentation qui révèle pourquoi une recommandation est sensée, les conditions d’arrêt qui suspendent les émissions lorsque la confiance baisse et les dossiers qui permettent aux praticiens de comprendre, en termes monétaires, ce que le moteur tenait pour vrai à ce moment-là. Deuxièmement, si le paysage applicatif de chaque entreprise est singulier, la position d’ingénierie défendue ici est générale : préférer les cadres explicites aux conventions tacites, les visions probabilistes aux substituts ponctuels, les pénalités valorisées aux décrets rigides impossibles à faire respecter et la reproductibilité à l’héroïsme.

Les LLM méritent un bref commentaire. Leur rôle grandit et deviendra crucial à mesure qu’ils compriment le coût de rédaction, de refactorisation, de test et de documentation des recettes numériques. Ils ne remplacent pourtant pas la compétence technique. Les LLM ne fournissent pas le cadrage économique, ne résolvent pas la sémantique des données et n’imposent ni déterminisme ni auditabilité ; ils accélèrent seulement les mains qui accomplissent le travail. Traités comme des scribes compétents, instrumentés, contrôlés et encadrés, ils raccourcissent la boucle d’itération qu’exige le travail expérimental. Traités comme des oracles, ils favorisent des erreurs subtiles et coûteuses.

Enfin, un appel à agir : l’avantage concurrentiel ne repose plus sur une pile plus épaisse de tableaux de bord, à supposer qu’il y ait jamais reposé, mais sur la possession d’une petite capacité animée par l’esprit d’ingénierie, qui inscrit l’économie de l’entreprise dans un logiciel et le laisse fonctionner sans intervention humaine. La section suivante explique pourquoi cette capacité ne peut s’acheter sous la forme d’une couche de « planification » prête à l’emploi, et pourquoi, pour les systèmes d’intelligence, la programmabilité n’est pas une affaire de goût, mais une nécessité pour la sûreté et le profit.

9.1 Pourquoi programmer

Avant de poursuivre, une précision de périmètre. Au chapitre Information, nous avons distingué les systèmes d’enregistrement, les systèmes de reporting et les systèmes d’intelligence. La suite concerne cette dernière catégorie. Les registres et les moteurs de processus, ERP, WMS, CRM, se prêtent bien à des produits prêts à l’emploi parce qu’ils enregistrent des événements discrets et imposent des parcours régis par des règles ; les entités sont largement découplées par construction. La configuration peut exprimer les couplages modestes qu’introduisent les processus, et les logiciels du marché, COTS (Commercial off-the-shelf), suffisent. Ce qui résiste à cette mise en produit est le moteur qui compose ces enregistrements en décisions sans intervention humaine, valorisées économiquement.

L’apparition des logiciels d’entreprise à la fin des années 1970 a prolongé l’espoir d’après-guerre, nourri par la recherche opérationnelle, selon lequel les problèmes quantitatifs de supply chain admettraient une formulation fermée et permanente. Éditeurs et universitaires visaient à cristalliser ces résolutions dans des cadres réutilisables afin que des utilisateurs non techniques puissent « configurer » la prise de décision une fois pour toutes. Cette ambition, raisonnable pour les registres, a été transplantée intégralement dans les systèmes d’intelligence.

Un demi-siècle plus tard, cette promesse ne s’est pas concrétisée pour les systèmes d’intelligence. Les piles de « planification » COTS prennent des mois ou des années à installer, mobilisent des armées de spécialistes et dégénèrent malgré tout en contournements sur tableur lorsqu’elles rencontrent la texture d’un flux vivant. L’échec est structurel : une inadéquation entre des modèles génériques et les couplages propres à l’entreprise.

Les résolutions analytiques fermées sont fragiles parce qu’elles présupposent que tout ce qui doit être décidé peut être énuméré à l’avance. La réalité refuse de s’y plier. Le seul avantage durable des tableurs, malgré leurs nombreux défauts, est précisément leur programmabilité. Ils permettent aux praticiens d’encoder les particularités dès qu’elles comptent économiquement. La programmabilité n’est pas une commodité ; c’est la propriété essentielle d’un système d’intelligence.

Des quantités d’apparence anodine révèlent cette fragilité. Prenons du câble en vrac. Un registre qui indique « 10 000 mètres en stock » cache ce qui gouverne réellement la faisabilité et la valeur : la composition et la découpe. Dix bobines d’un kilomètre et mille bobines de dix mètres représentent dans les deux cas 10 000 mètres, mais ce sont des actifs économiques opposés une fois valorisés les profils de longueur demandés par les clients, les pertes à la coupe et les chutes. L’unité, le mètre, masque l’état sur lequel les décisions doivent raisonner.

Le câble n’a rien d’exotique. Des particularités similaires, parfaitement ordinaires, traversent tous les secteurs. Dans l’aéronautique, les rotables et les pièces réparables présentent des compatibilités asymétriques : des pièces substituables dans un sens, mais pas dans l’autre, dès que l’on tient compte des révisions suivies par numéro de série et des composants à durée de vie limitée. Dans la mode, les substitutions explicites et implicites évoluent avec le calendrier du merchandising et les gammes de tailles et de couleurs. Dans le bricolage, les articles sont liés par des dépendances à l’échelle du projet : un robinet sans le kit de siphon ou les raccords correspondants est un stock dormant. Dans l’alimentaire, les courtes durées de conservation se combinent à des politiques de démarque agressives, à des canaux secondaires et à des remises fournisseurs qui réévaluent le stock en quelques jours. L’e-commerce couple les SKU à l’expédition par l’emballage, les règles des transporteurs et les heures limites de livraison. Les « câbles » de chaque domaine sont banals au sein du métier et fatals aux modèles génériques.

Puisque les supply chains sont des systèmes, ces particularités ne restent pas marginales. Elles se couplent au reste du flux par les capacités partagées, les paniers et les attentes des clients. Les isoler pour les traiter manuellement ne fait que déplacer le coût et le risque. Si elles pouvaient être mises en quarantaine, un petit processus semi-autonome suffirait ; elles ne le peuvent pas. Une contrainte découverte dans un coin, longueurs de bobine, compatibilités par numéro de série, gammes de tailles et de couleurs, modifie l’assortiment réalisable, revalorise les options, déplace la cadence des réceptions et remodèle la constitution des commandes et la promesse de service.

Les éditeurs de logiciels se heurtent à une loi d’ingénierie implacable lorsqu’ils tentent d’absorber ces couplages dans un produit prêt à l’emploi : les interactions croissent plus vite que les capacités. Chaque nouvelle capacité « centrale » qui interagit réellement avec les autres multiplie les surfaces à tester et les cas limites ; une modeste augmentation de 25 % de ces capacités peut facilement doubler la charge d’ingénierie. La courbe de coût est superlinéaire, parce que le produit doit couvrir simultanément les particularités de nombreuses entreprises, alors que chacune n’a besoin que des siennes.

À l’inverse, les instruments programmatiques rudimentaires disponibles, surtout les tableurs, permettent aux praticiens de se concentrer sur les quelques complications qui existent réellement dans leur contexte. En restreignant le périmètre à leur propre économie, ils contournent les déséconomies qui font échouer les résolutions génériques. Cela explique, plus que l’habitude, pourquoi les équipes retournent aux tableurs après de coûteux déploiements de « planification ».

Rien de cela ne met en cause les systèmes d’enregistrement. Les applications CRUD qui stockent les événements faisant autorité et imposent des processus régis par des règles peuvent être livrées prêtes à l’emploi ; leurs entités sont largement découplées par conception et leurs couplages sont explicites, locaux et auditables. Les difficultés ne commencent que lorsque cette même approche de mise en produit s’étend à un système d’intelligence, dont le but même est de naviguer dans les couplages propres à l’entreprise, dans l’incertitude.

Des moteurs de décision prêts à l’emploi seraient une perspective rassurante pour les managers non techniques ; ils relégueraient la programmation au rang de compétence de second ordre. Malheureusement, la nature des systèmes d’intelligence l’exclut. Sans intelligence artificielle générale, aucun catalogue fini de modèles ne peut anticiper les couplages qui comptent pour une entreprise donnée à un moment donné. Rechercher la configurabilité à la place de la programmabilité relève du vœu pieux.

Il nous reste donc la perspective de recourir à des résolutions programmatiques ad hoc pour la supply chain. La tâche est moins intimidante qu’il n’y paraît, car les tableurs sont programmables, et cet aspect ne les a pas empêchés de connaître un succès considérable dans les milieux de la supply chain. Elle soulève toutefois la question de l’adéquation des outils dont nous disposons pour cette entreprise, à commencer par le choix des paradigmes de programmation. Des milliers de langages de programmation ont été conçus depuis les années 1950. Il est déraisonnable de supposer qu’ils conviennent tous aussi bien aux défis de la supply chain. En particulier, la popularité d’un langage ou d’un outil au-delà de ces milieux a peu à voir avec son adéquation à ces défis.

9.2 Optimisation expérimentale

Les défis de la supply chain sont au minimum opaques, et parfois également épineux. Un défi opaque se caractérise par une forte incertitude épistémique : nous faisons face à des inconnues connues et, souvent, à des inconnues inconnues. Un défi épineux est pire : il se déplace à mesure que l’on tente de le résoudre, même lorsque l’acteur est un tiers, généralement un concurrent. Les défis épineux ne se plient à aucune résolution formelle statique.

L’opacité est une propriété inhérente aux systèmes d’enregistrement qui sous-tendent l’exécution du flux. Comme nous l’avons vu au chapitre Information, établir simplement la bonne sémantique de toutes les données pertinentes représente déjà une entreprise immense et sujette aux erreurs. En pratique, même une recette numérique modeste sélectionne des centaines de champs parmi des dizaines de milliers répartis dans des centaines de tables.

Le caractère épineux apparaît dès que l’adéquation de la réponse dépend de ce que les concurrents font ou ne font pas. Par exemple, une position associant prix élevés et forte disponibilité peut prospérer lorsque la plupart des rivaux recherchent des prix bas et des stocks réduits ; elle peut vaciller dès qu’ils convergent vers la même position de prix élevés et de service supérieur.

L’optimisation expérimentale¹⁴⁷ est la pierre angulaire de l’ingénierie numérique pour la supply chain. Elle affronte directement l’opacité et le caractère parfois épineux de ses défis. Elle s’appuie sur les retours du « monde réel » pour améliorer la recette numérique par itérations. Premièrement, elle élimine les erreurs de code ordinaires qui ont une portée économique. Ces erreurs sont variées et fréquentes, et le seul examen minutieux du code ne permet pas de les éviter. Deuxièmement, elle ouvre la voie à la découverte des bons critères d’optimisation. Sans optimisation expérimentale, les tentatives de déployer des technologies logicielles supérieures pour la supply chain échouent invariablement, et les praticiens finissent par retourner à leurs tableurs.

9.2.1 Cartésianisme

Les auteurs de la supply chain, et par extension la plupart des éditeurs de logiciels d’entreprise, traitent les recettes numériques comme une entreprise descendante et purement intellectuelle. Ils commencent par poser la situation : nombre de SKU, topologie du réseau, contraintes, indicateurs à optimiser et autres particularités du même ordre. À partir de ce bagage, l’expert déduit une solution. Celle-ci prend généralement la forme d’un cadre permettant de composer les recettes numériques finales. Ce cadre est introduit pour accueillir les variations et être réutilisable dans de nombreuses situations.

Cette approche est connue sous le nom de perspective cartésienne, d’après le philosophe français du 17^e siècle René Descartes. Le cartésianisme insiste fortement sur la raison pure et la puissance de l’esprit. Il considère que parvenir à la vérité est, au fond, un exercice strictement intellectuel. À partir d’un petit ensemble de vérités évidentes, un raisonnement attentif et méthodique devrait conduire à des conclusions plus profondes et plus complexes.

Bien que la raison soit certainement préférable¹⁴⁸ aux autorités, au mysticisme, aux incitations corrompues ou aux visions induites par la drogue, le cartésianisme n’est pas sans défaut, particulièrement en supply chain. Rien n’est en effet évident dans le bagage initial censé caractériser une situation de supply chain donnée. En pratique, ce bagage est un assortiment hétéroclite et démesuré d’éléments à la validité douteuse.

Les auteurs savent généralement qu’un cadre purement intellectuel est une proposition insatisfaisante. Ils le mettent donc en œuvre et y mènent de nombreuses expériences in silico. Celles-ci prennent la forme de tests comparatifs, de tests rétrospectifs et d’autres simulations. Ces « expériences » visent à démontrer la solidité et la performance du cadre dans des conditions plausibles.

Malheureusement, soumettre un cadre à une batterie de tests « plausible » ne prouve pas grand-chose, et certainement pas sa solidité pour exploiter une supply chain réelle. Au mieux, ces tests détectent des problèmes grossiers, comme des difficultés de passage à l’échelle, qui entraveraient autrement les opérations. Pourtant, ces validations in silico sont loin de la preuve recherchée. Nous voulons des garanties fortes que le déploiement de la recette numérique obtenue sera globalement bénéfique pour l’entreprise.

Ces garanties ne viennent pas d’un surcroît de formalisme, mais de la réfutabilité au sens de Popper (voir le chapitre Épistémologie). Chaque recette numérique est une conjecture sur la manière dont l’entreprise doit engager ses ressources rares ; ses prémisses doivent être exposées à l’échec dans le monde qu’elle entend piloter. Les tests comparatifs et rétrospectifs sont d’utiles vérifications avant le départ : ils sondent la cohérence interne et le passage à l’échelle, mais n’affrontent pas les incitations antagonistes, la dérive sémantique et les événements à queues épaisses qui gouvernent le flux réel. Le remède à la position cartésienne est donc méthodologique, pas algébrique : concevoir l’environnement pour que la recette rencontre la réalité tôt et souvent, et faire de la réfutation la principale source de progrès.

9.2.2 Problèmes ordinaires

Lorsqu’un praticien de la supply chain met en œuvre une recette numérique, il est presque certain que le premier lot de décisions générées sera insatisfaisant. Nombre de chiffres produits seront « aberrants », un terme sur lequel nous reviendrons bientôt. Les causes profondes de ces décisions aberrantes sont généralement simples. Cinq catégories fragilisent couramment les recettes numériques : les bugs ordinaires, la sémantique des données, les contraintes, les facteurs économiques et la stratégie.

Premièrement, les bugs ordinaires. Une recette numérique digne d’une supply chain réelle couvre des milliers de lignes de code, sans parler des millions de lignes contenues dans ses dépendances génériques. Sept décennies d’ingénierie logicielle ont enseigné une leçon : le seul code sans bugs est celui qui n’a pas été écrit. Des paradigmes adaptés peuvent améliorer la situation, mais l’élimination complète n’est pas en vue, surtout lorsque l’on combine des logiciels écrits par de nombreuses mains et que les problèmes apparaissent aux interfaces.

Deuxièmement, les difficultés de sémantique des données. Cette catégorie a déjà été abordée au chapitre Information. Fondamentalement, la sémantique d’une colonne de base de données, par exemple « Date de commande », dépend de l’interprétation de l’opérateur. Si celui-ci entend par « Date de commande » la date à laquelle le fournisseur a confirmé sa volonté de servir la commande, telle est alors sa sémantique, quoi qu’en dise la documentation du système d’enregistrement. Un système moderne comptant des dizaines de milliers de colonnes, dont beaucoup se prêtent à plusieurs interprétations, les malentendus sont inévitables. Ces erreurs d’interprétation peuvent déformer gravement les décisions générées.

Troisièmement, les contraintes sont souvent non explicitées ou inventées. Une contrainte non explicitée est une contrainte mal documentée. Par exemple, Bob, qui gère les réapprovisionnements de l’entrepôt, sait qu’au-delà de 5 000 unités reçues par jour, l’équipe peine et doit recourir à des heures supplémentaires coûteuses pour suivre. Bob l’a appris un an auparavant, en passant quelques mois dans l’équipe de l’entrepôt. Cette limite de débit n’a pourtant jamais été documentée ; une recette numérique l’ignore donc entièrement. À l’inverse, les contraintes inventées apparaissent dès que la véritable contrainte est jugée trop compliquée pour une résolution semi-manuelle. Par exemple, les paliers de prix proposés par un fournisseur sont souvent remplacés par une MOQ, quantité minimale de commande, correspondant au prix unitaire que l’équipe achats juge acceptable. La contrainte est pourtant fabriquée : il est possible de commander en dessous de cette prétendue MOQ, à condition d’accepter un prix unitaire plus élevé. Une recette qui manque cette nuance provoquera souvent un surstock en cherchant à atteindre la MOQ à tout prix.

Quatrièmement, les facteurs économiques peuvent être mal évalués. Comme nous l’avons vu au chapitre Économie, la valorisation est difficile. Analyser économiquement le flux exige de nombreuses heuristiques d’attribution des dépenses et des recettes. De plus, nombre d’effets à long terme ne peuvent être estimés que grossièrement. Par exemple, les remises risquent d’éroder la disposition du client à payer et de le rendre de plus en plus opportuniste dans l’attente de la prochaine promotion. Quantifier cet effet est difficile, car les durées pertinentes se mesurent en années. Une recette guidée par des paramètres économiques erronés génère des décisions qui ont les apparences de la prudence, mais qui, au fil du temps, ne produisent pas les rendements espérés.

Cinquièmement, la stratégie de l’entreprise peut paraître bonne sur le papier, mais pas dans l’exécution. La direction peut, par exemple, privilégier une « satisfaction client absolue », puis découvrir que des acteurs malveillants abusent des facilités accordées, retours généreux ou expéditions pour le lendemain. Plus généralement, la stratégie reflète habituellement, pour une large part, une compréhension intuitive de l’économie sous-jacente de l’entreprise. Cette compréhension peut donc être juste dans ses grandes lignes, mais manquer des détails qui exigeraient un recours sélectif à d’autres stratégies. Plus largement, la nature des marchés et leur changement incessant garantissent qu’avec le temps, toute stratégie sera sapée par les concurrents.

Les chances d’obtenir des décisions adaptées à partir d’une recette numérique nouvellement rédigée sont infimes. Rechercher le « bon du premier coup », une perspective courante dans l’industrie manufacturière, relève du vœu pieux en supply chain. La complexité et l’opacité ambiantes sont trop grandes pour cela. Il est cependant tout à fait possible d’améliorer cette première version. Cela revient à identifier, puis à éliminer, les décisions « aberrantes ».

9.2.3 Décisions aberrantes

Une décision de supply chain est « aberrante » lorsqu’elle générera très probablement des pertes non voulues pour l’entreprise. Une recette numérique fraîchement rédigée produit invariablement de nombreuses décisions aberrantes. Au-delà du préjudice financier immédiat, celles-ci sapent à juste titre la confiance des praticiens dans l’automatisation elle-même. Si elles ne sont pas corrigées, leur seule présence dans les résultats garantit que les praticiens abandonneront la recette pour revenir aux tableurs.

Notons d’abord que si identifier des décisions aberrantes est un problème d’intelligence générale (voir le chapitre Intelligence), ce n’est pas un problème exigeant une grande intelligence. Une revue manuelle attentive, un chiffre à la fois, par un praticien suffit à repérer la plupart des cas fautifs. Le principal obstacle n’est pas la capacité du praticien, mais le temps nécessaire pour mener cette revue à grande échelle.

La difficulté ressemble à celle qui consiste à repérer les rebondissements invraisemblables dans un roman. Des lignes directrices peuvent accélérer la tâche, mais il n’y a aucun espoir de la résoudre entièrement dans les limites d’une formalisation étroite. Pourtant, la plupart des lecteurs reconnaissent facilement le moment où une histoire dépasse ce qui peut être considéré comme « plausible ».

De façon contre-intuitive, les décisions aberrantes sont souvent le seul moyen de faire apparaître les défauts de la recette numérique. Face à une décision aberrante, il faut reconstituer à rebours la suite de calculs qui y a conduit. En logiciel, un défaut reflète presque invariablement une conviction erronée. Quelque chose est tenu pour vrai alors qu’en réalité, il ne l’est pas. Par sa seule existence, la décision aberrante aide le praticien à déterminer quelle conviction est fausse.

9.2.4 Réfutation itérative

L’optimisation expérimentale est une méthodologie qui cherche à réfuter la recette numérique dans son état présent. Elle reconnaît que les décisions de supply chain doivent être soumises à des épreuves répétées face à la réalité, et que ces épreuves jouent un rôle fondamental pour exposer les erreurs cachées, même dans la solution conçue avec le plus de soin. Au lieu de prétendre que le problème est entièrement défini à l’avance, l’optimisation expérimentale cherche à découvrir et à corriger les problèmes dans une boucle itérative ancrée dans la pratique.

Le processus se déroule ainsi :

1. Proposer une recette numérique, une routine logicielle ou un script, qui convertit les données disponibles (prévisions, coûts, contraintes) en décisions explicites de supply chain (commandes d’achat, lancements de production, allocations).

2. Exécuter la recette dans un environnement assez stable pour générer des décisions réelles ou quasi réelles, en l’obligeant à affronter la complexité brute d’un jeu de données vivant, sans prétendre pouvoir commodément exclure les produits ou les sites « difficiles ».

3. Identifier les décisions « aberrantes » ; cette tâche exige généralement un examen humain : les managers ou les analystes inspectent les valeurs atypiques, les allocations suspectes ou les commandes d’une taille frappante jusqu’à en trouver la cause profonde. Celle-ci peut résider dans une sémantique de données erronée, un facteur de coût négligé ou une contrainte nouvelle.

4. Affiner l’instrumentation et réviser la recette : les données ou caractéristiques manquantes, par exemple la variance des délais ou de nouvelles catégories de contraintes fournisseurs, orientent la révision suivante. La structure explicite des coûts peut aussi être ajustée si l’itération révèle que la pénalité de rupture est irréalistement faible ou qu’elle induit un surstock coûteux et inutile.

5. Répéter jusqu’à ce que chaque boucle cesse de produire de nouveaux résultats « aberrants » ; avec le temps, les défauts flagrants diminuent et les solutions deviennent plus robustes et mieux alignées sur la réalité économique de la supply chain.

Une force distinctive de cette approche itérative est qu’elle invite à une réfutation directe. Si les décisions proposées par la recette semblent problématiques, même pour quelques SKU ou sites, une hypothèse doit être remise en cause et corrigée. Cela contraste avec la vision purement mathématique de l’optimisation, où les preuves d’optimalité offrent peu de recours lorsque le monde réel ne correspond pas au modèle initial. L’optimisation expérimentale accueille ces décalages : chaque défaut ou recommandation « aberrante » est une occasion de révéler des erreurs plus profondes.

9.2.5 Instrumentation

L’optimisation expérimentale dépend fortement de l’instrumentation. Le pipeline de données doit permettre de préparer et d’exécuter rapidement chaque nouvelle itération. Si chaque révision prend des semaines à déployer, le processus ne peut suivre le rythme de son environnement. D’où le besoin de données soigneusement versionnées, de processus reproductibles et de la capacité à « voyager dans le temps » en examinant les états et les résultats passés.

On pourrait s’attendre à ce que les indicateurs, rotation des stocks, taux de satisfaction des quantités demandées, exactitude des prévisions, soient les arbitres finaux du succès ou de l’échec. Ces mesures comptent, mais elles sont en retard sur les événements et peuvent être déformées par l’évolution des conditions. De plus, elles peuvent être manipulées. Les entreprises pressées d’améliorer leurs taux de service peuvent, par exemple, simplement surstocker partout. Quelques mois plus tard, ce stock gonflé provoque des dépassements de coûts. En réaction, de nouvelles contraintes sont superposées au système initial. Ce va-et-vient entre indicateurs et comportements peut dégénérer en un enchevêtrement de règles mouvantes qui obscurcit la performance.

Dans l’optimisation expérimentale, le signe de progrès le plus clair est l’absence de faux pas flagrants. Chaque jour, les décisions proposées par le logiciel paraissent sensées sans corrections manuelles ni interventions de dernière minute. Si les équipes supply chain n’ont plus besoin de « gérer des urgences » pendant la moitié de leur temps de travail, l’entreprise bénéficie déjà d’une meilleure performance : moins de perturbations, moins de réexpéditions précipitées, moins de contournements étranges dans l’entrepôt. Avec le temps, ces gains opérationnels reflètent un alignement plus profond des décisions sur des structures de coûts correctes et une sémantique des données plus fiable, des améliorations qui finiront aussi par apparaître dans les indicateurs habituels. Même si les chiffres de synthèse mettent du temps à s’ajuster, la disparition des décisions « aberrantes » est un signe de succès sans équivoque.

9.2.6 Amélioration continue

Contrairement à une approche sous forme fermée qui prétend « résoudre » la supply chain une fois pour toutes, l’optimisation expérimentale ne prétend pas converger vers un optimum stable. Les supply chains évoluent, les contraintes changent, la répartition des produits change, de nouvelles usines ouvrent, des promotions sont lancées ou des guerres de prix éclatent. La boucle ne se ferme donc jamais. Une recette bien réglée qui produit très peu d’aberrations aujourd’hui peut nécessiter demain des mises à jour substantielles si surviennent une pandémie mondiale, un nouveau concurrent ou un changement de position stratégique de l’entreprise. Même sans choc externe, de nouveaux enseignements, comme la découverte de facteurs de coût, justifient des ajustements supplémentaires.

Ce mouvement perpétuel n’est pas un défaut. Au contraire, il souligne que maîtriser la supply chain consiste à orchestrer les changements avant qu’ils ne se propagent hors de tout contrôle. En structurant chaque changement comme une petite expérience vérifiable, l’organisation gagne à la fois en résilience et en clarté de but. Plutôt que de proclamer une formule finale, les spécialistes de la supply chain deviennent les gardiens d’un processus vivant, qui reconnaît les perturbations inévitables comme de nouvelles données d’entrée.

L’optimisation expérimentale réunit deux idées souvent séparées. D’abord, elle assume l’ambition quantitative : une supply chain se pilote au mieux par des nombres, systématiquement traités et recombinés par des algorithmes. Ensuite, elle reconnaît la réfutabilité : le moyen le plus sûr de confirmer ou de réfuter une méthode est de soumettre ses résultats aux conditions réelles. Ce n’est qu’une fois confronté aux données brutes de l’atelier, de l’entrepôt ou du rayon que l’on sait si un plan donné « a du sens ».

En exigeant que chaque proposition soit soumise à l’épreuve de la réalité, l’optimisation expérimentale transforme les erreurs en catalyseurs de l’apprentissage. Le processus cyclique, instrumenter, décider, repérer les aberrations, corriger et réexécuter, ne garantit pas que toutes les contraintes cachées et tous les facteurs de coût seront découverts d’un coup. Il garantit plutôt que l’approche entière, si incomplète ou provisoire soit-elle, reste ancrée dans la mission de la supply chain : les meilleures décisions possibles au sein de flux irréductiblement complexes. Par les épreuves répétées, la richesse et l’indocilité du domaine deviennent un moteur de progrès graduel plutôt qu’un obstacle insurmontable.

9.3 Mise en transparence

Une recette numérique opaque produit des résultats, prix, quantités de commande, plans de réapprovisionnement, tout en restant impénétrable pour les praticiens mêmes qui en dépendent. Dans les supply chains modernes, tout pipeline de données non trivial tend à présenter ce comportement de « boîte noire », dans lequel la recette numérique met en jeu des couches d’automatisation ou des modèles mathématiques obscurs. Même les solutions fondées sur des formules simples, comme les stocks de sécurité dérivés d’hypothèses de « demande normale », deviennent en pratique des boîtes noires dès qu’elles traitent des milliers d’articles, chacun avec ses nuances et ses contraintes.

La mise en transparence combat cette opacité. Elle reconnaît qu’aucun pipeline de données avancé n’est intrinsèquement transparent. Sans effort délibéré, la logique d’une recette numérique reste enfouie dans le code, contraignant les praticiens à choisir entre deux options insatisfaisantes : faire aveuglément confiance au système, ou revenir à des tableurs qu’ils maîtrisent entièrement, mais qui n’ont ni la puissance ni la capacité de passage à l’échelle nécessaires pour traiter la complexité réelle du flux. La mise en transparence offre une troisième voie, en préservant une forte automatisation tout en révélant le « pourquoi » de chaque recommandation.

Un principe central de la mise en transparence est que la clarté doit servir les personnes en première ligne des décisions de supply chain. L’obscurité peut prendre de nombreuses formes : tables de données massives, contraintes non vérifiées ou algorithmes avancés d’apprentissage automatique que seule une poignée de data scientists peut interpréter. La réponse n’est pas de simplifier tous les calculs en formules-jouets, ce qui gaspillerait les capacités de calcul nécessaires aux flux complexes. La mise en transparence emprunte plutôt la voie plus exigeante qui consiste à exposer les principaux facteurs économiques de chaque décision. Outre les chiffres bruts d’allocation, la recette doit afficher une courte liste d’indicateurs économiques aussi pertinents que possible. Pour une recommandation de commande, ces indicateurs pourraient comprendre le stock actuel, le délai, le risque projeté de rupture en termes monétaires et le coût d’excédent si la quantité proposée se révèle excessive. Cette poignée de colonnes offre deux bénéfices essentiels : d’abord, elle permet au praticien de vérifier rapidement que le résultat est sensé ; ensuite, elle indique précisément où la décision pourrait dérailler si une hypothèse ou une donnée s’avérait incorrecte.

Cette transparence suppose de rapprocher le pipeline de données de l’utilisateur. Les praticiens doivent pouvoir ajouter, supprimer ou ajuster les indicateurs explicatifs sans lancer un projet informatique de plusieurs mois. De même que l’optimisation expérimentale exige des itérations rapides pour exposer et éliminer les décisions « aberrantes », la mise en transparence exige des itérations rapides sur les tableaux de bord eux-mêmes. Si une décision paraît suspecte, l’équipe affine ou ajoute un indicateur explicatif, réexécute le pipeline avec une reproductibilité par retour dans le temps et examine si le facteur nouvellement révélé explique la décision ou expose un bug. Cette approche permet de tester et d’ajuster rapidement tout nouvel indicateur, qu’il s’agisse d’une pénalité de ventes perdues ou d’un coût de remplissage de conteneur. Avec le temps, ces indicateurs forment un ensemble compact de mesures de coûts et de risques qui éclaire chaque recommandation sans inonder les utilisateurs de mesures insignifiantes.

Point crucial, la mise en transparence ne garantit ni un consensus universel ni une modélisation parfaite de toutes les contraintes. Elle vise plutôt à éviter que les décisions suscitent une incrédulité soudaine ou des « corrections paniquées » de la part de praticiens qui n’en voient pas la logique. La transparence abaisse le seuil de confiance nécessaire à l’adoption de l’automatisation. Lorsque les équipes supply chain peuvent relier un lancement de production ou une quantité de réapprovisionnement proposés à un arbitrage visible, par exemple le coût d’un arrêt potentiel de ligne face au coût de possession de pièces supplémentaires, elles acceptent plus volontiers le résultat numérique, même s’il contraste avec les anciennes règles empiriques. À l’inverse, lorsqu’un résultat défie les vérifications intuitives, la mise en transparence dirige l’attention vers le facteur qui pourrait manquer ou être mal désigné, orientant l’amélioration suivante.

Une autre dimension essentielle de la mise en transparence est sa capacité à réduire les frictions organisationnelles. Dans de nombreuses entreprises, les prévisions ou les plans de réapprovisionnement passent des équipes de data science aux responsables supply chain, puis à la finance ou aux équipes d’entrepôt, chaque groupe ayant ses propres indicateurs, définitions des données et contraintes. Cette passation complexe multiplie souvent la confusion : un manager qui voit « acheter 1 200 unités » dans un système peut ignorer qu’une remise quantitative a été prise en compte ailleurs. En révélant les coûts et contraintes principaux directement dans les décisions finales, la mise en transparence relie ces passations. Les parties prenantes peuvent voir, en termes monétaires, comment chaque facteur a été pondéré. Elles peuvent corriger ou affiner ces valeurs sans démanteler tout le pipeline.

Loin d’être une tâche ponctuelle, la mise en transparence est un principe de conception permanent. Dès qu’une supply chain évolue, avec de nouveaux fournisseurs, des délais modifiés ou des objectifs stratégiques ajustés, les mécanismes de transparence doivent évoluer aussi. Sinon, des hypothèses cachées ou périmées refont surface, créant de nouvelles zones de boîte noire. Maintenir la mise en transparence exige une collaboration régulière entre les experts du métier et les équipes chargées de l’ingénierie des recettes numériques, afin que chaque changement d’un aspect du flux s’accompagne d’un changement des indicateurs explicatifs.

La mise en transparence se situe ainsi à l’intersection de la fiabilité et de la crédibilité. Elle répond aux réalités pratiques des supply chains modernes, où les méthodes numériques avancées sont indispensables, tout comme la confiance des personnes qui les mettent en œuvre. Sans mise en transparence, le système le mieux conçu reste inutilisable ; avec elle, même des processus sophistiqués deviennent assez compréhensibles pour que les praticiens les adoptent, les affinent et les exploitent jour après jour.

9.4 Décomposer l’insaisissable à la manière de Fermi

Quelle que soit la façon d’aborder la recette numérique, les équipes supply chain rencontrent inévitablement des paramètres insaisissables. Ce sont des quantités ou des forces qui n’apparaissent pas facilement dans un système d’enregistrement et échappent donc à la mesure directe. Ils peuvent être stratégiques, par exemple la date de lancement attendue d’une technologie prometteuse encore en développement, dont dépend implicitement une feuille de route produit. Ils peuvent aussi être opérationnels, comme la probabilité qu’un grand fournisseur en difficulté financière dépose le bilan au cours des prochains trimestres. Face à ces facteurs, l’approche traditionnelle consiste à contourner le problème. Les praticiens peuvent laisser ces paramètres entièrement hors de l’automatisation et revenir à un processus semi-manuel guidé par un mélange d’opinions, de conjectures et de couvertures de précaution. Ce contournement condamne la recette numérique à dépendre d’une intervention humaine continue, ce qui compromet toute perspective d’automatisation véritable.

Une meilleure approche traite ces « immesurables » comme des cibles privilégiées d’une analyse à la manière de Fermi, semblable à celle décrite par Philip E. Tetlock et Dan Gardner dans « Superforecasting: The Art and Science of Prediction » (2015). L’idée centrale, popularisée par le physicien Enrico Fermi, est qu’une quantité apparemment impossible à estimer peut être décomposée en une série d’estimations plus abordables qui, multipliées ou additionnées, produisent une estimation crédible de l’inconnue initiale. Fermi demandait lui-même à ses étudiants d’estimer combien d’accordeurs de piano travaillaient à Chicago, un exemple célèbre et un chiffre que la plupart jugeraient impossible à connaître sans liste officielle. Pourtant, en divisant le problème en petits éléments distincts, comme la population approximative de la ville, la proportion de ménages possédant un piano et la fréquence d’accordage, l’estimation finale peut se rapprocher étonnamment de la vérité.

Dans la pratique de la supply chain, une illustration plus parlante est la probabilité que les droits de douane sur les biens importés de Ruritania doublent au cours des cinq prochaines années. Cette quantité n’apparaît dans aucun registre, mais elle gouverne directement la cadence des achats, la répartition des approvisionnements et les prix. Une décomposition à la Fermi rend l’estimation abordable. Commencer par une vue extérieure : recenser, sur le dernier siècle de relations entre Westonia et Ruritania, la fréquence à laquelle des droits d’ampleur comparable ont été augmentés ou abaissés, et sur quels horizons. Ce taux de base historique ancre fermement l’a priori. Intégrer ensuite la vue intérieure : lire le discours politique actuel en Westonia ; juger si le parti au pouvoir défend des droits plus élevés ou plus faibles et si le sujet est central ou périphérique dans son programme ; ajuster l’a priori en conséquence. Puis pondérer les résultats électoraux plausibles sur l’horizon pertinent, par exemple à deux ans, à l’aide de sondages ou de probabilités de marché. Pour chaque résultat, évaluer conditionnellement la probabilité que le parti vainqueur cherche à doubler les droits. Enfin, considérer les voies de représailles : un droit instauré par Ruritania peut déclencher des mesures réciproques de Westonia. Reproduire le même raisonnement du côté de Ruritania, sa politique intérieure, sa propension historique à recourir aux droits de douane et l’importance des tensions commerciales, pour évaluer la probabilité que l’action de Westonia soit réactive plutôt que proactive. Le résultat final n’est pas une estimation ponctuelle, mais une probabilité calibrée qui peut être révisée à mesure que l’information s’accumule.

Une fois cette probabilité établie, elle peut se traduire en décisions valorisées en monnaie : hausse espérée des droits sur les SKU concernés ; valeur de l’option d’accélérer ou de différer les importations avant les dates limites ; prime justifiée pour des origines alternatives moins exposées ; intérêt du report, ou engagement tardif, pour maintenir à l’étranger les transformations sensibles aux droits de douane. L’estimation peut être grossière ; l’essentiel est qu’elle soit explicite, auditable et placée sur le même plan que les coûts d’achat et de possession, afin qu’un logiciel sans intervention humaine puisse la soupeser aux côtés des autres facteurs.

Point crucial, cette décomposition du paramètre insaisissable ne doit pas s’arrêter une fois la première estimation codée. Dans l’optimisation expérimentale, les paramètres nouvellement introduits restent soumis aux mêmes boucles de réfutation que tout le reste. Le fait que la « probabilité de doublement des droits de douane » ne figurait pas dans le système d’enregistrement ne la dispense pas d’examen ; au contraire, sa nouveauté appelle une vigilance accrue. Si une décision aberrante apparaît, par exemple une décision qui précipite systématiquement des commandes entrantes surdimensionnées et épuise le fonds de roulement pour devancer un choc qui ne se matérialise jamais, cela signale que la probabilité, ou sa traduction économique, est gonflée. À l’inverse, si les droits bondissent et que la recette numérique ne montre aucun signe de couverture préalable, ni expéditions avancées, ni diversification des origines, ni report, la probabilité a été sous-estimée. L’affinement est itératif : chaque passage, guidé par les résultats réels ou les incidents évités de justesse, resserre la logique jusqu’à ce qu’aucune décision manifestement aberrante n’apparaisse.

En pratique, l’approche de Fermi devient aussi un puissant garde-fou contre les biais cognitifs qui accompagnent toute estimation. Ces estimations ne sont pas tirées d’une impression vague, mais ancrées dans une chaîne d’estimations plus petites et plus tangibles. Le processus encourage une « ouverture d’esprit active », un trait documenté chez les superprévisionnistes de Tetlock, qui décomposent méthodiquement un problème, puis soupèsent les perspectives extérieures pour calibrer chaque élément. Toute l’équipe supply chain peut voir, directement dans le code ou dans un tableau de bord rendu transparent, comment cette probabilité de doublement des droits a été calculée. Cela favorise l’alignement et invite à un ajustement collaboratif plutôt qu’à des corrections unilatérales. Si un responsable des importations juge mal estimées les pondérations électorales ou l’importance de la politique commerciale dans un programme, l’équipe peut réviser cette seule estimation partielle plutôt que démanteler la méthode.

Bien qu’elle soit laborieuse, la décomposition à la Fermi est un prolongement simple des techniques déjà nécessaires pour garder une recette numérique entièrement automatisée. Une fois que les praticiens de la supply chain acceptent qu’aucun paramètre n’est trop intangible pour être décomposé, même à l’aide d’heuristiques grossières, la voie permettant d’intégrer ces éléments insaisissables au système devient claire. Comme pour les paramètres « normaux », mieux vaut introduire l’estimation sous une instrumentation rigoureuse, afin que chaque exécution en production puisse confirmer ou contester la logique initiale. La maîtrise de la supply chain s’épanouit dans l’itération plutôt que dans les déterminations ponctuelles. Face à l’intangible, la plus grande erreur n’est pas de mal estimer au départ ; c’est de refuser toute estimation et de condamner ainsi la recette à un fonctionnement partiellement manuel.

En adoptant pleinement le principe de Fermi, les praticiens de la supply chain peuvent aborder précisément les domaines jusqu’alors jugés « hors de portée de la mesure »¹⁴⁹. Au lieu de s’incliner devant des éléments intangibles qui paralysent l’automatisation, ils les transforment en un ensemble de pièces plus petites et plus abordables, que l’on peut tester et affiner. Comme pour toutes les parties d’une recette numérique vivante, chaque approximation est reliée aux résultats réels qu’elle produit, permettant à la supply chain d’intégrer ce qu’elle apprend au fil du temps. L’alternative, écarter silencieusement ces paramètres insaisissables comme impossibles à estimer, garantit que l’automatisation reste à peine plus qu’une aspiration. La décomposition à la Fermi offre une voie résolument pratique pour expliciter même les paramètres les plus insaisissables, afin que tous les facteurs critiques du flux, intangibles ou non, puissent être intégrés à un système automatisé qui considère l’ensemble.

9.5 De la programmabilité

Dans les chapitres précédents, nous avons soutenu que les supply chains modernes doivent être pilotées par des logiciels fonctionnant sans intervention humaine, qui émettent des engagements auditables et valorisés économiquement. Dès lors que nous acceptons une résolution programmatique des problèmes de supply chain, une question d’apparence banale, mais en réalité fondamentale, se pose : dans quel langage ces décisions doivent-elles être exprimées ? Ce n’est pas un caprice d’outillage. Un langage détermine quelles idées peuvent être explicitées, quelles options peuvent être énumérées sans contorsions, comment l’incertitude est valorisée et comment les engagements qui en résultent seront audités des années plus tard.

Le domaine a largement esquivé cette question depuis la fin de l’épisode des 4GL.¹⁵⁰ Le vide a été comblé par les tableurs, les moteurs de règles greffés aux ERP et les scripts écrits dans des langages généralistes. Chacun de ces instruments a sa place, mais aucun ne convient comme support natif de la prise de décision sans intervention humaine à l’échelle d’une supply chain.

Les systèmes d’enregistrement parlent SQL parce qu’ils doivent préserver les faits, pas les inventer. SQL excelle à énoncer ce qui est dans un registre — les lignes et leurs relations —, pas ce qu’il faudrait faire ensuite face à la variabilité et aux arbitrages. Les moteurs de règles installés sur les systèmes transactionnels tentent de combler cet écart par un goutte-à-goutte de clauses si-alors ; avec le temps, ils deviennent des accumulations fragiles que personne ne comprend entièrement, surtout lorsque les incitations changent. Les langages de script — aujourd’hui le plus souvent Python, hier VBA¹⁵¹, auparavant encore des macros propriétaires — sont de puissantes prothèses pour les analystes, mais leur liberté même compromet les propriétés dont nous avons le plus besoin en production : déterminisme, reproductibilité et contrôle strict des effets de bord. Ils produisent un outillage artisanal ; les moteurs de décision sans intervention humaine doivent être industriels.

Un langage adapté à l’automatisation des décisions de supply chain doit être en phase avec l’économie des flux et la physique des ordinateurs. Ses objets doivent être ceux que manipulent réellement les praticiens : des tables typées dont les clés sont les SKU, les lieux et les dates ; des tableaux construits sur ces tables ; et, surtout, des variables aléatoires portant les distributions de la demande, des délais et des retours. L’incertitude doit être un élément de premier ordre, avec une algèbre qui convertit les distributions en gains libellés en monnaie, de sorte que le rendement espéré ajusté au risque de chaque mouvement puisse s’écrire sous forme d’une courte formule plutôt que d’une simulation après coup. Les prix doivent être explicites : conversions monétaires et arrondis doivent être des fonctions intégrées. Le temps doit lui aussi être un élément de premier ordre : calendriers et algèbre des calendriers. Lorsque ces primitives existent, le moteur exprime directement la décision ; lorsqu’elles manquent, les praticiens les introduisent au coup par coup et la base de code dégénère en expédients.

Parce que la viabilité des moteurs sans intervention humaine dépend de leur auditabilité, l’exécution doit être déterministe. Les mêmes entrées doivent donner les mêmes sorties — au centime près — même lorsque le calcul est parallélisé. L’aléatoire, lorsqu’une simulation stochastique l’exige, doit être explicite et reproductible. Les effets de bord doivent être cantonnés aux frontières : lire les enregistrements faisant autorité, calculer les décisions dans un cœur pur, puis réinscrire dans le registre les engagements qui en résultent. Cette séparation des responsabilités n’est pas une coquetterie académique ; c’est la seule façon de donner un sens aux audits ex post et aux comparaisons en exécution parallèle.

Une logique de décision portant sur des millions de SKU, de sites et de dates ne peut pas s’écrire comme une succession de boucles ligne par ligne sans s’effondrer sous son propre poids. Le langage a donc besoin d’une sémantique de tableaux ou de tables — des opérations vectorisées sur de grandes collections typées — afin que la plupart des programmes se lisent comme une algèbre sur des ensembles plutôt que comme une chorégraphie d’itérateurs. Ces conceptions favorisent le sens de la mécanique : elles se prêtent bien aux caches et aux unités parallèles et rendent les grands problèmes suffisamment peu coûteux pour être résolus souvent.

La question déclaratif ou impératif ? est mal posée dans l’abstrait. Il nous faut une enveloppe impérative pour organiser le flux — ingérer, calculer, émettre — et un cœur essentiellement déclaratif pour exprimer les valorisations et les contraintes sous forme de formules sur des tables et des distributions. En pratique, cela signifie que les tests de faisabilité, les pénalités et les prix s’écrivent sous forme d’expressions que le moteur peut analyser, réordonner et recalculer partiellement. La transparence qui en résulte permet des heuristiques d’arrêt : lorsque la confiance diminue, le moteur s’arrête de sa propre initiative au lieu de harceler les humains avec des exceptions qu’il ne peut pas résoudre.

Rien de ce qui précède ne relève d’une préférence syntaxique. Accolades ou indentation : la question est triviale. Ce qui compte, c’est la sémantique : une incertitude de premier ordre, la monnaie et le temps comme éléments à part entière plutôt que comme ajouts tardifs, l’isolement des effets de bord, le déterminisme, l’évaluation vectorisée et un environnement d’exécution qui produit des dossiers auditables. On peut plier les langages généralistes à ces objectifs au moyen de conventions et de discipline ; l’expérience montre qu’à grande échelle et au fil du temps, les conventions se dégradent. Un langage de supply chain digne de ce nom inscrit ces propriétés dans sa grammaire même.

La suite de cette section rend les critères de sélection opérationnels. Nous examinons l’incidence de la sémantique des langages sur l’exécution sans intervention humaine (déterminisme et reproductibilité), sur l’économie (prise en charge native de la monnaie, des prix et des pénalités), sur l’incertitude (primitives probabilistes et simulation stochastique) et sur la maintenabilité (petits cœurs, programmes lisibles, artefacts se prêtant à la comparaison des versions). L’objectif est simple : choisir un langage qui permette à l’entreprise d’écrire ses paramètres économiques une fois, de les exécuter à la vitesse de la machine et de justifier chaque engagement ex post en unités monétaires.

9.5.1 Paradigmes de programmation

Un paradigme de programmation est le cadre qui détermine la manière de concevoir, de structurer et d’exécuter un logiciel. Il fixe les principes d’organisation des données, de définition des opérations et de détermination du flux de contrôle, guidant à la fois la conception et l’exécution.

Développer des paradigmes de programmation adaptés à la supply chain constitue sans doute la contribution technique la plus importante au domaine. En effet, un paradigme adapté facilite la résolution de la plupart, sinon de la totalité, des problèmes de supply chain, quelles que soient leurs complications particulières. À cet égard, les paradigmes de programmation diffèrent radicalement des « modèles » ou de toute autre solution analytique sous forme fermée, qui sont, par construction, fragiles face aux complications imprévues. Si de nombreuses techniques présentent un intérêt général — la descente de gradient stochastique en serait un parfait exemple —, les paradigmes de programmation sont sans équivalent à cet égard. La courte liste ci-dessous présente certains des paradigmes de programmation les plus pertinents pour la supply chain.

L’intégration verticale désigne un environnement qui fournit toute la pile — du stockage des données à la présentation, en passant par le traitement et la logique — au sein d’un support unique et cohérent. Le tableur en est l’exemple canonique : une application monolithique où la grille est à la fois le stockage des données, le moteur de formules et l’interface utilisateur, le recalcul en direct reliant les trois. Dans un tel environnement, il n’existe pas d’incompatibilité entre « l’endroit où résident les faits », « la manière dont ils sont transformés » et « la manière dont ils sont inspectés » ; un seul artefact les réunit tous.

L’intégration verticale compte parce qu’elle élimine les passages de relais. Elle permet à un petit nombre de praticiens qui ne sont pas des spécialistes du logiciel d’écrire, d’exécuter et d’auditer des recettes numériques de bout en bout. Une même personne peut ingérer des enregistrements, exprimer la logique de décision et visualiser les engagements qui en résultent sans attendre qu’une autre équipe expose une API ou raccorde un tableau de bord. Sans intégration verticale, composer la recette devient un projet technique qui ne peut être confié qu’à des experts du logiciel. L’effort prolifère et mobilise la procession habituelle — experts supply chain, consultants, chefs de projet, administrateurs de bases de données, ingénieurs logiciels, analystes de données — dont la coordination crée un problème de conception d’interfaces plus vaste que le problème économique initial. Les tableurs illustrent à la fois l’attrait et les limites de ce schéma : ils rendent l’intégration verticale immédiatement tangible, mais révèlent aussi pourquoi, au-delà d’une échelle triviale, un autre substrat s’impose (voir la section « Tableurs » ci-dessous).

La reproductibilité par retour dans le temps signifie que l’environnement préserve le code et les données exacts tels qu’ils existaient à chaque instant de l’historique. Les utilisateurs peuvent remonter dans le temps et réexécuter les calculs tels qu’ils étaient. Ce versionnage de bout en bout (code + données) garantit que les résultats sont non seulement reproductibles en principe, mais aussi automatiquement vérifiables à n’importe quel instant historique.

En effet, dans la prise de décision supply chain, même de petits dysfonctionnements peuvent se révéler extrêmement coûteux s’ils produisent de mauvaises décisions¹⁵². Trop souvent, le comportement problématique ne peut pas être reproduit parce que les données d’entrée ont changé avant que le problème soit identifié. Les dysfonctionnements restent donc sans solution bien plus longtemps qu’il ne serait souhaitable. La reproductibilité par retour dans le temps est essentielle pour éliminer ces défauts avant que les équipes supply chain ne perdent confiance dans la viabilité de la recette numérique et ne reviennent à leurs tableurs.

L’algèbre relationnelle opère sur des données tabulaires — généralement réparties entre plusieurs tables — au moyen d’un ensemble concis d’opérations composables telles que la sélection, la projection, la jointure et l’agrégation. Ces opérations, formalisées dans les années 1970,¹⁵³ ont donné naissance à la famille de technologies SQL (Structured Query Language), qui reste omniprésente dans les systèmes d’entreprise modernes. La principale vertu de l’algèbre relationnelle est sa nature déclarative : plutôt que de détailler étape par étape la manière d’effectuer les opérations, les développeurs et les analystes précisent quels résultats ils souhaitent et laissent le moteur d’exécution se charger des mécanismes.

L’algèbre relationnelle est primordiale pour la supply chain parce que l’immense majorité des données opérationnelles — transactions de vente, commandes d’achat, niveaux de stock, événements de transport — réside dans des bases de données relationnelles. Le modèle relationnel offre un moyen systématique de relier ces éléments, garantissant que les jointures sur des clés communes produisent un ensemble cohérent. Sans algèbre relationnelle pour unifier élégamment ces sources disparates, les praticiens se rabattent sur un enchevêtrement d’expédients ad hoc — généralement des macros peu maniables dans des tableurs — qui sont non seulement sujets aux erreurs, mais aussi lents à calculer. En pratique, une algèbre relationnelle est indispensable à toute recette numérique soutenant une supply chain moderne, du fait de la complexité inhérente à celle-ci.

La programmation par tableaux est un paradigme dans lequel les opérations s’appliquent uniformément à des collections entières de données — appelées tableaux — plutôt que d’exiger des développeurs qu’ils écrivent des boucles sur chaque élément¹⁵⁴. En traitant les données collectivement, les langages et bibliothèques de tableaux¹⁵⁵ permettent des expressions concises qui reflètent la formulation mathématique du problème. Au lieu d’écrire des boucles sujettes aux erreurs, le praticien spécifie des transformations de plus haut niveau — opérations arithmétiques, logiques ou statistiques, par exemple — qui s’appliquent automatiquement à chaque élément du tableau. En éliminant le besoin d’une indexation explicite, la programmation par tableaux réduit considérablement les erreurs de décalage d’un indice et d’autres défauts subtils. En outre, les moteurs d’exécution sous-jacents pouvant optimiser les opérations en masse, le code par tableaux surpasse souvent les routines équivalentes à base de boucles, particulièrement sur les grands jeux de données.

Du point de vue de la supply chain, la programmation par tableaux est essentielle parce que presque toutes les décisions pertinentes doivent être calculées simultanément pour des milliers, voire des millions, de SKU, de magasins ou de pas de temps. Les approches itératives ou à base de boucles rendent ce processus plus long à écrire, plus difficile à déboguer et plus sujet aux erreurs silencieuses, notamment face aux cas limites ou aux contraintes complexes. À l’inverse, le style vectorisé de la programmation par tableaux produit un code compact et expressif, non seulement plus facile à relire, mais aussi plus simple à étendre lorsque de nouvelles gammes de produits, de nouveaux sites ou de nouvelles complexités supply chain apparaissent. Cette clarté accrue réduit le risque que des erreurs logiques subtiles passent inaperçues, tandis que les gains de performance des opérations vectorisées permettent d’itérer plus vite. En pratique, ces deux qualités — correction et agilité — améliorent considérablement la capacité d’une entreprise à prototyper, à affiner et à déployer en confiance ses processus de prise de décision.

Le flux de données distribué est un paradigme de programmation qui répartit automatiquement les calculs entre plusieurs machines, partitionnant et parallélisant les charges de travail pour traiter de vastes volumes de données. Plutôt que de contraindre les développeurs à orchestrer la concurrence étape par étape, les systèmes de flux de données distribués représentent généralement les transformations de données sous forme de graphes orientés acycliques (DAG), qui peuvent ensuite être exécutés en parallèle par une grappe de machines¹⁵⁶. Cette approche favorise la résilience aux défaillances partielles — les nœuds défectueux peuvent être contournés ou remplacés sans arrêter l’ensemble du traitement — et exploite naturellement les infrastructures cloud modernes. En masquant la plupart des détails de bas niveau de la communication réseau et de la synchronisation des processus, le flux de données distribué permet aux praticiens de se concentrer sur l’enchaînement logique de leurs calculs plutôt que de se débattre avec les primitives de concurrence.

Pour la supply chain, l’importance du flux de données distribué est double. Premièrement, l’ampleur même de nombreuses opérations — couvrant SKU, entrepôts et itinéraires de transport — exige d’ingérer et de transformer des jeux de données massifs. Un système centralisé ou séquentiel serait d’une lenteur prohibitive, laissant aux décideurs des résultats périmés ou les obligeant à limiter le périmètre de leurs analyses. Deuxièmement, il facilite la mutualisation de ressources de calcul qui ne sont nécessaires que par intermittence. Par exemple, si une prévision ne doit être actualisée qu’une fois par jour, les ressources de calcul correspondantes peuvent être acquises et libérées à la demande, ce qui réduit considérablement les coûts d’infrastructure. Plus généralement, les flux de données distribués sont essentiels pour maintenir des performances stables sous des charges de travail très variables.

L’exécution différentielle est un paradigme de programmation dans lequel le système suit automatiquement les dépendances entre calculs et ne réexécute que les parties du processus affectées par un changement donné. Au lieu de relancer toute la chaîne de traitement depuis le début, le moteur inspecte un graphe de calcul — représentant les transformations de données par des nœuds et des arêtes — et évalue les différences entre le graphe actuel et celui précédemment exécuté. Les résultats intermédiaires qui restent valides sont conservés, tandis que seuls les nœuds nouveaux ou modifiés sont recalculés. Le système peut en outre mettre en cache de manière intelligente des résultats intermédiaires coûteux ou longs à produire, mais dont le volume est relativement faible. Il accélère ainsi les exécutions ultérieures qui impliquent les mêmes calculs partiels. Ce paradigme se distingue aussi bien du traitement par lots classique que des approches purement incrémentales : il combine l’étendue d’un moteur complet de flux de données avec la sélectivité de mises à jour fines.

Du point de vue de la supply chain, l’exécution différentielle est essentielle parce que les recettes numériques sont intrinsèquement itératives. Les praticiens modifient généralement quelques lignes, puis relancent la recette, en vérifiant la cohérence des résultats calculés jusque-là. La recette finale comptant souvent des milliers de lignes, son développement implique des centaines de petites itérations. Sans exécution différentielle, chaque ajustement mineur du script exigerait de retraiter intégralement tous les jeux de données. Le coût serait prohibitif et découragerait les itérations rapides, notamment face aux jeux de données de plusieurs gigaoctets provenant des systèmes d’entreprise. En ciblant l’ensemble minimal de calculs à actualiser, l’exécution différentielle préserve les ressources, raccourcit les délais d’exécution et favorise des boucles de retour rapides.

L’algèbre des variables aléatoires est un paradigme de programmation dans lequel les quantités incertaines sont modélisées et manipulées comme des variables aléatoires, et non simplement comme des scalaires numériques ou des estimations ponctuelles. Dans cet environnement, l’addition, la multiplication et d’autres opérations arithmétiques ou logiques peuvent s’appliquer directement aux variables aléatoires, produisant de nouvelles variables aléatoires. Plutôt que d’entasser toute l’incertitude dans des simulations ad hoc sujettes aux erreurs ou dans des tables de données non structurées, les praticiens peuvent définir chaque facteur incertain — demande, délai, prix d’achat, rendements de production ou retours — par sa propre distribution. Lorsque ces facteurs interagissent, le langage combine leurs distributions sans rupture au moyen d’un ensemble cohérent d’opérations probabilistes. Le code qui en résulte reflète étroitement les phénomènes stochastiques sous-jacents, sans boucles complexes ni étapes Monte-Carlo séparées. En traitant les variables aléatoires comme des éléments de premier ordre, ce paradigme permet des transformations précises et transparentes de l’incertitude tout au long de la chaîne de prise de décision.

Ce traitement algébrique de l’incertitude se révèle vital pour la supply chain, compte tenu du rôle omniprésent des prévisions probabilistes dans l’analyse des risques. Dans les opérations réelles, suivre une unique meilleure estimation ne suffit jamais : la demande bondit souvent sans avertissement, les pièces arrivent en retard pour des raisons que personne ne comprend entièrement, et les taux de change fluctuent d’une manière qui se joue des prévisions simples. Sans « algèbre » explicite pour combiner ces distributions, on recourt presque invariablement à des analyses ponctuelles simplistes, qui écartent ensuite silencieusement de l’information dès que l’on retient des moyennes ou des hypothèses de pire cas. À l’inverse, une algèbre des variables aléatoires préserve l’intégralité de la distribution de probabilité, de l’amont (par exemple le délai fournisseur) à l’aval (par exemple le positionnement des stocks), garantissant que les incertitudes restent visibles, cohérentes et fondées mathématiquement. Cette approche réduit non seulement la probabilité de mauvais calculs coûteux — où une légère sous-estimation peut entraîner des ruptures de stock ou une légère surestimation gonfler les coûts de détention —, mais accélère aussi l’expérimentation.

La programmation différentiable est un paradigme qui associe la souplesse de la programmation généraliste aux techniques de calcul de la différentiation automatique et de l’optimisation par gradient. Fondamentalement, cette approche traite chaque étape d’une chaîne de transformation des données comme une fonction susceptible d’être différentiée, permettant d’ajuster les paramètres par descente de gradient stochastique (ou par des optimiseurs apparentés) directement dans le code qui met en œuvre la logique. Plutôt que de reléguer l’apprentissage à un environnement isolé (par exemple en exportant les données vers une boîte à outils spécialisée de machine learning), la programmation différentiable fait du « code entraînable » un élément de premier ordre. Chaque transformation — de l’analyse des entrées à la prévision finale — peut être conçue, annotée de paramètres et automatiquement mise à jour pour minimiser une fonction de perte choisie. Ce paradigme va au-delà des procédures purement numériques : il intègre directement les connaissances métier à la structure paramétrique des modèles, afin que ces structures restent interprétables et alignées sur les processus métier sous-jacents.

Dans la supply chain, la programmation différentiable est particulièrement puissante parce qu’elle comble simultanément plusieurs lacunes critiques. Premièrement, les données de supply chain sont notoirement clairsemées et hétérogènes ; beaucoup de SKU, de sites ou de segments temporels n’offrent que des observations limitées, tout en partageant des motifs de plus haut niveau (par exemple des cycles hebdomadaires ou des hausses dues aux promotions). Un programme différentiable peut modéliser explicitement ces motifs au moyen de paramètres partagés, améliorant ainsi l’efficacité statistique par rapport aux approches en boîte noire prêtes à l’emploi. Deuxièmement, la forme même du problème de supply chain — son mélange de requêtes relationnelles, de transformations de tableaux et de variables aléatoires — peut être directement encodée dans un script paramétrique susceptible d’apprendre, plutôt que de contraindre les praticiens à bricoler une conception de « langage dans le langage ». Cet alignement facilite les itérations, mais produit aussi des modèles plus transparents dont les paramètres nommés (par exemple « amplitude saisonnière », « décalage lié à la congestion portuaire », « hausse liée au Black Friday ») parlent aux experts métier. Surtout, en intégrant les boucles d’apprentissage au flux normal de données et de décisions, la programmation différentiable offre un environnement unifié dans lequel prévision et optimisation peuvent évoluer avec les contraintes réelles de l’entreprise, plutôt que de rester à part sous la forme d’un exercice ponctuel ou purement académique.

La génération distribuée déterministe de nombres aléatoires (RNG) est un paradigme de programmation conçu pour concilier deux objectifs apparemment contradictoires : exploiter des simulations Monte-Carlo à grande échelle sur plusieurs machines tout en garantissant que chaque exécution — même sur une grappe distribuée — produit des résultats identiques bit pour bit à partir des mêmes entrées. Autrement dit, l’approche garantit que les tirages aléatoires, une fois leur graine fixée, se déroulent selon un schéma prévisible dans tout le graphe de flux de données, indépendamment des variations de charge ou des affectations dynamiques des machines. Les techniques Monte-Carlo surpassent souvent une algèbre directe des variables aléatoires lorsque le phénomène étudié résiste à la décomposition analytique ; cependant, une parallélisation naïve peut facilement rendre le processus non déterministe, empêchant de reproduire précisément les résultats d’une exécution à l’autre. La génération distribuée déterministe de nombres aléatoires évite cet écueil grâce à un mécanisme soigneusement orchestré de gestion et de partitionnement des graines pseudo-aléatoires, combinant ainsi la souplesse des approches par simulation avec la reproductibilité indispensable à une ingénierie rigoureuse.

Ce paradigme est indispensable en supply chain pour deux raisons principales. Premièrement, le domaine regorge déjà d’incertitudes réelles : chocs de demande, retards fournisseurs, fluctuations monétaires, entre autres. Si la couche logicielle introduit elle-même son propre aléatoire — produisant des sorties différentes à chaque nouvelle exécution malgré des entrées inchangées —, les responsables ne peuvent ni diagnostiquer les problèmes de manière fiable ni faire confiance à la chaîne de prise de décision. Deuxièmement, la viabilité des initiatives supply chain dépend d’itérations continues, les praticiens affinant fréquemment leurs recettes numériques, rejouant des scénarios historiques et comparant les nouveaux résultats aux anciennes références. Un déterminisme strict leur évite de traquer des « heisenbugs » qui disparaissent lorsqu’on les reteste et garantit que toute anomalie découverte une semaine ou un an plus tard peut être rattachée à la combinaison précise de données et de code qui l’a causée. En préservant une reproductibilité exacte dans leurs simulations et leurs prévisions, les équipes supply chain acquièrent l’auditabilité et la confiance nécessaires pour automatiser les décisions en toute sécurité.

9.5.2 Tableurs

Le succès durable des tableurs dans la supply chain n’a rien d’un hasard. Les tableurs offrent, au sein d’une grille unique, une forme de programmation fonctionnelle réactive étroitement couplée à l’intégration verticale : stockage des données, logique fondée sur des formules et interface utilisateur visuelle coexistent dans un environnement unifié. Il en résulte une boucle de retour presque parfaite — semblable à une REPL¹⁵⁷ rapide — qui facilite un apprentissage progressif. Les praticiens de la supply chain peuvent commencer par quelques cellules, ajuster une formule et voir instantanément le résultat de leurs modifications. Cette immédiateté contraste fortement avec les processus classiques d’ingénierie logicielle, qui exigent d’écrire, de conditionner puis de déployer le code avant de pouvoir observer le moindre résultat.

La polyvalence programmatique des tableurs ne doit pas être sous-estimée. En quelques minutes, un utilisateur peut assembler une logique ad hoc de prévision, de consolidation des stocks ou d’analyse de scénarios. La barrière à l’entrée est faible ; les responsables supply chain n’ont pas besoin de devenir administrateurs de bases de données ou ingénieurs logiciels pour effectuer de nombreux calculs quotidiens. Alors même que les éditeurs ont tenté à maintes reprises d’encapsuler la prévision ou l’optimisation dans des modules analytiques « prêts à l’emploi », les tableurs sont restés populaires. Ce phénomène tient au fait que la grille fonctionnelle réactive du tableur peut accueillir les cas limites et les complications « du type des câbles »¹⁵⁸ avec plus de souplesse que les solutions rigides prêtes à l’emploi.

Malgré ces atouts, les tableurs sont fondamentalement incompatibles avec une véritable automatisation de la prise de décision supply chain. Les praticiens invoquent souvent une « incapacité à passer à l’échelle » pour expliquer l’échec des tableurs au-delà d’un certain volume de données, notamment lorsqu’un classeur est partagé depuis un hébergement local sur une seule machine. Si l’hébergement distant peut alléger certaines contraintes de performance, il ne résout pas les limites structurelles plus profondes. Deux de ces limites, en particulier, font obstacle à une automatisation robuste de la supply chain.

Premièrement, au fil du temps, les tableurs se retrouvent criblés d’une logique abondamment dupliquée, dispersée dans des dizaines, parfois des centaines, d’onglets et de classeurs. Chaque fois qu’un utilisateur copie une formule ou recrée une feuille similaire pour un SKU ou un site légèrement différent, la structure diverge un peu plus. On finit par ne plus pouvoir retracer avec confiance quelles cellules déterminent le résultat final. Même des modifications mineures deviennent risquées, car elles peuvent rompre des dépendances enfouies dans les références de cellules. Dès que plusieurs personnes collaborent, ces problèmes se multiplient. Pire encore, les tableurs manquent généralement des fonctions robustes de versionnage, de modularité et d’audit nécessaires pour suivre une base de code en évolution rapide.

Deuxièmement, les subtilités de la supply chain — approvisionnement multisource, contraintes de remplissage des conteneurs, variabilité des délais, nomenclatures partielles, hiérarchies multi-échelons — se laissent rarement aplatir en de belles grilles bidimensionnelles. Les tableurs « découpent » de force chaque dimension en lignes et en colonnes, ce qui complique même des jointures ou des renvois de complexité modérée. Par exemple, un seul SKU dépendant de deux fournisseurs aux structures de coûts et aux délais différents peut exiger des extensions artificielles de cellules, ainsi que de nombreux onglets « auxiliaires » tentant de simuler un modèle relationnel. Plus une supply chain exige une logique à embranchements ou des requêtes sur plusieurs tables, plus le tableur devient difficile à manier.

Au-delà de ces obstacles immédiats, les tableurs se prêtent également mal aux paradigmes de programmation les plus favorables à l’ingénierie moderne de la supply chain :

• La reproductibilité par retour dans le temps devient presque impossible avec les grands tableurs : si des versions de fichiers peuvent être enregistrées, chaque action d’un utilisateur modifie le document partagé, souvent sans contrôle précis des cellules qui ont changé ni des raisons de ces changements. Déboguer des « heisenbugs » après coup est presque sans espoir.

• L’algèbre des variables aléatoires, la programmation différentiable ou la génération distribuée déterministe de nombres aléatoires ne peuvent pas, en pratique, être intégrées aux formules classiques d’une grille. Au mieux, les praticiens ajoutent des macros externes ou des compléments tiers, mais ces bricolages produisent rarement des processus robustes adaptés à la production.

• L’instrumentation pour les LLM — permettant aux grands modèles de langage de générer ou de refactoriser automatiquement le code — bute sur la dispersion bidimensionnelle intrinsèque de la logique. La plupart des approches fondées sur les LLM supposent un environnement textuel plus structuré où les relations logiques sont explicites, et non enfouies dans des références de cellules et des macros éphémères.

En principe, les tableurs pourraient tenter de remédier à certaines de ces lacunes, par exemple en plaçant des moteurs de calcul plus puissants sous la grille. Cependant, le paradigme du tableur lui-même reste inchangé : il est conçu pour l’interactivité humaine et l’exploration ad hoc, pas pour traiter systématiquement les complexités toujours mouvantes des flux à grande échelle. Dès qu’une entreprise s’engage dans une prise de décision continue, sans intervention humaine — sur des milliers ou des millions de SKU, dans des centaines de sites —, les fissures apparaissent. Plus on les colmate avec des correctifs à court terme, plus le classeur devient tortueux, jusqu’à ce que personne ne puisse faire confiance à l’édifice fragile qu’il constitue.

Les tableurs, bien qu’indéniablement centraux dans la pratique de la supply chain depuis des décennies, représentent donc une impasse technologique. Leur échec ne se résout pas simplement avec « plus de logiciels » ou « du matériel plus rapide ». C’est toute leur conception — formules sur une grille, duplication manuelle de la logique, prise en charge minimale de l’audit et priorité implicite aux modifications locales des utilisateurs — qui va à l’encontre des paradigmes nécessaires à une automatisation à grande échelle. C’est précisément parce que les tableurs excellent dans les tâches ponctuelles ou de portée limitée qu’ils ne préparent pas la voie à des processus supply chain robustes et entièrement automatisés.

9.5.3 Langages généralistes

Malgré toutes leurs limites, les tableurs révèlent une vérité plus large : la supply chain exige une programmation ad hoc à laquelle aucun système statique « packagé » ne peut répondre. En principe, n’importe quel langage généraliste pourrait satisfaire ce besoin, d’autant que les langages modernes sont largement multiparadigmes. En empilant les bibliothèques, une équipe pourrait reproduire les éléments essentiels à la supply chain : reproductibilité par retour dans le temps, programmation par tableaux, exécution différentielle, entre autres. Pourtant, en pratique, cette voie consomme plus d’efforts qu’elle n’en rapporte.

Premièrement, les langages généralistes engendrent de la complexité accidentelle. Les schémas orientés objet, par exemple, deviennent inutilement élaborés lorsqu’il s’agit de modéliser des données supply chain essentiellement tabulaires. Sans restrictions, les appels réseau ou système ouvrent la porte à des problèmes de sécurité et à ce que l’on appelle des « attaques de la supply chain logicielle » : des infiltrations non dans le code de l’entreprise, mais dans un paquet tiers dont il dépend. Même les opérations purement mathématiques se fragmentent en un maquis de minuscules modules. Plus une équipe s’enfonce dans cet écosystème, plus elle consacre de temps à des subtilités qui ont peu à voir avec l’allocation de ressources supply chain rares.

Deuxièmement, s’appuyer sur un environnement généraliste engage de fait l’entreprise dans un projet logiciel à part entière. La couche de stockage doit être choisie ou construite, puis intégrée ; la couche de calcul doit passer à l’échelle pour de grands volumes ou de nombreux SKU ; la couche de présentation doit être codée ou adaptée aux utilisateurs supply chain. Cette succession de choix, chacun ancré dans une technologie différente, rend la solution plus difficile à maintenir. Le moindre changement — une nouvelle version de base de données, une bibliothèque qui n’est plus maintenue — peut entraîner une cascade d’incompatibilités. En quelques années, la « dégradation logicielle » s’installe et détourne des ressources des véritables améliorations de la supply chain.

Troisièmement, les surcoûts d’un tel projet fragmentent presque toujours l’expertise. Un petit groupe de spécialistes du logiciel — généralement peu familiers de la supply chain — finit par mettre en œuvre et maintenir le code. Pendant ce temps, les véritables praticiens — ceux qui comprennent les particularités épineuses et les innombrables autres complications propres au domaine — sont mis à l’écart. Ils doivent proposer les changements indirectement, en soumettant des « tickets » et en faisant passer leurs demandes par plusieurs niveaux d’intermédiation. L’agilité s’évapore à mesure que le délai entre découverte et déploiement s’allonge. À l’extrême, la solution devient si spécialisée que seuls ses auteurs d’origine peuvent la corriger ou l’étendre : un dispositif fragile en cas de changements de personnel ou de réorganisations.

Quatrièmement, si les langages généralistes peuvent en théorie prendre en charge des paradigmes avancés comme la programmation différentiable ou les méthodes Monte-Carlo déterministes, ils le font rarement de manière cohérente. Les bibliothèques concernées deviennent de fait des « langages dans le langage ». Une bibliothèque gère les flux de données distribués ; une autre traite les variables aléatoires ; une autre encore tente de versionner les données pour permettre le retour dans le temps. Chacun de ces sous-systèmes exige sa propre configuration, ses propres structures de données et ses propres modes d’utilisation, alourdissant la charge cognitive. Ce qui devait être une chaîne unique de prise de décision se fragmente en chaînes d’outils distinctes, dont chacune peut se disloquer.

Aucune de ces difficultés n’est insurmontable : avec suffisamment de talent, d’argent et de temps, la bonne équipe peut construire une solution viable sur un langage généraliste. Certains des plus grands distributeurs et industriels font exactement cela. Mais cette voie mobilise tant de ressources que seules les entreprises d’une taille considérable peuvent la soutenir, et même alors elle reste fragile. Les progrès des grands modèles de langage peuvent automatiser des fragments de ces processus — par exemple en générant l’ossature du code ou en refactorisant d’anciennes bibliothèques —, mais ils ne résolvent pas l’inadéquation entre un langage laissant toute liberté et les besoins spécialisés de la supply chain. Paradoxalement, de meilleurs LLM renforcent l’argument en faveur des environnements dédiés au domaine : plus ils deviennent habiles à écrire et à relire du code, plus un langage épuré, conçu pour la supply chain, bénéficie de leur assistance.

En somme, aucun obstacle technique absolu n’empêche un langage généraliste de faire fonctionner un processus supply chain entièrement automatisé à grande échelle. Mais monter une initiative de cette manière impose des surcoûts et une complexité mal adaptés à la plupart des organisations. Puisque la supply chain existe pour exploiter l’optionalité plutôt que pour s’y noyer, superposer plusieurs paradigmes et bibliothèques — dont aucun ne répond nativement aux besoins pressants du domaine — se révèle généralement un détour, pas une destination.

10 Déploiement

Le déploiement en supply chain est le moment où les chapitres précédents — économie, information, intelligence, ingénierie et décisions — deviennent une machine qui fait chaque jour des choix judicieux. Cette machine est un système d’intelligence qui transforme les enregistrements faisant autorité en engagements de flux auditables, pris sans intervention humaine. L’objectif n’est ni une « meilleure visibilité » ni une prévision plus séduisante : il consiste à émettre des bons de commande, des transferts, des ordonnancements et des modifications de prix économiquement pertinents par construction, puis à les améliorer sur place.

Le livrable est opérationnel : un déploiement qui fonctionne ingère des extractions brutes issues des systèmes d’enregistrement, poursuit un objectif exprimé en argent sous incertitude probabiliste et réinscrit les décisions dans les registres. Sa présence se manifeste par des émissions — lignes créées dans les tables de bons de commande, transferts de stock enregistrés, prix publiés — sans qu’un planificateur accompagne chaque ligne dans un tableur. Tout ce qui s’arrête avant ces émissions sans intervention humaine relève de la mise en scène de projet.

Trois propriétés rendent ce système sûr et productif en pratique. Premièrement, la responsabilité : une petite équipe — idéalement une personne nommément désignée — assume de bout en bout la responsabilité de la recette numérique, ce code qui définit les options, chiffre les arbitrages et produit les engagements quotidiens. Deuxièmement, la transparence : chaque émission s’accompagne d’un dossier exposant les principaux facteurs économiques, afin que les praticiens voient pourquoi la décision est sensée et que la finance puisse l’auditer en unités monétaires. Troisièmement, la réversibilité : le moteur est sans état et protégé par des heuristiques d’arrêt ; il peut être exécuté en parallèle, mis en production ou ramené à une version antérieure en quelques heures, et il s’arrête lorsque la confiance diminue.

Le chemin qui mène à cet état n’a rien de mystérieux, mais il ne pardonne pas les écarts. Il commence par des extractions brutes quotidiennes (non filtrées, fidèles au schéma et stables) ; se poursuit par une première recette exécutée chaque jour à côté de la routine manuelle jusqu’à disparition de toute ligne aberrante ; et aboutit à une mise en service progressive qui supprime les tableurs au lieu d’en envelopper le moteur. Le périmètre englobe les flux qui se disputent les mêmes ressources rares ; les rôles se limitent à ce qu’exige le travail ; la gouvernance est économique, et non rituelle.

La plupart des causes qui font dérailler les déploiements sont déjà connues : des pilotes maintenus en lecture seule qui ne réinscrivent jamais le moindre engagement de flux dans les registres, des jeux de données partiels qui masquent les effets d’échelle, des paramètres copiés par mimétisme sur les anciens outils, des comités qui débattent des prévisions plutôt que des décisions et des rituels d’achat qui favorisent le fournisseur le plus doué pour la paperasse plutôt que pour les décisions. Éviter ces pièges exige la même attitude que celle défendue tout au long de ce livre : formuler le problème en argent, faire apparaître explicitement les options, représenter fidèlement l’incertitude et laisser le logiciel accomplir les tâches administratives sans intervention humaine.

Ce chapitre est un manuel de cette démarche en production : il montre comment choisir un partenaire lorsqu’il en faut un ; comment définir le périmètre pour que le moteur se confronte rapidement aux contraintes réelles ; comment structurer le pipeline de données ; comment écrire, instrumenter et fiabiliser la recette ; comment mener une exécution parallèle puis passer à un fonctionnement sans intervention humaine ; et comment maintenir le système en bon état une fois en service, tandis que les rôles et les incitations s’ajustent. Il ne s’agit pas d’ajouter une couche de reporting, mais de remplacer les routines manuelles par un actif qui émet, audite et améliore les décisions au rythme de la machine.

Comme beaucoup d’entreprises ne construiront pas tout en interne, nous commençons par les aspects pratiques du choix d’un fournisseur. La méthode recommandée ici — l’étude de marché contradictoire — convient mieux à l’opacité et aux incitations du logiciel que le théâtre des appels d’offres, et s’inscrit dans la primauté de l’économie défendue aux chapitres précédents. Une fois le partenaire choisi, nous abordons la préparation et le périmètre, la recette numérique, les effets systémiques, les rôles, le calendrier, ainsi que les mécanismes de mise en service et de maintenance.

Par souci de concision, la terminologie suivante sera employée de manière constante. Un système d’intelligence désigne l’actif déployable qui transforme les enregistrements faisant autorité, complétés par quelques flux externes vérifiés, en engagements de flux auditables, pris sans intervention humaine et réinscrits dans les registres. Son noyau logique — le programme qui définit les options, chiffre les arbitrages, représente l’incertitude et émet les lignes — est la recette numérique.

10.1 Choisir un fournisseur

La complexité des supply chains modernes dépasse largement ce qui est possible sans recourir au logiciel. La plupart n’ont ni les moyens ni l’envie de développer ces instruments en interne, même si l’écosystème open source réduit considérablement le coût d’une telle entreprise. Les éditeurs de logiciels de supply chain abondent donc, et la plupart des entreprises, au-delà d’une certaine taille, se retrouvent régulièrement à devoir en choisir un.

Pourtant, l’industrie du logiciel présente une extraordinaire diversité tout en restant relativement opaque. Cette opacité est multidimensionnelle : fonctionnalités, performances, redevances de licence, coûts d’exploitation, fiabilité, maintenabilité, capacité d’évolution, sécurité, entre autres.

L’écosystème open source devrait, en principe, être plus transparent puisque le code source peut être librement examiné, mais deux réserves majeures s’imposent en pratique. Premièrement, l’expertise technique nécessaire pour évaluer de manière fiable une technologie open source donnée est rare. Présumer qu’une technologie open source est solide uniquement parce qu’elle provient d’une source connue — par exemple un grand éditeur de logiciels — est une recette éprouvée pour aller au désastre. Les éditeurs abandonnent sans cesse des projets open source parce qu’ils ont peu à y perdre. Deuxièmement, l’écosystème open source propose surtout des composants plutôt que des solutions, particulièrement dans le logiciel d’entreprise. L’entreprise qui souhaite exploiter ces composants se retrouve donc à mener ce qui revient à un projet logiciel interne.

Ainsi, pour le meilleur ou pour le pire, les entreprises finissent par choisir leurs éditeurs de logiciels dans une grande incertitude. Or, comme la plupart des activités intellectuelles, le logiciel présente des contributions extrêmement inégales, de la bêtise abyssale aux sommets de l’ingéniosité humaine. Combinez l’opacité intrinsèque du logiciel avec un éventail de fournisseurs dont une large fraction est « dangereusement incompétente, quoique charmante », et il devient impératif pour les entreprises d’accorder une grande attention aux fournisseurs qu’elles choisissent.

Il faut reconnaître à la plupart des grandes entreprises qu’elles admettent désormais ce problème et consacrent des efforts considérables aux études de marché sur les éditeurs de logiciels. Aucun autre domaine n’attire autant de dépenses d’études de marché que le logiciel. À titre d’indice anecdotique, un simple regard sur les cabinets d’études de marché révèle que les secteurs du logiciel font littéralement paraître minuscules tous les autres secteurs réunis.

Oui, la plupart des études de marché sur le logiciel empruntent leurs méthodes à d’autres secteurs ; ces méthodes sont dysfonctionnelles pour le logiciel. Les études de cas et les appels d’offres sont les principaux coupables. Le logiciel exige une autre approche : l’étude de marché contradictoire.

Les pièges des études de cas, souvent présentées comme preuves lors du choix d’un fournisseur, ont été examinés au chapitre Épistémologie. Cette section porte sur les appels d’offres et une solution plus fiable : l’étude de marché contradictoire.

10.1.1 Les appels d’offres

Les appels d’offres¹⁵⁹ (RFP) sont un jeu de pouvoir bureaucratique au sein des grandes organisations. Pour le logiciel, ils ne sont ni rationnels, ni sincères, ni instructifs. Ils incarnent l’état d’esprit bureaucratique : l’obsession du processus au détriment du résultat. Pour les systèmes d’intelligence, ces défauts sont rédhibitoires : des listes de contrôle ne peuvent certifier ni la qualité de décisions prises sans intervention humaine, ni le comportement d’arrêt, ni la possibilité de réécrire le système sous pression. Un appel d’offres oriente l’entreprise vers l’incompétence. Trop souvent, on considère les appels d’offres comme un fléau inévitable dans toute organisation dépassant une certaine taille. Pourtant, ce fléau que l’on s’inflige n’a rien d’inévitable. Les éliminer n’exige qu’un peu de courage de la part de la direction générale.

Prenons une entreprise dont la direction se trouve face à un défi ou à une opportunité dans le domaine du logiciel qui dépasse ses ressources internes. Après quelques échanges informels avec un ou deux fournisseurs, la direction décide qu’un tiers s’en chargera.

La mythologie de l’appel d’offres est censée se dérouler en cinq étapes. (1) Le défi est d’abord mis par écrit. (2) Les employés élaborent ensuite une liste de questions supposée de grande qualité, destinée à susciter des réponses adéquates à ce défi. (3) Les fournisseurs pertinents sont identifiés et le document d’appel d’offres leur est envoyé. (4) Chaque fournisseur apporte consciencieusement des réponses sincères et exhaustives, qui sont recueillies et rassemblées. (5) Enfin, la direction procède à une évaluation objective des réponses, dont elle assume la responsabilité, pour choisir le meilleur fournisseur.

Malheureusement, chaque étape de cette mythologie est fausse, voire délirante.

(1) Énoncer clairement et par écrit le problème précis que le logiciel doit résoudre est plus difficile qu’écrire le logiciel lui-même. Pour le non-initié, cela peut paraître déroutant. Pourtant, la plupart des entreprises logicielles qui réussissent naissent non de solutions supérieures à des problèmes connus, mais de l’identification d’un problème entièrement nouveau. Formuler le problème est une tâche ouverte. Les processus formels rigidifient la pensée et réduisent la qualité des découvertes. Parmi les façons presque infinies de regarder une situation, il faut choisir l’angle qui se prête à une mise en œuvre. Des centaines, voire des milliers, de facteurs doivent ensuite être intégrés techniquement.

Les incitations internes à l’entreprise compromettent encore cet effort. L’autosatisfaction croissante d’un dirigeant vieillissant peut fort bien être au cœur du problème de l’entreprise, mais personne ne l’écrira dans une note semi-publique destinée à des tiers. Une telle note évitera soigneusement tout ce qui pourrait être interprété comme une insulte aux compétences professionnelles de quiconque dans l’entreprise. Inévitablement, elle tourne autour du pot, protégeant les egos plutôt que l’entreprise. Loin de relever de la simple bienséance, cela garantit que le fournisseur retenu poursuivra une solution qui n’aura guère de rapport avec le problème réel.

(2) Demander aux employés d’énumérer les questions d’un appel d’offres produit invariablement une matière digne d’un sketch comique. Les consultants ajoutent encore au comique. Alors qu’il faudrait poser des questions suscitant des réponses discriminantes, l’exercice se transforme en tout autre chose. On produit des questions pour impressionner ses pairs. Ceux qui manquent de questions intelligentes compensent par la quantité. Les questions des appels d’offres précédents sont recyclées ad infinitum.

Des questions ineptes sont déjà nuisibles ; des centaines peuvent faire dérailler une initiative naissante. Pire, elles déforment les offres des fournisseurs. La plupart de ces questions sont des exigences déguisées. Loin d’une enquête ouverte, elles encadrent et restreignent fortement ce qui compte comme une « solution ». Elles prennent généralement cette forme : « Le fournisseur peut-il garantir que les utilisateurs finaux pourront faire X tout en interagissant avec Y ? » Répondre non garantit une disqualification immédiate, même lorsqu’il est démontrable que « faire X tout en interagissant avec Y » est une idée désastreuse.

Plus généralement, l’état d’esprit selon lequel il n’y a pas de question stupide a sa place à l’école primaire. Chaque question oriente l’initiative. Les questions ineptes produisent des réponses ineptes. De plus, chaque question consomme une fraction de la capacité d’attention que la direction peut consacrer à l’initiative. L’attention des dirigeants étant dispersée, quelques mauvaises questions suffisent à leur faire choisir un fournisseur sur des détails sans pertinence.

(3) Présélectionner les fournisseurs permet à quelqu’un — souvent même pas un employé, mais, par exemple, un consultant — de prendre la décision la plus lourde de conséquences de l’appel d’offres sans en assumer aucune responsabilité. En pratique, la personne qui présélectionne les fournisseurs choisit implicitement le gagnant. Le reste n’est que décorum, dicté par les usages de l’entreprise.

Si les fournisseurs peuvent être nombreux, la présélection ne semble nécessaire que parce que la liste de questions est déraisonnablement longue. Traiter autant de réponses pour plus d’une poignée de fournisseurs est effectivement une tâche redoutable. Cette charge est une conséquence incontrôlée d’une démarche dysfonctionnelle.

(4) Les fournisseurs qui répondent à des appels d’offres n’ont aucune incitation à être sincères. La grande majorité des questions appellent une réponse précise : Votre solution peut-elle faire X ? Tout fournisseur digne de ce nom sait exactement quelles réponses sont attendues et répond en conséquence. S’attendre à ce qu’il s’en tienne à « la vérité » est illusoire. Le logiciel est complexe ; le logiciel d’entreprise l’est encore davantage. Presque toutes les questions admettent un nombre presque infini d’interprétations. Le fournisseur n’a pas besoin de mentir ; un peu d’imagination suffit pour inventer une interprétation qui rende n’importe quelle réponse « véridique ».

Même rendre les réponses juridiquement contraignantes n’en améliorera pas la véracité. Le logiciel d’entreprise est assez obscur pour que presque toute affirmation puisse être interprétée comme vraie, surtout avec le concours d’avocats compétents.

De tels accords, comme les autres vexations imposées aux éditeurs de logiciels, aggravent la situation de l’entreprise. Les bons fournisseurs choisissent, dans une certaine mesure, leurs clients. Ils se retirent lorsqu’un prospect formule des demandes déraisonnables. Les mauvais fournisseurs, désespérés parce que leur technologie laisse à désirer, accueillent volontiers toute folie bureaucratique qu’on leur impose ; c’est leur seul avantage concurrentiel. Ainsi, les entreprises qui prennent les appels d’offres « au sérieux » pratiquent la sélection adverse. Les bons fournisseurs se retirent ; les mauvais persévèrent.

(5) Enfin, il faut choisir un éditeur de logiciels. À ce stade, on a accumulé une énorme pile de réponses biaisées à des questions non pertinentes. Tout cela suppose que l’énoncé initial du problème était correct, une prémisse douteuse. La logique de l’appel d’offres suppose que la direction générale peut, par la seule force de son intelligence, choisir le meilleur fournisseur. C’est absurde. En pratique, c’est généralement pire.

Souvent, la sélection positive n’a jamais lieu. Les fournisseurs sont éliminés par veto, l’un après l’autre, jusqu’à ce qu’il n’en reste qu’un seul de viable. Un veto exige seulement qu’un responsable suffisamment influent se déclare « préoccupé ». Que sa préoccupation soit raisonnée ou ne traduise qu’une préférence importe peu. Tant qu’il ne bloque pas plusieurs fournisseurs à la fois, ce qui passerait pour une ingérence abusive, son objection lui confère de facto un droit de veto. Les grandes entreprises ont une aversion au risque. Soutenir une initiative qu’un pair a signalée comme risquée met sa propre carrière en danger si elle échoue.

Cette sélection finale ne garantit en rien un bon fournisseur. Au contraire, elle favorise la médiocrité. Un bon fournisseur a de fortes chances d’apporter une transformation. Après tout, des rendements substantiels sur investissement exigent de sortir du statu quo. Une telle rupture suscite invariablement l’hostilité des barons dont les fiefs sont remis en cause. Ces barons s’opposeront avec véhémence à ces fournisseurs. Un fournisseur médiocre n’a rien de transformateur : il épouse le statu quo et ne froisse personne. Malheureusement, cela garantit qu’il ne produira, au mieux, que peu ou pas de rendement.

Les appels d’offres sont donc profondément dysfonctionnels. Ils génèrent aussi une quantité considérable de travail inutile : des centaines de questions à rédiger et des milliers de réponses à examiner. On embauche donc des consultants pour les piloter¹⁶⁰. Invariablement, les consultants aggravent les choses : le travail superflu de l’entreprise est leur source de revenus. Gonfler ce travail est vendu comme de l’« excellence des processus ». Des questions manifestement non pertinentes sont conservées pour garantir une « couverture de bout en bout ». Les raccourcis qui accéléreraient le processus sont rejetés comme « dangereux » ou « non éprouvés ». À la fin, les consultants penchent presque invariablement vers le fournisseur offrant les perspectives de conseil les plus lucratives.

10.1.2 L’étude de marché contradictoire

L’étude de marché contradictoire s’attaque directement à deux problèmes fondamentaux des projets logiciels : les incitations antagonistes dans la relation fournisseur-client et l’asymétrie massive d’information en faveur des fournisseurs. Elle est moins bureaucratique, donc plus légère, et plus rationnelle, donc plus susceptible d’associer le bon fournisseur au bon défi.

La méthode fonctionne ainsi¹⁶¹. Lorsqu’un responsable reconnaît une opportunité logicielle qui dépasse les ressources de son entreprise, il demande à un fournisseur — généralement celui qui a suscité cette prise de conscience — de rédiger pour lui un bref énoncé du problème. Cet énoncé doit se concentrer exclusivement sur la formulation du défi et les particularités de l’entreprise, et non sur la solution du fournisseur.

Si le fournisseur ne peut s’empêcher de vanter son offre, le responsable doit simplement supprimer ces passages ; le document est de toute façon court. Si certaines précisions, telles que les chiffres caractérisant la supply chain, sont trop confidentielles, il faut les rendre plus vagues, par exemple en arrondissant les nombres. Le but est de préserver l’essence du défi, non ses moindres détails. La note qui en résulte ne nomme pas le fournisseur d’origine et ne contient pas d’informations trop sensibles.

Muni de ce court document, le responsable contacte quelques concurrents du fournisseur. Il est acceptable de les choisir au jugé, pourvu qu’ils constituent des alternatives plausibles. Il envoie la note à chaque concurrent en précisant qu’il s’agit d’une première ébauche, qu’il a peut-être mal formulé le défi et qu’il recherche un avis expert pour reformuler l’énoncé du problème. Il demande également deux éléments supplémentaires aux fournisseurs, y compris au premier. D’abord, une proposition informelle et approximative cohérente avec l’énoncé du problème révisé par le fournisseur. Ensuite, une liste d’au moins trois concurrents pertinents, classés selon l’appréciation du fournisseur. Chaque concurrent cité doit être accompagné de quelques paragraphes expliquant les forces et les faiblesses qu’on lui prête.

À mesure que les listes des concurrents font apparaître de nouveaux fournisseurs, ceux-ci sont ajoutés à l’enquête. Tout fournisseur qui ne livre pas ces quelques éléments sous deux semaines en est retiré. L’enquête se termine lorsque le responsable retombe sur les mêmes fournisseurs et qu’aucune piste ne semble avoir été négligée.

Une fois l’enquête terminée, le responsable rassemble les résultats et crée un court dossier pour chaque fournisseur. Chaque dossier contient ce qu’en ont dit ses pairs, l’énoncé du problème rédigé par le fournisseur et la proposition approximative qui l’accompagne.

Enfin, avec au plus deux collègues, le responsable examine les résultats pour choisir un fournisseur. Le choix relève du jugement et ne peut être rigidement formalisé. Naturellement, l’avis des pairs doit jouer un rôle majeur dans l’évaluation de chaque fournisseur. En outre, la qualité de son énoncé du problème et de ses descriptions des concurrents doit être considérée comme un indice révélateur de compétence — ou d’incompétence si ces éléments sont médiocres. Les propositions approximatives servent à départager les ex æquo. Pour permettre l’audit, les résultats de l’enquête sont archivés avec une courte note expliquant le raisonnement qui a conduit au choix final. Ensuite, l’entreprise reprend son processus d’achat habituel, qui impliquera probablement d’obtenir une offre détaillée et un contrat complet de ce seul fournisseur.

Comme indiqué précédemment, l’étude de marché contradictoire remédie aux défauts des méthodes traditionnelles telles que les appels d’offres. Examinons cette affirmation en commençant par l’asymétrie d’information.

Laisser l’entreprise rédiger son propre énoncé du problème, comme dans les appels d’offres, revient à inciter les fournisseurs à mentir effrontément pour faire paraître leurs solutions conformes à cet énoncé. Comme les éditeurs de logiciels d’entreprise connaissent bien mieux que leurs clients leurs capacités réelles, il est presque impossible de distinguer la vérité des faux-semblants. Il est déraisonnable d’attendre d’un fournisseur qu’il change fondamentalement sa technologie pour convenir à un client. Une bonne technologie logicielle demande des années de développement¹⁶². Avec chaque client, le fournisseur peut faire un peu mieux que lors des initiatives précédentes, mais le processus est laborieusement lent et progressif.

C’est pourquoi il est essentiel de laisser le fournisseur rédiger l’énoncé du problème. Lorsqu’il tient la plume, il n’a aucune raison d’écrire un énoncé incompatible avec sa technologie. Au contraire, il le façonnera au plus près de la solution qu’il possède. De plus, les fournisseurs, à l’exception peut-être des plus incompétents, savent bien mieux que le client comment formuler le problème. Ce que le client perçoit comme un problème peut en effet être une série de sous-problèmes qu’il vaut mieux traiter séparément avec des technologies distinctes. À l’inverse, ce « problème » peut n’être que la partie émergée de l’iceberg, exigeant une perspective plus large et une approche technologique entièrement différente. Un fournisseur compétent démontrera sa maîtrise en expliquant de manière convaincante pourquoi il faut regarder le défi sous les bons angles.

Laisser les fournisseurs exposer les caractéristiques de leurs pairs remédie au biais de sélection qui empoisonne les appels d’offres. La sélection initiale des fournisseurs est l’une des décisions les plus importantes de toute l’initiative. Éliminer tôt quelques fournisseurs garantit presque qu’un fournisseur privilégié sera retenu. Dès lors que l’enquête inclut une demi-douzaine de fournisseurs ou davantage, peu de gens mettront en doute la pertinence de la sélection. Cette fragilité est un secret de Polichinelle, abondamment exploité dans les appels d’offres réels.

À l’inverse, il est beaucoup plus difficile de manipuler la liste cumulée produite par les fournisseurs. Chacun a ses propres biais et peut délibérément omettre un pair jugé trop menaçant. Cependant, leur absence de coordination rend difficile de cibler un fournisseur en particulier. De plus, chaque fournisseur sait que l’expertise qu’il affiche est en jeu. Il sera évalué sur la qualité des pairs qu’il propose. Revenir vers le client avec une présélection de pseudo-concurrents, incompétents ou non pertinents, signale l’incompétence du fournisseur lui-même.

Certains fournisseurs invoqueront toutes sortes d’excuses pour expliquer pourquoi ils ne peuvent pas fournir une liste de leurs pairs, et encore moins les qualifier. Pourtant, sur un marché libre, une entreprise ne peut plausiblement être « à la pointe de la technologie » tout en ignorant entièrement ce que font ses concurrents. C’est doublement vrai dans le logiciel, où le progrès est extrêmement graduel. Les fournisseurs qui ignorent leurs pairs sont courants ; c’est un signe révélateur d’incompétence totale, qu’il faut traiter comme tel.

Éviter tout ce jeu de questions-réponses est un avantage, pas un défaut. Ces questionnaires dégénèrent invariablement en monstres bureaucratiques. Les questions non pertinentes et les exigences déguisées finissent par dominer le processus. Elles frustrent les bons fournisseurs et renforcent les mauvais. Participer à ce jeu n’a tout simplement aucune valeur. Les incitations sont mauvaises, et ni les entrées, les questions du client, ni les sorties, les réponses du fournisseur, ne sont fiables.

De même, l’insistance sur des estimations approximatives est délibérée. Le logiciel d’entreprise n’est pas une science exacte. Un fournisseur compétent n’a pas besoin d’un long audit pour établir une estimation raisonnable du coût total de possession d’une solution qu’il a lui-même créée. L’incapacité à fournir une telle estimation doit être considérée comme un indice révélateur d’incompétence. Au minimum, l’estimation doit couvrir les frais du fournisseur, ceux des intervenants qui l’accompagnent et le coût des ressources internes consacrées à la solution. L’une des manœuvres les plus fréquentes pour fausser l’estimation des coûts consiste à ignorer les frais annexes au-delà de la facture du fournisseur. Si ce processus ne peut empêcher un fournisseur d’omettre quelques lignes, l’absence de coopération entre fournisseurs assure une couverture assez étendue des dépenses attendues.

À l’inverse, les appels d’offres traditionnels soumettent les fournisseurs à des listes ahurissantes d’exigences ineptes. Les bons fournisseurs savent qu’éliminer ces absurdités demandera un effort considérable et que, le plus souvent, ils finiront par mettre en œuvre de nombreuses fonctionnalités d’un intérêt douteux. Ils gonflent donc invariablement leurs tarifs face à un appel d’offres traditionnel. Ils ignoreront aussi volontiers tout coût qui ne leur est pas directement imputable, sauf s’il est explicitement mentionné dans l’appel d’offres.

Enfin, l’évaluation par les pairs est l’information qui permet véritablement de séparer le bon grain de l’ivraie. Tout logiciel a des forces et des faiblesses, mais aucun fournisseur, à l’exception peut-être des plus incompétents, n’exposera volontiers les pires défauts de sa propre solution. Lorsqu’on insiste, des problèmes mineurs sont mis en avant dans une démonstration de fausse humilité. Détourner l’attention est facile face à quelque chose d’aussi complexe et opaque que le logiciel d’entreprise. Les concurrents, eux, n’hésiteront pas à montrer ce qui va mal et ce qui est franchement laid. Étant donné la nature du logiciel d’entreprise, les accusations ou propos dénigrants sont inutiles. Un fournisseur peut simplement inciter le client à examiner quelques aspects bien choisis de l’offre d’un concurrent. De plus, attirer l’attention du client sur des éléments pertinents est en soi une démonstration de compétence.

L’étude de marché contradictoire donne du pouvoir aux bons fournisseurs. Ils peuvent former le client à l’art d’évaluer les fournisseurs. Ils peuvent formuler le défi de façon à maximiser les rendements lors du déploiement de la solution. Ils peuvent proposer des prix plus bas, puisqu’ils n’ont pas à traverser une folie bureaucratique envahissante. Le seul inconvénient est qu’elle demande souvent plus de courage que n’en possèdent les responsables satisfaits d’eux-mêmes, peu disposés à froisser leur propre appareil bureaucratique.

Une fois qu’un fournisseur a passé cette enquête contradictoire et a été retenu, le travail revient au déploiement proprement dit : mettre en place les extractions brutes, écrire la première recette numérique et mener l’exécution parallèle jusqu’à disparition de toute ligne aberrante.

10.2 Définir le périmètre du déploiement

En pratique, « les mêmes ressources rares » désigne un stock commun ; des capacités amont partagées (moules, quantités minimales de commande (MOQ), paliers de remise, lignes de crédit) ; un goulet d’étranglement de transport partagé (liaison, paire de ports, catégorie de véhicules) ; et, ce qu’on oublie régulièrement, une même réserve d’attention managériale. Lorsqu’on lance une nouvelle initiative de supply chain, la première tâche est de clarifier sa finalité et les limites dans lesquelles elle opérera. Une entreprise peut, par exemple, vouloir améliorer l’ordonnancement de production ou les quantités de réapprovisionnement, ou souhaiter unifier plusieurs processus de décision qui fonctionnent historiquement dans des tableurs fragmentés. Dans tous les cas, la transformation doit être explicite dès le départ : quelles décisions seront modifiées, qui en sera responsable et comment seront-elles intégrées aux opérations quotidiennes ?

Un point essentiel : une initiative qui vise uniquement à améliorer la « visibilité » ou à produire des indicateurs accessoires ne peut, à elle seule, dégager des rendements durables. Tous ces efforts de visibilité, même les tableaux de bord les plus sophistiqués, restent creux si les membres de l’organisation continuent à prendre les mêmes décisions manuelles, étape par étape, qu’avant l’initiative. À l’inverse, dès que l’objectif est formulé comme un système d’intelligence, qui produit et exécute régulièrement des actions concrètes telles que des bons de commande ou des allocations de capacité, chaque exigence devient plus simple à exprimer. Cet objectif de produire une décision quotidienne ou hebdomadaire en conditions réelles, et de lui faire confiance, oblige l’entreprise à organiser ses rôles et ses ressources autour d’un livrable ancré dès le départ dans ses réalités économiques.

Il en découle une règle pratique : si plusieurs magasins s’approvisionnent auprès d’un même centre de distribution, incluez tous ces magasins d’un seul coup ; sinon, le moteur arbitrera entre tableurs plutôt qu’entre options. Si deux usines ou deux centres de distribution (DC) sont réellement indépendants — aucun stock commun en amont, aucune liaison principale partagée en aval, aucune équipe d’achat commune —, déployez-les par vagues séparées. Si un moule, une MOQ ou un barème de remises d’un fournisseur lie plusieurs articles, incluez toute la famille dans le périmètre d’un seul coup. Si une liaison principale ou une paire de ports constitue le goulet d’étranglement, incluez tous les flux qui y passent. Si les mêmes planificateurs doivent arbitrer le même budget ou la même ligne de crédit, gardez leur domaine ensemble : l’attention managériale est aussi limitée que les palettes et les heures.

Décider de l’étendue du périmètre est tout aussi important. Une initiative peut réussir à automatiser le réapprovisionnement d’une usine tout en déplaçant involontairement les problèmes ailleurs, en créant par exemple des goulets d’étranglement en aval ou des prix inadaptés en amont. Lorsque l’objectif est de prendre chaque jour des décisions judicieuses, se limiter à une ligne de produits ou à quelques entrepôts se révèle souvent trompeur. Même s’il peut sembler « plus sûr » de commencer petit, de profondes interdépendances structurelles rendent fréquemment ces pilotes locaux non représentatifs. Un projet étroitement défini peut être si contraint que l’entreprise ne voit jamais comment l’initiative se comporte face à la complexité réelle de ses opérations. À l’inverse, un périmètre trop vaste peut faire sombrer le projet sous des années de retards d’intégration des données. En pratique, le bon équilibre englobe tous les flux significatifs qui se disputent les mêmes ressources — stocks, transport ou installations de production — tout en évitant les détours facultatifs vers des fonctions ayant peu d’incidence sur les décisions de supply chain.

Il est tout aussi crucial d’établir un ensemble minimal de rôles bien définis. Malgré la myriade d’intitulés de poste présents dans une grande supply chain, une poignée de fonctions seulement doivent être chargées de soutenir un processus de décision automatisé. Le responsable des données maintient une extraction régulière des données transactionnelles brutes, idéalement une extraction intégrale non filtrée, afin que leur préparation ultérieure reste souple et transparente. Un Scientist prend ensuite la responsabilité de toute la chaîne technique et analytique qui mène des données brutes à la décision finale recommandée. Un responsable des flux au quotidien, auparavant planificateur dans les routines antérieures à l’automatisation, apporte ses connaissances contextuelles, conteste les résultats qui semblent suspects et précise les contraintes du terrain. Enfin, un dirigeant de la supply chain se tient prêt à arbitrer lorsque l’initiative rencontre des obstacles, en veillant à ce que l’introduction d’un nouveau centre de distribution ou d’un nouvel outil logiciel s’accompagne d’une révision de la modélisation des décisions, plutôt que de la laisser dériver.

Tous ces éléments — priorité explicite aux décisions, périmètre bien choisi, rôles correctement définis et calendrier de mise en route limité mais ferme — préparent une initiative fluide. Ils montrent aussi clairement que l’objet recherché n’est ni une formule ni un optimum théorique, mais une recette vivante, mise à jour et réexécutée dans un environnement mouvant de fournisseurs, de clients et de changements opérationnels. Une fois cette base posée, l’étape suivante consiste à en examiner le cœur : la recette numérique au centre du système d’intelligence, qui transforme chaque donnée pertinente en décisions concrètes du quotidien guidant le flux de biens.

Cette section revient sur la manière de cadrer une initiative de supply chain pour produire les décisions quotidiennes ou hebdomadaires nécessaires à son fonctionnement, tout en assurant les éléments « humains » — rôles et direction — qui garantissent l’alignement avec les objectifs de l’entreprise.

10.2.1 La recette numérique

Pour le déploiement, et uniquement pour le périmètre, il est préférable de voir la recette numérique comme un contrat à la frontière de l’initiative. Elle énonce dans le code trois éléments que le cadrage doit fixer d’emblée : les décisions que le moteur peut émettre et les registres dans lesquels elles écrivent, les options qu’il est autorisé à considérer et celles qui restent exogènes, ainsi que les ressources partagées qu’il valorise en interne, par opposition à celles dont il lit les prix fictifs externes. Tout le reste — attitude face aux prévisions, théorie de la décision, débogage des lignes « aberrantes » — a été traité dans les chapitres précédents et n’est pas repris ici.

D’abord, les décisions : une recette dont le périmètre est défini nomme précisément ses émissions. Pour le réapprovisionnement : des lignes insérées dans les tables de bons de commande ou d’ordres de transfert ; pour la production : des heures de début et des quantités sur un ensemble fini d’ordres de fabrication ; pour les prix : des modifications publiées à une cadence convenue. Les émissions doivent être idempotentes et sans état : les mêmes entrées produisent les mêmes sorties. La réécriture peut être rapprochée sans ambiguïté grâce à un identifiant de décision et un horodatage. Cette déclaration limitée ancre le périmètre dans la réalité : si une décision ne peut pas être réinscrite dans le système d’enregistrement, elle est hors périmètre.

Ensuite, les options : le périmètre fixe ce que le moteur peut faire varier et ce qu’il doit tenir pour acquis. Si l’initiative couvre les expéditions du centre de distribution vers les magasins tandis que les prix restent hors périmètre, le prix est lu, non choisi ; ses effets entrent dans l’objectif par le registre monétaire de l’entreprise. Si les commandes outre-mer sont incluses, mais pas le choix du transporteur, les modes de transport arrivent sous forme de coûts et de distributions de délais, non comme des choix. Définir les actions admissibles évite de retomber dans les improvisations de tableurs qui étendent informellement le périmètre et effacent les responsabilités.

Enfin, les ressources partagées : le périmètre n’est cohérent que si chaque ressource contraignante qu’il contient fait ici l’objet d’une décision ou d’une valorisation. Les stocks communs, les familles de moules soumises à des paliers de MOQ, le débit des quais, la capacité entre deux ports, les lignes de crédit des acheteurs et même l’attention managériale sont des contraintes couplantes typiques. Lorsqu’une telle contrainte chevauche la frontière, le périmètre doit ingérer et respecter un prix fictif fourni par le domaine voisin. Faute de ce prix, le moteur arbitre entre tableurs plutôt qu’entre options. À l’inverse, dès qu’une contrainte couplante est intégrée au périmètre, son prix fictif externe est supprimé ; le couplage est internalisé.

Une recette au périmètre défini porte également l’attribution des conséquences. Sa fenêtre de responsabilité — depuis l’instant où un engagement immobilise une ressource jusqu’à l’occasion qui suit la prochaine occasion de la réaffecter ou de la liquider — est explicite, avec des valorisations terminales et des effets de cliquet énoncés. Dans cette fenêtre, le moteur assume les conséquences de ses propres émissions, exprimées en unités monétaires : pénalités pour ventes perdues, coûts d’excédent, congestion, démarques. Au-delà, les coûts sont chiffrés comme des valeurs terminales plutôt que poursuivis indéfiniment. Cette frontière évite les doubles comptages entre initiatives et les habituels renvois de responsabilité entre équipes voisines.

Le cadrage exige des possibilités d’arrêt et de réversibilité à la frontière du périmètre. Le moteur doit s’arrêter de lui-même lorsque les entrées sont périmées, lorsque des prix fictifs exogènes manquent ou lorsque les contrôles de cohérence des dossiers échouent. Le passage à un fonctionnement sans intervention humaine dépend de la rareté de ces arrêts et de la possibilité d’en diagnostiquer les causes. La réversibilité repose sur l’absence d’état et des réexécutions déterministes : l’exécution d’hier peut être reconstituée à partir de versions conservées du code et des extractions, sans invoquer une « dérive des données » ou des « corrections manuelles des utilisateurs ».

L’alimentation en données découle du périmètre. Les tables sont répliquées intégralement, dans le respect de leur schéma, chaque jour, ou plus vite si la cadence des décisions l’exige. Aucun traitement amont « bien intentionné » n’est autorisé : les filtres, imputations et jointures qui comptent pour la décision se trouvent dans la recette, où ils peuvent être audités avec la logique économique. Une mise en transparence minimale — des colonnes qui exposent les principaux facteurs de chaque émission en unités monétaires et en contraintes — fait également partie du contrat. Ce dossier permet à la finance et aux opérations de voir d’un coup d’œil pourquoi une ligne est sensée.

Deux exemples courts concrétisent cette frontière. Une recette de réapprovisionnement des magasins, limitée à un seul centre de distribution, émet des ordres de transfert pour tous les magasins qu’il dessert, fait varier les quantités et les heures de lancement, lit les prix et les planogrammes comme des données exogènes et internalise la main-d’œuvre et la capacité des quais du centre. Si un autre centre de distribution puise dans le même stock amont, la recette doit soit ingérer un prix fictif pour ce stock, soit étendre le périmètre au second centre ; toute solution intermédiaire invite à arbitrer entre centres par l’intermédiaire de tableurs. Une recette d’achat outre-mer, limitée à une famille de fournisseurs, émet des bons de commande avec constitution des lots, internalise les paliers de MOQ et de remises ainsi que le moule partagé, lit les choix de transporteurs comme des entrées chiffrées et attribue les coûts aval au moyen d’une valeur terminale lors du passage au centre de distribution importateur. La tarification ou l’allocation aux magasins reste hors périmètre jusqu’à une vague ultérieure.

Enfin, le périmètre est appelé à évoluer. Le contrat fournit l’interface : à mesure que les domaines voisins sont intégrés, les prix fictifs exogènes sont remplacés par des décisions endogènes sans réécrire le noyau. En pratique, c’est ainsi que les périmètres de déploiement « s’emboîtent » : la frontière n’est pas une diapositive rhétorique, mais du code exécutable qui nomme les émissions, les actions admissibles, les contraintes couplantes, les prix et les arrêts. La sous-section suivante examine comment ces frontières interagissent avec le reste du système.

10.2.2 Le pipeline de données

Le périmètre ne devient réel qu’à sa rencontre avec le paysage applicatif. Les entreprises modernes fonctionnent en silos — ERP pour les transactions, WMS pour les emplacements, TMS pour le transport, CRM pour les commandes —, chacun avec son schéma, sa cadence et son folklore. Définir le périmètre d’une initiative n’est donc pas tracer des frontières abstraites ; c’est décider d’établir une interface nette et durable à travers ces silos, et de la maintenir grâce à un pipeline de données léger, fidèle et reproductible.

La recette numérique définie dans la sous-section précédente fournit le périmètre logique : émissions, options admissibles, contraintes couplantes partagées. Le pipeline en est la contrepartie informationnelle. Il doit répliquer les tables requises par ce périmètre à la cadence qu’imposent les décisions. En pratique, une heure de clôture quotidienne — une heure limite explicite, en UTC, après laquelle les extractions sont effectuées — vaut mieux que de vagues ambitions de « quasi-temps réel » qui brouillent la provenance. La fraîcheur est un choix économique : n’accélérer que lorsque le gain attendu en unités monétaires justifie les frictions supplémentaires ; sinon, préférer un instantané propre, pris une fois par jour, que chacun peut réexécuter à l’identique. Les extractions partielles et les « tranches pilotes » sont contre-productives : elles masquent les effets d’échelle, dissimulent les particularités sémantiques et donnent une fausse impression de justesse sur des sous-ensembles jouets. Le périmètre que vous souhaitez optimiser est celui que vous répliquez.

Chaque extraction doit être immuable et autodescriptive. Accompagnez les tables d’un petit manifeste qui enregistre la borne temporelle de référence, le nombre de lignes par table, les horodatages métier minimum et maximum, ainsi qu’une empreinte du schéma. Le stockage n’autorise que l’ajout : les fichiers d’hier ne sont jamais modifiés ; les corrections rétroactives apparaissent comme de nouveaux faits dans l’extraction du jour. Cette discipline, associée au retour dans le temps, garantit une reproductibilité bit à bit : une exécution peut être rejouée des mois plus tard sans invoquer le fait que « les données ont bougé ».

Les suppressions et les corrections tardives exigent un traitement explicite. Préférez des instantanés complets à d’ingénieux différentiels ; lorsque c’est impossible, normalisez toute capture de changements de données en amont dans un registre n’autorisant que l’ajout à l’intérieur du périmètre : marqueurs pour les suppressions définitives, lignes versionnées pour les mises à jour. Le but est l’uniformité : la recette raisonne sur un historique d’événements unique et croissant, non sur une cible mouvante de modifications sur place.

Les accès suivent le principe du moindre privilège : un compte de service en lecture seule récupère les extractions ; l’initiative ne réécrit jamais dans les systèmes d’enregistrement par le pipeline. Réduisez au minimum les données permettant d’identifier des personnes ; la plupart des décisions de supply chain n’en ont aucun besoin légitime. Gardez l’interface légère : les extractions sont des faits, non des opinions ; les transformations qui modifient les décisions ont leur place dans la recette, où elles sont versionnées avec la logique économique.

La profondeur historique doit couvrir au moins un cycle complet de réapprovisionnement et, lorsque la saisonnalité compte, deux pics saisonniers. Davantage vaut mieux, mais « assez pour apprendre » suffit : trois à six trimestres fidèlement extraits permettent à la recette de converger ; des reprises d’historique pourront ensuite étendre cette profondeur sans faire dérailler le déploiement. Les flux externes — jours fériés, indices de prix, météo pour les produits périssables transportés sur de courtes distances — entrent sous forme de tables à part entière, avec leur propre cadence et leur provenance. Exploitez d’abord les enregistrements internes ; les apports externes ne sont rentables que si leur signal est manifestement plus fort que le bruit qu’ils introduisent.

Les traitements amont « bien intentionnés » — filtres sur mesure, imputations silencieuses, vues préjointes — transforment l’interface en brouillard. Les transformations qui comptent pour les décisions doivent résider dans la recette, où elles sont versionnées avec la logique économique et peuvent être auditées avec les émissions qui en résultent. Les enregistrements restent des hypothèses sur la réalité ; les conserver bruts préserve leur provenance et permet de remonter des défauts jusqu’au système source, plutôt que jusqu’à un script de nettoyage non documenté.

Comme les silos applicatifs ne changeront pas de plateforme pour convenir à l’initiative, le cadrage doit respecter leurs couplages sans tenter de les dissoudre au préalable. Lorsqu’une ressource contraignante se trouve dans le périmètre, ses contraintes sont internalisées ; lorsqu’elle chevauche la frontière, son influence arrive sous forme d’un prix fictif provenant du domaine voisin. Tenter de « simplifier » en supprimant des données gênantes, ou en isolant une petite tranche qui ne se dispute plus les stocks, capacités, liaisons ou ressources d’attention partagés, réintroduit précisément l’arbitrage entre tableurs que l’initiative est censée supprimer.

Sur le plan technologique, le pipeline doit être ennuyeux : des instantanés conservés par ajout uniquement, des fichiers immuables, des extractions contrôlées par manifeste et un retour dans le temps permettant de rejouer toute exécution passée bit à bit. Cette discipline modeste rend effectifs en pratique l’arrêt et la réversibilité exigés par le contrat de la recette. Le stockage est bon marché ; l’agrégation prématurée ne l’est pas. La seule complexité qui en vaille la peine se situe là où l’argent change de mains : dans la recette, non dans la tuyauterie qui l’alimente.

Une fois cette interface établie — réplication fidèle d’un côté, transformations auditables dans la recette de l’autre —, le périmètre peut s’étendre sans bouleversement. De nouveaux domaines sont intégrés en remplaçant les prix fictifs externes par des décisions endogènes ; rien d’autre dans le pipeline n’a besoin d’être réinventé. La sous-section suivante attribue les quelques rôles nécessaires pour maintenir cette interface jour après jour.

10.2.3 Les rôles dans l’initiative

Une fois le périmètre clarifié et centré sur la production quotidienne de décisions, l’étape cruciale suivante consiste à définir la responsabilité de chaque partie du processus. Bien que les entreprises maintiennent souvent de nombreux rôles spécialisés dans la supply chain, quelques-uns seulement sont nécessaires pour soutenir un processus de décision automatisé. Trop de rôles ne font que diluer la responsabilité du résultat final. À l’inverse, un petit ensemble de rôles bien définis garantit que chacun rende des comptes et maintient un chemin clair et traçable des données brutes aux décisions finales.

Le responsable des données met en place et entretient le pipeline de données. Ce rôle se situe à l’intersection de l’informatique et de la supply chain, mais reste fermement ancré dans la discipline informatique. Son objectif principal est de fournir des extractions brutes, non filtrées, provenant des systèmes d’enregistrement, tels que l’ERP, le WMS, le CRM ou d’autres applications existantes. Livrer ces jeux de données chaque jour ou chaque semaine de manière fiable est plus difficile qu’il n’y paraît : de petites modifications de schéma, des mises à niveau partielles ou des particularités d’usage cassent régulièrement les traitements d’extraction. Une fois stabilisé, le pipeline ne demande qu’un effort d’entretien minimal. Point essentiel, ce rôle doit s’abstenir de tenter de « corriger » ou d’« interpréter » les données. Lorsqu’une anomalie grave apparaît — une quantité en stock négative ou des transactions manquantes, par exemple —, le responsable doit prévenir les équipes concernées sans écraser ni retoucher les enregistrements sous-jacents. L’initiative se confronte ainsi aux données réelles, non à une transformation inconnue.

Le Supply Chain Scientist est responsable de toute la recette, des données brutes aux décisions quotidiennes. Ce rôle constitue le cœur logique de l’initiative. Alors que le responsable des données se concentre sur l’extraction, le Scientist s’attache à traduire chaque facteur de coût, contrainte opérationnelle ou préférence stratégique dans la recette elle-même. Contrairement à un analyste de données ou à un « data scientist » classique, le Supply Chain Scientist s’engage personnellement à rendre le processus apte à la production. Si une recommandation est manifestement erronée, il lui appartient de retrouver la source de l’erreur, qu’il s’agisse d’une hypothèse de modélisation fausse, d’une contrainte de délai oubliée ou d’un décalage avec les objectifs financiers actuels de l’entreprise. Au fil du temps, le Scientist code directement dans la recette les nouveaux enseignements, la maintenant en phase avec les réalités opérationnelles mouvantes. Bien qu’il utilise des outils statistiques, des moteurs d’optimisation ou des techniques de simulation, son principe directeur est de livrer des décisions quotidiennes applicables. La différence d’état d’esprit est cruciale : des tableaux de bord ou des indicateurs de performance peuvent perdre leur pertinence ; les décisions quotidiennes automatisées ne le peuvent pas.

Vient ensuite le sponsor de direction, qui apporte les orientations et les arbitrages au plus haut niveau. Les décisions de supply chain reflètent inévitablement le calcul économique plus large de l’entreprise, et le Scientist devra parfois poser des hypothèses de modélisation — sur les coûts, les marges, les arbitrages ou les conditions des fournisseurs — que seule la direction générale peut valider. Un entrepôt peut, par exemple, demander un transport accéléré pour se réapprovisionner plus vite, mais cela peut entrer en conflit avec l’objectif de réduire les expéditions aériennes à l’échelle de l’entreprise. En cas de désaccord, le sponsor précise quelles priorités doivent guider les arbitrages. Il s’assure aussi que le projet dispose du soutien politique et financier nécessaire. Si le Scientist découvre un nouveau facteur, comme des garanties produit encore en vigueur ou des contraintes juridiques sur les expéditions transfrontalières, qui exige une modification plus profonde des processus, l’intervention directe du sponsor aide à lever rapidement les obstacles organisationnels.

Enfin, un responsable des flux, auparavant planificateur ou gestionnaire de stocks dans les anciens processus, reste indispensable. Même si les décisions quotidiennes finissent par être automatisées, la complexité du monde réel ne disparaît jamais. Le responsable des flux apporte les connaissances opérationnelles du quotidien que les tables de données ne peuvent saisir : par exemple, quel fournisseur tend à livrer des expéditions partielles, ou quelles lignes de conditionnement présentent de subtils problèmes de qualité pendant les mois de pointe. Au cours des premiers mois d’exécution parallèle de l’ancien tableur et de la nouvelle recette, il repère les décisions qui paraissent « aberrantes » et transmet ses observations. Au fil du temps, à mesure que l’automatisation démontre sa stabilité, son travail se transforme. Au lieu de vérifier minutieusement chaque niveau de stock, il se concentre sur les relations plus larges avec les clients et les fournisseurs, gère des perturbations imprévues telles qu’un entrepôt inondé ou un changement réglementaire du jour au lendemain, et transmet ces connaissances au Scientist. Libéré des mises à jour incessantes de tableurs, il veille aux flux de l’ensemble du réseau, renforçant la résilience et la réactivité de toute la supply chain.

En bref, les responsabilités se ramènent à quatre verbes : le responsable des données fournit les faits ; le Supply Chain Scientist émet les engagements quotidiens et arrête le moteur lorsque la confiance faiblit ; le sponsor de direction arbitre les compromis et les conflits de périmètre ; le responsable des flux surveille les flux sur le terrain et fait remonter les anomalies.

Ces quatre rôles tiennent dans une structure étonnamment compacte, même dans de grandes entreprises. Une personne peut être responsable des données pour plusieurs projets, et un seul Scientist peut gérer des centaines de milliers de SKU. Préciser dès le départ que chaque responsabilité correspond à un domaine unique et aisément identifiable réduit les frictions entre départements et évite les transferts incessants et les responsabilités partielles qui paralysent souvent des projets plus ambitieux, mais moins ciblés.

Une fois ces rôles attribués, la voie est ouverte à un cycle concret de mise en route d’environ six mois, de l’extraction des données à un processus stable, apte à la production.

10.3 Mise en route

La mise en route est le passage d’une intention au périmètre défini à des émissions sans intervention humaine. Une fois le périmètre, les rôles et l’interface d’extractions quotidiennes en place, il reste à exécuter avec des critères de passage explicites : donner à la recette numérique un rendez-vous quotidien avec la réalité ; n’avancer que lorsque les critères de préparation sont satisfaits ; et supprimer les routines manuelles sans interrompre les flux.

Cette section ne revient ni sur le périmètre, ni sur les rôles, ni sur l’économie, réglés plus haut. Elle porte sur la cadence et la maîtrise : quelles conditions doivent être remplies, et dans quel ordre, pour que le système d’intelligence prenne la main en toute sécurité. Les dates découlent des critères : le calendrier est une conséquence, pas un plan.

Les pages suivantes suivent ce chemin : un bref calendrier nommant les étapes de validation ; la pratique quotidienne qui permet de les franchir ; les mécanismes de mise en service progressive et de réversibilité ; puis la démarche d’entretien à long terme. Avec ces éléments, la transition des tableurs vers les décisions sans intervention humaine devient une routine plutôt qu’un exploit.

10.3.1 Vue d’ensemble du calendrier

Une fois le périmètre et les rôles établis, la mise en route passe par trois étapes qui, dans la plupart des entreprises, tiennent en six mois environ. Cet horizon est une attente empirique, pas une promesse : le calendrier reflète davantage le rythme de l’organisation que le calcul, et un glissement de quelques semaines signale généralement des problèmes de gouvernance ou de périmètre plutôt que des limites techniques « dures ».

La première étape ne s’achève que lorsque l’extraction quotidienne des données est complète et fiable. L’ensemble des tables nécessaires à la recette numérique est répliqué fidèlement au schéma, à une heure de clôture quotidienne claire ; les extractions sont immuables et autodescriptives ; les exécutions passées peuvent être rejouées bit à bit ; et les particularités amont sont traitées sans retouches « bien intentionnées » qui brouilleraient la provenance. Les heuristiques d’arrêt sont raccordées de façon que le moteur s’arrête de lui-même lorsque les entrées sont périmées ou manquantes. En pratique, cette étape est achevée lorsque l’interface fonctionne proprement et de manière reproductible pendant une période prolongée, les défauts étant retracés et corrigés à l’interface plutôt que compensés en aval.

La deuxième étape se termine lorsque la recette cesse de produire des décisions aberrantes. Le pipeline étant stable, la recette numérique s’exécute chaque jour à côté de la routine existante. Chaque émission s’accompagne d’un dossier qui met en transparence ses principaux facteurs économiques en unités monétaires. Jour après jour, les surprises sont réintégrées dans la sémantique, les contraintes ou les prix, jusqu’à ce que les erreurs manifestes disparaissent. Le critère n’est pas ici la perfection, mais l’absence d’aberration : l’exécution parallèle doit durablement ne produire aucune ligne aberrante, et les différences qui subsistent avec la routine manuelle doivent relever de l’économie à la marge, non d’erreurs de logique.

La troisième étape se termine lorsque la confiance est suffisante pour un usage en production. La même recette réécrit désormais dans un périmètre délimité, protégée par des heuristiques d’arrêt et réversible par construction : les émissions sont sans état et idempotentes ; retour en arrière et réexécution sont routiniers ; et la documentation permet à un autre Scientist de diagnostiquer le problème et de revenir en arrière en quelques heures. L’instrumentation est assez convaincante pour que la finance et les opérations auditent les décisions sans réunion : les dossiers sont lisibles, les attributions claires et la fenêtre de responsabilité explicite. Après une courte mise en service sans incident et sans intervention humaine sur une partie du périmètre, la généralisation cesse d’être un acte de foi et devient une formalité.

Ces critères de passage existent pour éviter le purgatoire du pilote. Si une étape s’éternise, faites remonter la cause — extractions inachevées, dérive du périmètre ou prix sans responsable — au lieu d’étirer le calendrier. À l’inverse, franchir précipitamment une étape sans en satisfaire les conditions ne fait que déplacer le risque vers la production. Les pages suivantes détaillent le travail quotidien à chaque étape, sans répéter le périmètre et les rôles déjà définis.

10.3.2 Déploiement itératif

Le déploiement met en pratique la méthode d’optimisation expérimentale introduite au chapitre Ingénierie : exposer chaque jour la recette numérique à l’interface réelle ; laisser la réfutation guider les modifications ; et n’avancer que lorsque les décisions produites sont sensées. L’objectif est ici pratique : comment cette démarche est conduite en production, sans reprendre sa théorie — voir le chapitre Ingénierie, les sections Optimisation expérimentale et Mise en transparence.

10.3.2.1 Exécution parallèle quotidienne

Chaque jour à l’heure de clôture, exécutez la recette de bout en bout sur l’intégralité du périmètre, avec la même heure limite et les mêmes actions admissibles qu’en production. Émettez les décisions sans les inscrire ; archivez les émissions et leurs dossiers ; comparez-les à la routine existante. L’exécution est sans état et reproductible : pour une extraction et une version du code données, les sorties sont identiques. Les heuristiques d’arrêt restent actives ; chaque arrêt est traité comme un défaut de l’interface — tables manquantes, prix fictifs périmés, dérive sémantique — à supprimer avant l’exécution suivante. L’exécution parallèle n’est pas une démonstration ; c’est le laboratoire quotidien où la recette se confronte à la réalité jusqu’à ce qu’elle cesse de produire des surprises.

10.3.2.2 Zéro décision aberrante

Est « aberrante » toute émission qui viole une contrainte physique ou juridique impérative, contredit un fait élémentaire de l’activité ou présente une espérance de rendement manifestement négative aux prix énoncés. L’absence durable d’aberrations sur l’ensemble du périmètre constitue le critère de sortie de l’exécution parallèle et correspond à la deuxième étape du calendrier ci-dessus. Les désaccords à la marge avec la routine manuelle ne bloquent pas le passage en production ; ils sont arbitrés par le registre et tranchés lors de la mise en service décrite dans la section suivante.

10.3.2.3 Une instrumentation évolutive

Pour accélérer la réfutation, chaque émission s’accompagne d’un court dossier qui expose ses principaux facteurs économiques, en unités monétaires, ainsi que les quelques contraintes qui la lient. Le schéma du dossier appartient à la recette et évolue avec elle ; il est versionné, peut être reconstitué par réexécution et est écrit par le même code qui produit les lignes. En exécution parallèle, les dossiers permettent aux praticiens de déterminer en quelques minutes la cause d’une surprise ; en production, les mêmes dossiers permettent à la finance et aux opérations d’auditer les décisions sans réunion. Les mécanismes de mise en transparence ont été développés plus tôt ; nous ne gardons ici que ce qui accélère le déploiement.

Lorsque l’exécution parallèle s’est maintenue quelque temps sans ligne aberrante et que les arrêts sont rares et expliqués, la même recette peut commencer à réécrire dans un périmètre délimité. Les mécanismes de cette bascule — choix du périmètre, soupapes de sécurité et réversibilité — sont abordés ensuite dans la section Mise en service progressive.

10.3.3 Mise en service progressive

Passer des contrôles quotidiens en parallèle à une véritable dépendance envers le système d’intelligence est un exercice de gestion du risque. La transformation doit être assez décisive pour que l’ensemble de l’entreprise ne se rabatte plus sur les anciennes méthodes manuelles au premier signe de difficulté, tout en restant assez prudente pour éviter des perturbations de grande ampleur. Beaucoup d’organisations hésitent à ce stade et maintiennent le nouveau système au rang de pilote perpétuel ; une transition ordonnée et ferme évite que l’initiative reste dans les limbes.

10.3.3.1 Le premier périmètre

Une manière courante de commencer consiste à sélectionner un segment étroitement lié de la supply chain et à laisser les décisions automatisées opérer sur ce seul sous-ensemble. Par exemple, un centre de distribution peut suivre les recommandations quotidiennes pour une catégorie donnée, ou un site industriel peut appliquer l’ordonnancement automatisé à une seule ligne de produits. Idéalement, ces produits ou installations disposent déjà de données stables et de contraintes bien comprises. En adoptant les sorties de la recette dans les opérations réelles, par exemple en envoyant directement aux fournisseurs les bons de commande suggérés, l’organisation peut vérifier qu’aucune « ligne aberrante » n’apparaît en conditions réelles d’exploitation. Cette transition initiale dure généralement une ou deux semaines, suffisamment pour confirmer que les hypothèses fondamentales de coûts, de stocks et de délais se traduisent correctement en actions quotidiennes.

Une fois les performances stabilisées, une part plus large du réseau peut être intégrée. Par exemple, si la première vague couvrait un centre de distribution, la suivante peut englober tous les centres de la même région. À chaque extension, le Scientist et le responsable des données doivent s’assurer que la même architecture de pipeline de données s’étend aux sites ou aux lignes de produits supplémentaires sans nouvelles complexités. En parallèle, le responsable des flux confirme qu’aucune règle locale particulière, comme l’obligation stricte d’un fournisseur de commander des palettes complètes, n’a été oubliée. Ce schéma — sélectionner, confirmer la stabilité, puis étendre — se répète jusqu’à couvrir toutes les parties pertinentes du périmètre initial.

10.3.3.2 Supprimer progressivement le recours manuel

La tâche la plus difficile est de décider comment, et quand, retirer les anciennes étapes manuelles. Beaucoup d’entreprises ont tenté une « semi-automatisation », où les planificateurs examinent chaque recommandation du système et ajustent les paramètres à la main au premier signe de manque. En apparence prudents, ces doubles contrôles indéfinis érodent discrètement les gains. L’automatisation de façade se dégrade en un moteur de suggestions glorifié, ignoré dès que les chiffres contredisent l’intuition. Chaque heure passée à remettre en cause ou à ressaisir les commandes recommandées est une heure qui n’est pas investie dans des tâches qu’une machine ne peut accomplir, comme nouer des relations avec les fournisseurs ou analyser de nouveaux signaux du marché.

Tirer véritablement parti de l’automatisation exige de retirer l’ancien processus de l’usage courant. Cette décision peut sembler exiger un acte de foi. Mais, à ce stade, les comparaisons quotidiennes devraient avoir montré que la nouvelle méthode ne produit que rarement, voire jamais, d’erreurs flagrantes. Lorsque des anomalies surviennent — des délais fournisseurs qui s’allongent brutalement, un changement non annoncé de norme de conditionnement —, les corriger dans la recette se révèle plus systématique et plus rapide que le bricolage des tableurs. Comme la logique est centralisée dans le code, une seule correction élimine les erreurs potentielles sur l’ensemble des SKU et des sites. Cette clarté finit par convaincre les planificateurs et les cadres intermédiaires que l’adoption fait gagner du temps sans renoncer à la maîtrise.

10.3.3.3 Traiter les exceptions

Une supply chain dynamique rencontre inévitablement des cas que la recette n’avait pas entièrement anticipés. Une catastrophe naturelle peut inonder un entrepôt, ou un fournisseur faire défaut. La même automatisation qui fonctionne en conditions normales demande alors un ajustement rapide, qu’il s’agisse d’une dérogation temporaire ou d’une contrainte modélisée. Juste après l’arrêt de l’ancien processus manuel, tout ce qui casse semble urgent. Il faut traiter les fortes hausses de commandes recommandées ou l’impossibilité de respecter de grandes tailles de lots sans le confort des anciens tableurs.

La responsabilité principale revient ici au Scientist. Comme la recette est sans état et recalcule chaque jour les décisions à partir de l’ensemble des données, les changements peuvent être introduits dès que les hypothèses sont claires. Si un site endommagé par l’eau doit fonctionner à mi-capacité, le Scientist peut coder cette limite dès le lendemain matin. L’essentiel est d’intégrer ces exceptions dans le code unifié, plutôt que de les laisser réapparaître sous forme de corrections locales dans des tableurs dispersés. Même une fois la crise passée, la recette conserve cette contrainte, prête si elle se reproduit.

10.3.3.4 Mesurer les résultats

À mesure que les décisions mécaniques se déploient dans le réseau, l’instrumentation élargit son périmètre. Auparavant, elle aidait à repérer des lignes erratiques ou incorrectes ; désormais, elle évalue aussi si les gains prévus en service, en coûts ou en réactivité se concrétisent. Le Scientist, généralement avec les responsables financiers et opérationnels, compare la demande réelle aux prévisions et rapproche les marges et délais réalisés de leurs équivalents modélisés. Cette vision à 360 degrés montre dans quelle mesure les décisions quotidiennes résistent à la variabilité du monde réel. Point crucial, ces artefacts de performance, tels que les mesures de précision ou les comparaisons de coûts, sont destinés avant tout aux améliorations itératives du Scientist, plutôt qu’à alimenter de nouvelles couches de supervision. Un nouvel écart entre prévision et demande peut signaler une légère évolution de la saisonnalité ou un changement des prix concurrents, un enseignement qu’il vaut mieux réintégrer dans le code de la recette. Si ces artefacts sont largement diffusés entre départements, l’organisation risque de revenir aux retouches de prévisions en comité, diluant les responsabilités.

La mise en service mécanique repose sur deux formes de mesure simultanées. D’abord, le seuil de zéro aberration : la commande ou l’ordonnancement recommandé reste-t-il manifestement correct pour la journée ? Ensuite, les contrôles à plus long terme du réalisé par rapport au projeté : l’approche reflète-t-elle les coûts réels et les objectifs de recettes de l’entreprise ? Conserver ces deux formes d’instrumentation dans le code, visibles et modifiables par le Scientist, lui permet de repérer rapidement les hypothèses erronées. L’entreprise garde une perspective stable de bout en bout, sans la confusion des outils de suivi partiels ou des tableurs contradictoires dans des départements distincts.

10.3.3.5 Consolider l’autonomie

Au fil de plusieurs mois de mise en service par étapes et d’instrumentation affinée, l’initiative devient une routine quotidienne. Les collaborateurs qui s’affairaient autrefois dans les tableurs reportent leur attention sur des tâches plus nuancées ou sur les exceptions immédiates qui surgissent inévitablement dans des marchés mouvants. La confiance dans le système automatisé grandit régulièrement. Lorsque l’ensemble du périmètre fonctionne sous la nouvelle recette, l’approche manuelle ne manque à personne. Les employés constatent qu’il est inutile de remettre chaque décision de réapprovisionnement en procès, tandis que les responsables observent que les changements de demande, de contraintes d’approvisionnement ou même de structures de coûts peuvent être intégrés rapidement et de manière cohérente au niveau de la recette.

Une automatisation réussie déclenche un changement culturel. Dès que les collaborateurs constatent qu’une partie de la supply chain est réellement devenue mécanique, ils commencent à identifier de nouveaux domaines où une approche similaire s’applique. Même si ces extensions sortent du périmètre initial, elles peuvent s’appuyer sur le pipeline, l’instrumentation et le processus itératif qui ont déjà fait leurs preuves. Cet élan épargne à l’organisation la stagnation courante après les déploiements logiciels conventionnels, où le système est « figé » dès sa mise en service. Ici, les sorties quotidiennes du système restent ouvertes à l’amélioration, précisément parce que la capacité à itérer rapidement a été intégrée dès le départ à la structure de l’initiative.

Le passage à l’automatisation complète n’est pas le dernier mot. La question suivante est de maintenir et d’améliorer cette nouvelle normalité, en veillant à ce que la recette suive l’évolution de la stratégie de l’entreprise ou des conditions de marché. Si personne ne souhaite revenir aux tableurs une fois en place une approche mécanique bien éprouvée, une vigilance continue reste nécessaire pour éviter l’autosatisfaction. La section suivante explique comment maintenir la pertinence de l’initiative dans une évolution permanente, en faisant de chaque événement, des changements quotidiens aux perturbations de type cygne noir, une occasion de renforcer le processus automatisé.

10.3.4 Maintenance à long terme

Un système d’intelligence déployé n’est jamais statique ; aussi aboutie que puisse paraître sa recette numérique, les conditions de l’activité et les réalités opérationnelles continuent d’évoluer. De nouvelles réglementations peuvent apparaître, les structures de prix changer, et les délais ou les contraintes de service évoluer d’une manière que la recette automatisée n’avait pas anticipée. Une initiative qui cesse de s’adapter devient bientôt aussi obsolète que le système qu’elle a remplacé.

Dans ce contexte, la maintenance ne se limite pas aux correctifs logiciels ou aux réparations des extractions de données. Elle consiste avant tout à préserver la justesse et la pertinence de la logique économique codée dans la recette. Si l’entreprise ouvre un nouveau centre de distribution ou négocie un nouveau contrat fournisseur, les coûts et les contraintes qui sous-tendent les décisions quotidiennes doivent être révisés pour refléter ces évolutions. En pratique, ne pas entretenir la recette revient soit à retomber dans une litanie de corrections manuelles qui sapent l’automatisation, soit à la laisser produire des décisions de plus en plus déconnectées des objectifs de l’entreprise.

10.3.4.1 Une évolution incessante

L’une des raisons essentielles d’un entretien systématique est que chaque maillon évolue constamment : de nouveaux SKU apparaissent, d’anciens sont retirés, des campagnes marketing sont lancées et des perturbations inattendues imposent d’autres itinéraires. Si la recette reste enfermée dans les hypothèses de l’an dernier, elle manquera de nouvelles occasions et n’atténuera pas les risques nouvellement apparus.

Cette variabilité n’est pas un défaut de l’automatisation, mais une caractéristique des marchés réels. Une initiative robuste accueille le changement en prévoyant des révisions régulières des hypothèses de la recette et en faisant apparaître les anomalies dès que le pipeline de données détecte de forts écarts par rapport aux conditions normales. Une flambée des coûts de fret peut appeler une modélisation plus poussée des capacités des conteneurs ou une réévaluation du mode de transport privilégié. De même, l’ajout de lignes de production avancées peut modifier les arbitrages : des tailles de lots autrefois optimisées peuvent devenir sources de gaspillage si les nouvelles lignes offrent des réglages moins coûteux et plus rapides.

10.3.4.2 Finance et opérations

Coordonner les mises à jour de la recette exige un dialogue continu entre le Scientist et les dirigeants financiers et opérationnels. La maintenance quotidienne peut traiter des problèmes mineurs — un nouveau code fournisseur ou une politique de réapprovisionnement recalibrée —, tandis que les changements importants, comme une nouvelle structure de remises ou une autre approche du fonds de roulement, sont intrinsèquement stratégiques.

Pour rester en phase avec les réalités financières actuelles de l’entreprise, la recette doit refléter toute évolution des imputations de coûts ou des contraintes budgétaires. Comme la finance maîtrise la valorisation du capital, le Scientist se tourne vers elle pour préciser avec quelle audace ou prudence dimensionner les stocks, comment traiter les coûts indirects immatériels — tels que l’atteinte à la marque causée par une expédition manquée — et comment mettre en balance les retards d’expédition avec le coût d’heures supplémentaires urgentes. Une revue conjointe annuelle ou semestrielle assure que le code continue de refléter l’orientation stratégique de l’entreprise plutôt que de dériver vers des schémas périmés. Si la direction générale veut privilégier l’expansion vers de nouveaux marchés ou réduire le fret aérien d’un pourcentage donné, le Scientist ne peut deviner ces priorités et doit en être informé tôt et précisément.

10.3.4.3 Une mise en œuvre sans état

Un principe de conception durable pour une maintenance efficace consiste à garder la recette sans état. Chaque jour ou chaque semaine, elle recalcule toutes les recommandations à partir des données brutes, sans transmettre d’état caché à l’exécution suivante. Cette approche empêche les erreurs de s’accumuler au fil du temps. Si un incident en amont gonfle les niveaux de stock du jour, l’exécution du lendemain, une fois les données corrigées, revient naturellement à des décisions normales. Le système peut « se remettre d’aplomb » dès que le pipeline de données est rétabli, sans que les fantômes des anciens calculs s’attardent.

Les conceptions sans état facilitent également la maintenance à long terme. Chaque fois que le Scientist met à jour une fonction de coût ou introduit de nouvelles contraintes, la modification prend effet dès l’exécution suivante et touche chaque SKU ou site qui nécessite un ajustement. Il n’est pas nécessaire d’éliminer d’anciens états stockés ni de craindre qu’un modèle précédemment entraîné ait assimilé des signaux périmés. Recalculer chaque décision peut sembler exigeant, mais les infrastructures modernes gèrent ces volumes pour des supply chains de toute taille, surtout une fois l’extraction des données maîtrisée.

Ce fonctionnement sans état montre sa valeur lorsque le système doit traiter des hausses de demande ou de brusques changements de politique. Si une région entière connaît un pic inhabituel de commandes, l’exécution quotidienne suivante peut l’intégrer sans rester attachée à l’erreur d’appréciation de la veille. La recette est souple : elle s’adapte dès que les conditions évoluent, supprimant la tentation de s’appuyer sur d’anciennes règles manuelles de stock tampon jadis utilisées pour étayer un processus fragile.

10.3.4.4 Les événements de type cygne noir

Au-delà de la variabilité quotidienne existe le risque de perturbations graves et extrêmes : incendies d’entrepôts, inondations, pandémies ou embargos réglementaires soudains. Ces événements de type cygne noir bouleversent les structures normales de coûts, les contraintes de capacité et les circuits de distribution. Si aucune recette quotidienne ne peut anticiper des événements très éloignés des paramètres habituels, l’organisation peut s’appuyer sur l’approche itérative utilisée lors de la création de l’initiative. Lorsque la catastrophe frappe, le Scientist code directement dans la recette les contraintes nouvelles ou temporaires : un site peut fonctionner à mi-capacité ou être entièrement contourné ; une liaison logistique d’urgence peut se voir attribuer un coût d’expédition dix fois supérieur au coût habituel. Une fois ces ajustements temporaires effectués, le système s’exécute à nouveau, donnant immédiatement à voir comment les nouvelles contraintes remodèlent les allocations ou les lignes de réapprovisionnement.

Un événement de type cygne noir peut aussi exiger des changements plus profonds : construire des flux alternatifs ou réviser radicalement les délais de toute une région. Le principe demeure : la recette est le point unique d’intégration ; c’est donc là que sont introduits les contraintes nouvellement découvertes ou les coûts extrêmes. Cette approche est plus résiliente que la gestion d’urgence ad hoc par corrections manuelles dispersées entre tableurs et départements. Chaque correctif, une fois validé, entre dans le code et cesse de dépendre d’une vigilance humaine éphémère.

Point crucial, une crise extraordinaire peut devenir une occasion d’approfondir la conscience des risques de l’entreprise. Si la défaillance d’un fournisseur révèle que 90 % d’un composant essentiel provenaient d’une source unique, la recette peut être durablement enrichie de règles évitant une surexposition à un seul fournisseur. La même instrumentation que celle des contrôles quotidiens peut faire apparaître ces vulnérabilités. Avec le temps, les leçons tirées des turbulences élèvent le niveau de base, assurant que le système en sorte plus robuste.

La maintenance à long terme n’est donc pas seulement une vigilance face aux dérives normales, mais aussi une réponse structurée aux chocs soudains. Les mises à jour quotidiennes comme les corrections urgentes se rattachent à une recette unique et sans état, qui reste le cœur d’une supply chain automatisée. Une fois habituée à ce cycle — petits incréments, recalibrages périodiques et refontes dictées par les crises —, l’entreprise constate que les flux automatisés restent à jour. L’initiative se révèle plus stable et plus souple que tout assemblage de tableurs, car elle intègre un mécanisme de renouvellement continu.

À ce stade, l’initiative dispose d’une architecture stable, les opérations quotidiennes suivent des décisions automatisées et l’entreprise est prête à affronter aussi bien les changements ordinaires que les grandes surprises. Il reste à examiner comment cela redéfinit les rôles, les structures organisationnelles et les descriptions de poste : une recette bien entretenue ne remplace pas seulement les anciens processus ; elle transforme les métiers de la supply chain.

10.4 Changements organisationnels

Les changements organisationnels sont inévitables dès lors que des décisions automatisées circulent chaque jour dans l’entreprise. Même si les mécanismes d’un périmètre bien défini et d’une mise en service itérative peuvent sembler purement techniques, les membres de l’entreprise constatent vite que de nombreuses tâches, autrefois prises en charge par des planificateurs ou des cadres intermédiaires, avancent désormais avec peu d’intervention humaine. Les employés habitués à rassembler des données, à rapprocher des indicateurs contradictoires et à jongler avec des corrections de dernière minute découvrent que le nouveau processus laisse moins de brèches à colmater. Certains accueillent ce soulagement et se concentrent sur des problèmes de supply chain plus épineux, qui résistent à l’automatisation. D’autres sentent leur utilité diminuer et résistent au changement, invoquant de prétendues « exceptions » ou affirmant que le système « ne peut pas saisir tous les détails ».

Pourtant, une fois explicités, ces détails peuvent être codés dans la recette. Si, par exemple, un planificateur ajustait les quantités de réapprovisionnement pour un fournisseur qui expédiait systématiquement des palettes partielles, cette nuance a sa place dans le code. Une fois cette nuance ajoutée, la recette ne dépend plus de corrections de dernière minute. Libérés de la gestion perpétuelle des urgences, les employés peuvent étendre le périmètre de l’initiative ou renforcer les relations avec les partenaires. Avec le temps, l’entreprise doit reconnaître que de nombreuses routines quotidiennes ont changé. Les planificateurs traditionnels, habitués à parcourir chaque matin des tableurs portant sur des centaines de SKU, constatent que ces contrôles manuels font double emploi. La finance, qui voyait autrefois les prévisions comme de vagues « meilleures estimations possibles » exigeant de la prudence budgétaire, se trouve désormais face à un système qui engage du capital chaque jour, sauf instruction contraire. Le service informatique, historiquement surchargé de demandes en attente de rapports ou de petites applications, constate qu’un pipeline unique bien conçu remplace de nombreuses adaptations dispersées.

Surmonter ces frictions exige d’expliquer clairement pourquoi l’initiative demande non seulement un changement de logiciel, mais aussi une transformation de la répartition du travail. Si l’on fait confiance aux décisions automatisées, l’entreprise n’a plus intérêt à employer plusieurs équipes pour les reproduire ou les modifier. Plutôt que d’entretenir d’interminables tableurs, les équipes de planification devraient améliorer la manière d’approvisionner ou de stocker chaque produit, affiner les hypothèses de coûts et capter de nouveaux signaux qui resteraient autrement invisibles à l’algorithme. De même, les dirigeants financiers n’ont pas à réexaminer les mêmes détails ligne par ligne si les facteurs économiques de la recette reflètent fidèlement les contraintes souhaitées. Leur rôle consiste alors à ajuster ces facteurs lorsque la stratégie change ou que de nouvelles limites de ressources s’appliquent.

Ce changement appelle aussi de nouvelles formes de coopération. Un système mécanique est à la fois transparent et inflexible : il ne peut discrètement masquer un décalage entre deux départements. Si une règle de pilotage d’entrepôt contredit une récente action marketing, le conflit apparaît vite dans les sorties quotidiennes. Résoudre ces contradictions exige, au bout du compte, davantage qu’une réunion courtoise ou qu’une correction ad hoc. Il faut que le Scientist, ou le rôle désormais responsable de la recette, intègre les orientations actualisées puis réexécute la logique. Pour y parvenir sans chaos, l’organisation doit se rassembler autour d’un processus automatisé unique plutôt que de laisser chaque équipe ressusciter son tableur personnel dès que le résultat lui déplaît. Ceux qui s’accrochent à des contournements locaux diluent pour tous les bénéfices de l’automatisation.

Le changement le plus visible se produit chez les équipes chargées de la planification quotidienne. Auparavant, elles passaient d’un SKU ou d’un site à l’autre, ajustaient les niveaux de stock, revérifiaient les délais et intervenaient manuellement lorsque l’offre ou la demande changeait brusquement. Elles peuvent désormais agir de manière plus stratégique. Au lieu de vérifier des centaines de lignes de réapprovisionnement, elles peuvent confirmer que de nouveaux contrats fournisseurs sont correctement codés ou examiner une hausse inattendue que la recette signale comme atypique. Leur travail quotidien porte moins sur la saisie mécanique et davantage sur les relations, la découverte de nouveaux facteurs de coût et l’anticipation des évolutions du marché. Cette transformation peut d’abord déstabiliser. Certains employés peuvent supposer que leur rôle d’origine, traiter manuellement chaque étape, reste irremplaçable. Ils peuvent tenter de maintenir des processus manuels partiels. Mais dès que le système fonctionne bien sur un petit sous-ensemble puis s’étend à un périmètre plus large, la cohérence de la recette dépasse rapidement la vigilance humaine dispersée.

Si les changements organisationnels peuvent provoquer de l’inconfort, ils préparent une entreprise plus agile et plus alignée sur ses véritables priorités. Si une initiative stratégique vise à réduire les coûts de transport ou les délais globaux, elle peut être mise en œuvre directement dans la recette, puis testée et mesurée sur de vraies commandes, et pas seulement débattue en réunion. Les planificateurs peuvent contribuer à la manière dont les contraintes sont modélisées, plutôt que de courir après chaque évolution de la demande. Les dirigeants voient un lien de cause à effet plus clair entre les contraintes qu’ils approuvent et les résultats ultérieurs dans les indicateurs de stocks ou d’exécution des commandes. À mesure que les routines improductives disparaissent, les collaborateurs autrefois absorbés par des tâches répétitives peuvent se concentrer sur des liens plus solides avec les fournisseurs, sur la collecte de signaux pertinents du marché et sur la cohérence des lancements ou des transitions de produits avec l’approche mécanique quotidienne.

Ces ajustements organisationnels constituent l’ossature d’une supply chain qui prospère grâce à des décisions rigoureuses et automatisées. Dans les sections suivantes, nous abordons leur effet le plus direct sur les planificateurs eux-mêmes, qui deviennent des « responsables des flux » dans ce nouveau cadre. Nous examinons ensuite comment le rôle du Scientist devient central pour maintenir et améliorer ces décisions bien après le déploiement initial.

10.4.1 Planificateur ou responsable des flux

Lorsque les décisions quotidiennes deviennent entièrement automatisées, le rôle traditionnel du planificateur — éplucher des tableurs, ajuster les quantités de réapprovisionnement et concilier des priorités contradictoires — perd progressivement une grande part de sa raison d’être quotidienne. À bien des égards, cette évolution est libératrice. Déchargée de la chasse aux petites incohérences de données ou de l’application d’heuristiques répétitives, la même personne peut accéder au rôle à plus forte valeur de responsable des flux. Au lieu de microgérer chaque SKU, elle observe désormais l’ensemble du réseau d’approvisionnement, identifie les exceptions du monde réel et consolide les liens de collaboration entre fournisseurs, transporteurs et parties prenantes internes.

10.4.1.1 Les ajustements répétitifs

Les planificateurs étaient généralement chargés d’aligner des éléments mouvants — données de prévision, délais fournisseurs et contraintes locales — en rapprochant manuellement des tableurs et des chiffres générés par les systèmes. Ils étaient la « colle » qui maintenait les processus lorsque le logiciel officiel ou la prévision officielle ne suffisait pas. Dans un environnement automatisé, en revanche, la logique qui remplissait ces tableurs est intégrée à la recette qui produit les décisions de chaque jour. Cette recette ne génère pas seulement des chiffres théoriques : elle propose ou exécute des lignes de réapprovisionnement, des allocations ou des réservations de capacité, chacune ancrée dans les coûts et contraintes financiers de l’entreprise. Là où un planificateur pouvait auparavant consacrer des heures chaque semaine à rechercher des niveaux de stock suspects ou des erreurs d’expédition de dernière minute, le processus signale désormais automatiquement les cas atypiques, suscitant des interventions ciblées plutôt que des contrôles manuels généralisés.

Le rôle prend ainsi de la hauteur. Au lieu de passer en revue des centaines ou des milliers de SKU à la recherche d’erreurs de calcul de réapprovisionnement, l’ancien planificateur peut consacrer son énergie à des tâches plus stratégiques ou relationnelles. Il peut suivre des signaux subtils que les modèles numériques risquent de manquer, comme une certification nouvellement obtenue par un fournisseur ou les premiers signes de difficultés d’un transporteur dans certaines régions. Il peut aussi identifier les domaines où la recette gagnerait à intégrer des connaissances plus profondes, par exemple des données de capacité en temps réel pour une ligne de production critique ou de nouveaux barèmes de remises d’un fournisseur principal. En transmettant ces découvertes au Scientist, le responsable des flux veille à ce que la recette automatisée évolue sans conjectures quotidiennes.

10.4.1.2 La place du consensus

Cette transformation supprime souvent les séances répétitives d’alignement, communément appelées Sales and Operations Planning (S&OP), au cours desquelles les équipes débattaient de l’ajustement des prévisions ou de la gestion de capacités incertaines. Dans beaucoup d’entreprises, ces séances dégénèrent en rondes mensuelles ou trimestrielles de retouches des chiffres, produisant une valeur consensuelle unique qui reste déconnectée des réalités opérationnelles. Un tel processus se borne, au mieux, à répéter des contraintes connues et des points de vue départementaux ; au pire, il masque les conflits et aboutit à des compromis faibles.

Avec une recette numérique qui pilote les allocations quotidiennes ou les ordonnancements de production, il n’y a pas de débat prolongé sur la prévision qui serait « juste ». Toutes les contraintes pertinentes — délais, structures de coûts, pénalités de rupture — sont soit dans le système, soit absentes. Lorsqu’un département soulève un problème, par exemple un plan marketing qui provoquera des pics de demande à brève échéance, la réponse est concrète : la recette doit être modifiée pour refléter les véritables enjeux économiques. On peut coder des pénalités de rupture plus élevées pour certains articles en promotion ou prendre en compte un transport accéléré lors de hausses soudaines. Au lieu de négocier une prévision de compromis en réunion hebdomadaire, le responsable des flux et le Scientist veillent à ce que les décisions opérationnelles s’alignent automatiquement sur des modèles actualisés de coûts et de contraintes. Les anciens débats sur les prévisions perdent ainsi largement leur objet : chaque « chiffre final » qui façonne les commandes quotidiennes est ancré dans la logique économique de l’entreprise, non dans un compromis arraché en salle de réunion.

10.4.1.3 Les véritables exceptions

Comme la recette numérique se corrige en réponse aux nouvelles données, les corrections manuelles quotidiennes des décisions pour chaque SKU deviennent inutiles. La vigilance du responsable des flux se concentre plutôt sur les événements véritablement anormaux, des cas tellement éloignés des règles de la recette qu’ils produiraient des décisions en décalage avec la réalité. Par exemple, si un fournisseur clé ferme une usine pendant deux semaines après une panne technique imprévue, le responsable identifie une perturbation majeure. Au lieu de modifier des centaines de lignes de réapprovisionnement, il fait remonter le problème : « Notre délai auprès du fournisseur A double de fait ce mois-ci, avec uniquement des expéditions partielles. » Le Scientist code le changement, la recette est réexécutée et l’ensemble du système se réajuste en conséquence, depuis les quantités de réapprovisionnement révisées jusqu’au changement de transporteur si nécessaire. Dans l’ancienne approche manuelle, un tel événement aurait déclenché des jours d’échanges frénétiques par courriel et de modifications ponctuelles de tableurs dans plusieurs régions. Il est désormais traité comme un seul changement de logique.

Ce changement de perspective réduit les frictions dans toute l’organisation. Le responsable des flux n’a plus à justifier, ligne par ligne, la manière dont il a fixé certaines quantités de réapprovisionnement. Il peut examiner la forme plus générale des pics de demande ou des contraintes d’approvisionnement. Si certains articles restent systématiquement en deçà des attentes de service, la question n’est pas « pourquoi avez-vous commandé trop peu pour le réapprovisionnement la semaine dernière ? », mais « comment reformuler les facteurs de coût ou les hypothèses de délai pour que la recette saisisse la volatilité de cet article ? ». Les vrais problèmes sont résolus rapidement ; les anciennes habitudes du « nous allons simplement relever la prévision » s’effacent.

10.4.1.4 Stratège, agent de liaison et auditeur

Au fil du temps, le rôle rebaptisé de responsable des flux se situe à la croisée de trois missions centrales. Premièrement, il devient stratège : libéré de la monotonie quotidienne du réapprovisionnement, il affine la logique financière sous-jacente, signale les extensions futures — nouveaux entrepôts ou lignes de produits — et propose d’élargir le périmètre automatisé. Deuxièmement, il joue un rôle de liaison, échangeant avec les ventes, le marketing et les achats pour recueillir des évolutions que le système automatisé n’a pas encore saisies. Enfin, il agit comme auditeur : il contrôle ponctuellement les sorties du système à la recherche de cas atypiques, examine les anomalies et vérifie que les hypothèses de coûts ou de délais correspondent toujours aux conditions réelles.

Aucune de ces missions ne ressemble à la routine classique qui consiste à ajuster le stock de sécurité dans un tableur chaque matin. Ce vieux schéma est remplacé par des cycles d’amélioration continue. Chaque cycle étend soit la couverture de l’automatisation — nouvelles familles de produits, nouveaux canaux ou nouvelles contraintes —, soit la profondeur du modèle — meilleures approximations des coûts d’expédition, nouvelles règles de production par lots ou structures de pénalités plus nuancées pour les retards de livraison. L’ancien planificateur, libéré des tâches administratives, joue un rôle clé pour découvrir les extensions les plus importantes.

10.4.1.5 L’équipe au sens large

Lorsque le responsable des flux consacre son énergie à la liaison stratégique, les anciens rôles de « planificateurs seniors » ou de « coordinateurs de production » doivent eux aussi s’adapter. Dans les organisations attachées aux anciennes structures, plusieurs collaborateurs peuvent encore tenter de reproduire les décisions quotidiennes à part. Cette duplication ne fait que réintroduire la confusion : deux tableurs ne se reflètent jamais parfaitement. Mais dans les organisations qui adoptent le changement, les employés autrefois spécialisés dans le réapprovisionnement manuel peuvent devenir des experts de domaine. Ils peuvent se concentrer sur des complexités particulières, comme garantir que les expéditions de matières dangereuses respectent des réglementations précises, ou conclure avec les partenaires logistiques des accords plus solides d’amélioration des délais.

De plus, si les réunions S&OP ou de collaboration sur les prévisions peuvent disparaître sous leur forme traditionnelle, certains canaux de communication demeurent. La différence est qu’ils ne tournent plus autour de « retouches » des prévisions. Ils visent plutôt à relier la logique de la recette au terrain de l’entreprise : discuter de l’ouverture de nouveaux magasins, du retrait prochain de lignes de produits, de surcharges imprévues sur les matières premières ou de stratégies de protection de la marque qui, faute d’être codées, conduisent à des sorties quotidiennes sous-optimales. Chaque conversation s’ancre dans la même logique intégrée qui guide toutes les décisions, et les participants parlent d’ajuster les vrais facteurs plutôt que de marchander pour savoir qui a la bonne prévision.

En somme, à mesure que l’automatisation s’installe, le rôle du planificateur s’élève de la microgestion quotidienne à celui d’un responsable des flux doté de véritables moyens d’action. En assumant la responsabilité de saisir les réalités opérationnelles, subtiles comme spectaculaires, l’ancien planificateur devenu responsable garantit que le processus mécanique de décision reste juste, opportun et en amélioration constante. Libéré des corvées de tableur, il élargit ses observations au service de l’ensemble du réseau, des partenaires d’approvisionnement à la fabrication interne, créant des synergies plus profondes que ne le permettaient les anciennes routines.

10.4.2 Le Supply Chain Scientist

Le Supply Chain Scientist assume une responsabilité singulière : traduire les réalités économiques évolutives de l’organisation en une recette numérique qui pilote le flux quotidien de biens. Dès lors que l’entreprise s’engage à remplacer de larges pans de la planification manuelle par des décisions automatisées, le Scientist devient la cheville ouvrière du processus. Ce rôle se distingue des postes traditionnels d’analyse métier ou de prévision, car il exige à la fois la responsabilité de bout en bout de la recette et une responsabilité directe quant à la rentabilité. Au lieu de simplement améliorer la visibilité ou de produire des artefacts numériques, le Scientist vise à livrer des décisions correctes, qui s’ajustent d’elles-mêmes et auxquelles on fait confiance en production jour après jour.

10.4.2.1 Faire le lien avec l’informatique

D’un point de vue technique, le Scientist se situe à la frontière des systèmes et des données de l’entreprise. Ce serait pourtant une erreur de le considérer comme appartenant à la fonction informatique. Il doit pouvoir se concentrer librement sur la modélisation des décisions de supply chain, sans lutter contre une litanie de tâches d’intégration des données dont l’informatique est déjà spécialiste. Le Scientist dépend bien d’un pipeline stable d’enregistrements bruts : extractions non filtrées de transactions, de stocks, de conditions fournisseurs et autres données analogues. Cependant, une fois ce pipeline en place, sa mission se concentre sur le codage de nouveaux enseignements et de contraintes reflétant les conditions de la supply chain. L’équipe informatique, quant à elle, reste responsable des extractions de données et de l’infrastructure.

Cette répartition des responsabilités profite aux deux parties. Le Scientist n’alourdit pas la file d’attente informatique avec d’interminables demandes de transformations spécialisées ; le responsable des données au sein de l’informatique livre des instantanés quotidiens et neutres des systèmes sources, laissant le Scientist traiter tous les raffinements dans la recette. Pendant ce temps, le service informatique peut se concentrer sur sa mission opérationnelle plus large : maintenir la stabilité des applications clés et veiller au bon état de chaque base de données et de chaque flux amont. Dès qu’un problème apparaît, tel qu’un renommage de table dans l’ERP ou un export nocturne qui échoue, les deux parties coopèrent rapidement : l’informatique résout l’incident du pipeline, et le Scientist reprend les opérations normales avec les données actualisées. Il n’y a ni friction ni confusion sur la responsabilité de la logique de transformation ou sur les changements introduits en cours de route.

10.4.2.2 Les relations avec la finance

La mission du Scientist a pour corollaire la nécessité d’intégrer profondément les contraintes financières aux décisions quotidiennes. Les facteurs de coût, qu’il s’agisse des tarifs de fret, des limites de fonds de roulement ou des objectifs de marge, ne peuvent rester des idées abstraites flottant dans des présentations. Ils exigent un traitement numérique explicite afin que chaque allocation ancre les arbitrages dans de véritables réalités monétaires. Le Scientist coopère donc avec la finance par nécessité, non par formalisme : si des campagnes promotionnelles à venir modifient les marges attendues, ou si de nouvelles contraintes de capital excluent certains niveaux de stock, la recette doit être mise à jour en conséquence.

Ces échanges avec la finance ont lieu plus régulièrement qu’on pourrait le supposer. Pendant la mise en service de l’initiative, le Scientist tient généralement une série de réunions courtes où il présente la manière dont les hypothèses actuelles de coûts, comme les frais indirects de stockage ou les pénalités de fret accéléré, se traduisent en décisions quotidiennes. La finance peut repérer des imprécisions cachées, telles que des frais de manutention oubliés pour les livraisons en grandes quantités ou une occasion manquée de représenter plus finement les paliers de remise. Corriger ces détails peut faire passer la solution d’un optimum local naïf à des décisions qui reflètent mieux l’incidence réelle sur le compte de résultat de l’entreprise. C’est ainsi que l’automatisation conserve son acuité financière : aucune ligne budgétaire ni aucun centre de profit n’est laissé aux conjectures.

Avec le temps, même une fois la recette arrivée à maturité, les changements opérationnels ou stratégiques majeurs suscitent encore de nouveaux cycles de modélisation. Une directive de haut niveau, comme la baisse du coût du capital ou la réduction de l’exposition à une catégorie de risques, passe par la finance jusqu’au Scientist, qui la traduit en fonctions de pénalité, remises ou règles d’approvisionnement révisées. L’effet apparaît peu après dans les sorties quotidiennes, maintenant l’harmonie entre les finances de l’entreprise et sa supply chain au quotidien.

10.4.2.3 Les relations avec la direction

Bien que le Scientist ne soit ni le directeur général ni le sponsor de direction, il occupe une place déterminante chaque fois que les plus hauts dirigeants modifient les priorités stratégiques. Dès qu’une nouvelle orientation se précise — entrer dans un nouveau pays, rapprocher les approvisionnements, favoriser un service haut de gamme pour certaines lignes de produits —, la recette numérique doit coder ces priorités. Sans cet alignement rapide, les décisions mécaniques restent prisonnières d’une logique périmée.

Une conversation directe et brève avec la direction générale, une ou deux fois par an, peut suffire. Son but n’est pas d’examiner minutieusement des modifications de code. Il est plutôt de confirmer que le Scientist comprend la vue d’ensemble. Si l’entreprise vise une expansion plus rapide tout en imposant un usage plus strict du capital, le Scientist peut le traduire par un resserrement des budgets de stock sur les articles à rotation lente ou par des pénalités plus fortes pour le fret d’urgence. Les sorties quotidiennes de la recette changent ainsi là où elles influeront sur le résultat net. Comme le code est sans état, aucun état persistant ne vient entraver la transition. Dans la semaine qui suit la nouvelle directive de la direction, la supply chain peut déjà produire des bons de commande alignés sur ces impératifs stratégiques.

Cette adaptation rapide montre comment la cohérence stratégique émerge du socle mécanique de la supply chain : dès que les hypothèses du code changent, toutes les décisions concernées changent aussi. Là où un processus manuel exigeait autrefois des mois de formation progressive pour des dizaines de planificateurs, une seule mise à jour s’applique ici instantanément à toute la gamme de produits ou à tout le réseau de sites.

10.4.2.4 Au-delà de deux Scientists

Dans beaucoup d’entreprises de taille moyenne, un seul Supply Chain Scientist, avec un second pour assurer la continuité, peut couvrir des flux entiers de décisions. Cependant, à mesure que l’initiative grandit, ajoutant des lignes de produits ou approfondissant des problèmes avancés de production ou de distribution, des Scientists supplémentaires peuvent devenir nécessaires. Gérer une équipe plus importante exige une approche plus rigoureuse de la structure de la recette.

Le premier principe est de conserver autant que possible la logique partagée dans une base de code unifiée. Chaque Scientist peut traiter des sous-domaines distincts — l’un se concentre sur les contraintes d’achat, l’autre sur l’ordonnancement de production —, mais tous collaborent sur un plan d’ensemble unique. De même que les ingénieurs logiciels s’appuient sur la gestion de versions et les revues de code, les Scientists adoptent des pratiques semblables pour coordonner les changements quotidiens et veiller à ce qu’une amélioration dans un domaine ne viole pas involontairement des contraintes dans un autre.

Point essentiel, les Scientists restent avant tout des experts de la supply chain. Ils ne sont pas recrutés pour poursuivre des innovations abstraites en machine learning. S’ils mettent en place des revues de code, le but n’est pas de créer un pipeline informatique spécialisé, mais de maintenir des décisions quotidiennes cohérentes et sans erreur. Chaque Scientist apprend la raison d’être des principales lignes de code, le « pourquoi » autant que le « quoi ». Un manuel de référence¹⁶³ peut se révéler inestimable pour conserver les motivations stratégiques de chaque règle. Lorsqu’un Scientist part ou qu’une nouvelle recrue arrive, le transfert de connaissances est plus fluide et épargne au groupe la redécouverte des subtilités des hypothèses de coûts ou des contraintes propres aux cas particuliers.

En traitant ainsi les extensions, l’équipe de Scientists peut grandir sans heurts tout en conservant le rythme d’itération quotidien. Quelle que soit la taille atteinte par l’entreprise, chaque aspect — des nouvelles structures de remise aux prévisions de délais affinées — peut être pris en charge par le Scientist concerné, puis intégré de manière ordonnée à la recette principale.

10.4.2.5 Une concentration rigoureuse

Bien qu’ils codent beaucoup, les Scientists ne sont pas des développeurs logiciels subalternes. Leur réussite se mesure à l’effet réel des décisions quotidiennes : moins de déséquilibres de stocks, de meilleures marges ou une adaptation plus rapide aux conditions anormales. Ils ne disparaissent pas dans la file d’attente de l’informatique et ne constituent pas une équipe générique de « data science » poursuivant des benchmarks éphémères de précision. Ils restent au contraire résolument concentrés sur les changements applicables qui réorganisent le flux de biens pour mieux servir les objectifs stratégiques et financiers.

Cet ancrage dans le concret les distingue des départements qui vivent de tableaux de bord ou d’analyses trimestrielles. Chaque fois que l’environnement évolue, le Scientist doit avancer par petites modifications de code intentionnelles et répétées, en vérifiant chaque jour les résultats en production. La synergie avec l’informatique est essentielle, mais s’arrête à la frontière de l’extraction des données. Celle avec la finance se poursuit, garantissant que les facteurs de coût restent crédibles malgré les mouvements du marché. Et celle avec la direction générale se resserre, permettant au processus automatisé de refléter rapidement toute nouvelle orientation adoptée par l’entreprise.

En intégrant ces réalités, les entreprises comprennent que le rôle du Scientist n’est ni éphémère ni jetable une fois le « projet d’automatisation » terminé. De même que le responsable des flux remplace le planificateur manuel dans les tâches quotidiennes, le Scientist remplace un enchevêtrement de solutions partielles par une approche codifiée et évolutive. Le besoin de mises à jour stratégiques ne cesse jamais, et le Scientist est prêt à intégrer chaque changement à la logique mécanique. C’est cette interaction continue qui maintient une supply chain constamment pertinente et reliée aux véritables facteurs économiques.

En somme, le Scientist est un nouveau type de contributeur aux opérations de l’entreprise, dont l’orientation n’est ni purement technique ni purement managériale, mais associe les deux. Son autorité ne vient d’aucune hiérarchie managériale formelle, mais de la justesse et de l’adaptabilité quotidiennes de son code. Dans la section suivante, nous examinons plus en profondeur les pièges courants qui guettent la « data science » en entreprise, et pourquoi de véritables Supply Chain Scientists doivent dépasser les calculs superficiels pour obtenir une réussite durable.

10.4.3 L’entreprise dans son ensemble

Toute initiative qui remodèle les décisions de supply chain, aussi précisément que son périmètre soit défini au départ, exerce inévitablement une pression sur l’ensemble du tissu de l’entreprise. La recette numérique ne peut fonctionner isolément : ses sorties quotidiennes doivent refléter les contraintes, les objectifs et les structures de coûts de plusieurs départements, dont beaucoup entretiennent traditionnellement des processus locaux déconnectés des préoccupations plus larges. Si les sections précédentes ont montré comment structurer l’initiative autour du Supply Chain Scientist, du responsable des données, du responsable des flux et du sponsor de direction, le reste de l’entreprise doit lui aussi apprendre à interagir avec ce nouveau processus de décision et, à terme, à lui faire confiance. En l’absence d’un cadre unificateur, les pressions locales et à court terme des ventes, du marketing, des achats ou d’autres fonctions risquent de supplanter ou de saper les sorties mécaniques.

Or, la véritable force de la recette réside précisément dans sa capacité à rassembler tous les facteurs pertinents et à les exprimer chaque jour, sans biais caché ni supervision fragmentée. Pour cela, chaque département doit renoncer à la tentation de maintenir ses propres tableurs confidentiels et processus parallèles. Il doit, au contraire, exposer ouvertement ses contraintes et ses structures de coûts afin que le Scientist puisse les coder directement. C’est là que la direction générale, et en particulier le premier dirigeant ou directeur général, doit intervenir de manière décisive. Le directeur général n’est pas, et ne peut pas être, l’arbitre final des facteurs économiques ; ces détails sont trop fins pour le sommet de l’entreprise. En revanche, il est l’arbitre ultime de l’attribution de chaque facteur à un département et doit veiller à ce que ses responsables coopèrent avec le Scientist plutôt que de tenter de contourner le système. Si la finance affirme que certains coûts du capital doivent être fixés à un taux précis, ces coûts deviennent la norme reconnue. Si les achats stipulent qu’un fournisseur stratégique donné doit être épargné par les réductions de volumes commandés, ce choix est modélisé explicitement. La politique doit venir du département concerné, mais, une fois confirmée, elle cesse d’être une règle non écrite et s’ancre dans la logique des décisions quotidiennes.

Ce dispositif peut heurter des départements qui ajustaient auparavant leurs chiffres à leur guise. Lorsqu’un responsable de marque constate qu’un produit populaire ne figure pas dans le prochain plan de commandes, il peut craindre une perte de recettes ou de parts de marché. Dans l’ancienne approche, il pouvait s’empresser de modifier la quantité de réapprovisionnement dans un tableur, que cela serve réellement ou non le résultat de l’entreprise. Dans le nouveau système, s’il estime qu’omettre ce produit cause un préjudice de réputation qui dépasse largement les considérations de bénéfice à court terme, la bonne démarche consiste à faire remonter ce facteur pour que son coût financier ou sa pénalité soit codé dans la recette. Il ne s’agit pas de « blâmer » le processus mécanique pour avoir ignoré un impératif de marque ; il s’agit d’intégrer cet impératif, exprimé comme une pénalité de rupture ou une prime pour une disponibilité renforçant la marque, aux facteurs économiques. Dès lors, les décisions quotidiennes autrefois sources de friction s’aligneront naturellement sur la priorité du responsable de marque, tant que cette priorité restera véritablement importante pour la stratégie globale de l’entreprise.

Des tensions similaires apparaissent avec le marketing lorsqu’une promotion est omise du plan final, ou lorsqu’un produit mis en avant s’avère faiblement rentable et reçoit une faible priorité de réapprovisionnement. Si l’équipe marketing dispose de preuves qu’une promotion augmentera les ventes croisées d’autres articles, elle doit montrer comment les recettes supplémentaires ou la valeur de marque se traduisent en gain économique. Une fois ce gain supplémentaire explicité, le Scientist l’intègre au code. Ces préoccupations marketing ne sont plus traitées par des corrections de dernière minute ou des « ajustements finaux de prévision » ; elles deviennent partie intégrante du processus mécanique quotidien, une variable ouverte et documentée, révisable si les retours du marché montrent que la promotion n’a pas généré les ventes croisées attendues. Cette explicitation de facteurs autrefois réservés aux initiés ou immatériels force chaque département à décider si un souhait local est une intuition passagère ou une réalité économique essentielle. C’est, en effet, une dynamique de théorie des jeux : chaque département constate qu’une coopération partielle, comme glisser une demande gonflée pour s’assurer des stocks, ne procure plus d’avantage. La recette finale vérifie toutes les contraintes chaque jour ; si un coût ou un bénéfice n’est pas déclaré, il n’est pas reconnu. Le rôle de la direction générale est de veiller à ce que chaque domaine énonce honnêtement ses coûts et ses gains, plutôt que de manipuler les chiffres de demande pour obtenir des ressources aux dépens des autres.

De même, les achats peuvent d’abord se sentir menacés lorsque la recette quotidienne dicte précisément les lignes et les dates de réapprovisionnement, remplaçant de fait les négociations manuelles que certains acheteurs considéraient comme leur principale valeur ajoutée. Pourtant, la fonction achats reste indispensable pour révéler quels fournisseurs offrent une qualité fiable, lesquels imposent des conditions cachées et lesquels mériteraient d’être sacrifiés au profit de nouvelles stratégies d’approvisionnement. L’équipe achats n’a pas besoin de prendre le pas sur le système ni de revenir à des arrangements parallèles ; elle gagne en influence en énonçant clairement les contraintes des fournisseurs. Existe-t-il des tailles minimales de lots, des tarifs particuliers à l’entrée pour les expéditions partielles ou des remises de fidélité fournisseur ? Chaque nuance est une pièce du puzzle économique. Une fois codée, elle façonne les sorties de la recette ; les achats influencent donc les décisions quotidiennes par des règles stables et rationnelles plutôt que par des reprises manuelles répétées.

La même logique s’applique aux équipes d’ingénierie et aux concepteurs de produits qui souhaitent intégrer de nouveaux composants ou ajuster les nomenclatures. Par le passé, une modification de conception pouvait prendre la planification au dépourvu, causant des pénuries de dernière minute lorsque la nouvelle pièce spécifiée avait été oubliée. Désormais, le processus mécanique quotidien signale immédiatement toute pièce inconnue, révélant qu’il manque au nouvel article des références de coûts ou des délais. L’équipe de conception ne peut plus faire passer des changements inaperçus ; elle doit collaborer avec le Scientist pour définir comment le nouveau composant modifie les contraintes de production ou les frais indirects. Cette collaboration imposée épargne à l’entreprise les décalages silencieux d’approvisionnement qui semblaient autrefois « inévitables ».

Même la finance, longtemps habituée à considérer la supply chain comme un centre de coûts distinct des priorités de marque ou de marketing, est poussée à préciser comment les contraintes de liquidité et les objectifs de fonds de roulement se traduisent dans les niveaux quotidiens de réapprovisionnement. Si elle souhaite que certaines lignes fonctionnent avec un stock tampon minimal, ou signale que les valorisations de stocks changent, ces mises à jour entraînent des modifications immédiates du code. Les sorties quotidiennes ne reflètent plus seulement une prévision et une marge standard ; elles expriment la position actualisée de la finance sur l’usage du capital. Lorsqu’un haut dirigeant se demande pourquoi certains SKU ont été réduits, il existe un lien direct entre les contraintes financières et les décisions automatisées, et du code du Scientist vers ces contraintes. Aucune correction arbitraire n’est nécessaire et aucune réunion interminable sur les prévisions n’est organisée ; chacun voit la cause et l’effet.

Dans un tel environnement, la question de la faute se pose rarement. Si un manque inattendu touche en rayon un SKU en promotion, le marketing contestera la recette numérique, non pour la saper, mais pour vérifier si l’effet de la promotion a été correctement intégré. Le Scientist vérifie, en retour, si le marketing a réellement communiqué toutes les informations pertinentes, telles que le risque supplémentaire pour la marque ou les gains de ventes croisées. Dans le cas contraire, le remède est une hypothèse de coût nouvelle ou révisée. Au fil du temps, ces interactions entre départements passent d’escarmouches pleines de frictions à des mises à jour constructives des paramètres de la recette. Ce modèle de collaboration ne prospère que si la direction générale, du directeur général aux échelons suivants, soutient le processus et s’oppose fermement au retour des manipulations manuelles dès qu’un département est mécontent d’un résultat.

Lorsque chaque département constate que l’alignement vient de l’ajustement des hypothèses partagées, et non du fait d’ignorer ou de modifier les sorties mécaniques, il comprend que les décisions mécaniques sont devenues la source unique de vérité pour les opérations quotidiennes. Cette source unique n’est ni rigide ni lourde ; elle s’adapte dès qu’un facteur de coût, de contrainte ou de marge se révèle pertinent. Elle refuse d’intégrer des suppositions éphémères et mal étayées. Cette dynamique peut dérouter pendant les premiers mois, lorsque les employés découvrent qu’ils ne peuvent plus corriger discrètement un chiffre gênant dans leurs tableurs. Pourtant, après un cycle complet, souvent un ou deux trimestres, chacun constate que les urgences sont moins nombreuses, que les guerres de territoire éclatent moins souvent et que la supply chain paraît plus cohérente.

L’initiative devient plus qu’une amélioration de la supply chain : un mécanisme de synergie continue entre départements. Chaque domaine de l’entreprise — marketing, achats, ingénierie, finance et opérations — voit que la meilleure manière de faire respecter ses priorités dans les flux quotidiens est de les exprimer ouvertement, puis de faire confiance au processus mécanique pour les exécuter de manière cohérente. Le rôle du directeur général est de s’assurer que chaque domaine assume réellement les coûts ou bénéfices qu’il revendique, et d’avaliser le code final du Scientist comme le canal par lequel ces revendications remodèlent les décisions. Toute approche moins exigeante engendre des doublons ou des résistances qui diluent les gains du nouveau système.

Au fil du temps, une culture émerge dans laquelle personne ne combat les chiffres quotidiens de la recette tant qu’ils reflètent des facteurs correctement énoncés. Si le marketing juge les coûts de marque sous-estimés, il soulève officiellement le problème. Si les achats constatent que la fiabilité d’un fournisseur s’est améliorée, ils mettent à jour soit la pénalité de rupture, soit les délais attendus. Chacun comprend progressivement que les manœuvres tactiques, comme gonfler les prévisions, ne procurent plus d’avantage, car la recette confronte tout aux données réelles. L’impulsion commune consiste à affiner les hypothèses numériques, non à les saboter.

Ce passage à une orchestration mécanique unique et quotidienne peut sembler radical dans des entreprises longtemps fondées sur l’autonomie des départements. Ses bénéfices comprennent une forte réduction de la gestion d’urgence, une synergie plus profonde entre marque, marketing et opérations, ainsi qu’un lien plus stable entre les ambitions stratégiques et l’exécution sur le terrain. Dès que chaque département accepte qu’il doit façonner les entrées plutôt que modifier les sorties, l’initiative atteint la collaboration à l’échelle de l’entreprise indispensable à une réussite durable.

11 Stagnation

La supply chain, telle que ce livre l’aborde, est une intention exécutée par des décisions ; la thèse précise de ce chapitre est que, comme discipline, elle a largement stagné. Non parce que les biens ne circulent pas — ils circulent —, mais parce que les choix des entreprises concernant les biens à déplacer, le moment, la destination et les quantités n’ont pas suivi quatre décennies de progrès du calcul informatique. L’approche dominante reste administrative : des personnes rapprochent les exceptions produites par des logiciels qui enregistrent des faits et racontent le passé, mais prennent rarement des paris.

Par stagnation, nous entendons une immobilité opérationnelle masquée par du mouvement. Les registres sont numériques et omniprésents ; les rapports s’actualisent à la minute ; les entrepôts de données grossissent ; les acronymes et les tableaux de bord prolifèrent. Pourtant, les mécanismes fondamentaux d’allocation restent largement ceux du milieu des années 1980 : prévisions ponctuelles traitées comme des certitudes, stocks tampons liés à des objectifs de service arbitraires, substituts aux décisions de réapprovisionnement inscrits dans des cadences hebdomadaires, et tourbillon quotidien d’approbations. Les ordinateurs servent de systèmes d’enregistrement et de reporting, et là où apparaît une « automatisation », il s’agit généralement d’un théâtre des alertes — des listes qui renvoient les cas difficiles aux humains — plutôt que d’un système d’intelligence qui émet des engagements auditables sans intervention humaine.

Cette immobilité a un coût. Elle élimine systématiquement ce qui influe sur l’argent : la variabilité à queues épaisses, les couplages dans le temps et l’espace, et la valeur d’option de l’attente. Les moyennes remplacent les distributions ; les indicateurs locaux de performance remplacent le raisonnement économique ; la loi de Goodhart transforme discrètement les mesures en objectifs. Il en résulte un équilibre administratif qui assure la continuité grâce aux stocks tampons et aux heures supplémentaires, tout en laissant fuir des unités monétaires en temps ordinaire et en vacillant sous la pression.

Rien de cela n’est inévitable. Les chapitres précédents ont réuni les instruments manquants : des représentations probabilistes du futur plutôt que des substituts ponctuels ; des valorisations en unités monétaires à l’échelle de l’entreprise ; et des systèmes d’intelligence qui recalculent au sein de cadres, chiffrent les arbitrages et réinjectent les décisions sans intervention humaine — protégés par des heuristiques d’arrêt, des dossiers mis en transparence et une optimisation expérimentale en exécution parallèle. Lorsque ces outils sont adoptés, les mêmes actifs produisent de meilleurs flux parce que les décisions changent.

La suite est à la fois une synthèse et un réquisitoire. Le domaine n’a pas seulement manqué l’accélération permise par le calcul moderne ; il s’est installé dans un équilibre stable et médiocre, entretenu par des incitations qui récompensent les récits plutôt que l’émission de décisions : énigmes universitaires, enregistrement et reporting rebaptisés « planification » par les éditeurs, cérémonies du conseil et « data science » interne qui s’arrête aux éclairages analytiques. Le piège organisationnel — le statut de second rang de la supply chain et sa subordination à l’informatique centrale — ancre cet arrangement.

Cette double image — un flux qui continue de livrer et une discipline qui reste immobile — prépare le paradoxe qui suit.

11.1 Le paradoxe de la réussite

Les supply chains sont célébrées pour leur fiabilité. Les biens traversent chaque jour les frontières ; les rayons des magasins restent rarement vides longtemps ; les entreprises affichent de solides résultats tout en étendant leurs réseaux. À en juger par les résultats visibles, le domaine paraît vigoureux et résilient.

Pourtant, cette réussite apparente masque une impasse plus profonde. Durant des décennies de progrès extraordinaires de l’informatique, la plupart des organisations ont traité les ordinateurs comme des registres et des tableaux de bord plutôt que comme des moteurs de décision. Ce qui passe pour une « automatisation » est généralement une cascade d’exceptions à rapprocher par des humains ; ce qui passe pour de la « planification » reste un mélange fragile de prévisions déterministes, de substituts aux décisions de réapprovisionnement et de corrections manuelles — simplement rhabillé d’interfaces modernes. La continuité s’achète moins par une intelligence issue de l’ingénierie que par des stocks tampons, de la redondance et de la vigilance administrative.

Voilà le paradoxe : des livraisons fiables à grande échelle coexistent avec une immobilité intellectuelle. D’autres domaines ont converti le calcul peu coûteux en prise de décision sans intervention humaine ; la supply chain a surtout reconditionné les routines d’hier. Les innovations tant vantées sont cosmétiques — de nouveaux acronymes pour de vieux artefacts, de nouveaux écrans pour de vieilles habitudes —, tandis que le cœur reste un rapprochement quotidien de chiffres effectué par des humains.

Le coût de cette immobilité apparaît rarement dans l’instantané d’une journée, car le flux « livre » bel et bien. Il devient manifeste lors de chocs — variations brusques de la demande, perturbations des transports —, lorsque des processus conçus pour la conformité plutôt que pour l’adaptation à l’incertitude vacillent. Plus dommageable encore est l’hémorragie discrète qui se cumule en temps ordinaire : stocks de sécurité hypertrophiés, options sous-exploitées et milliers d’heures consacrées à entretenir des tableurs plutôt qu’à améliorer les décisions. Des logiciels coûteux sont acquis, mais ils améliorent rarement la qualité des décisions ; leur « automatisation » dégénère en théâtre des alertes qui renvoie les difficultés aux personnes. Plus insidieux que tout échec visible est le coût d’opportunité croissant : chaque jour où la variabilité est traitée comme une nuisance plutôt que valorisée et exploitée est un jour où s’évapore un surplus que le calcul moderne aurait pu capter.

Les chapitres précédents ont présenté des remèdes qui existent déjà : représentations probabilistes du futur, valorisations ancrées dans l’économie et systèmes d’intelligence qui émettent chaque jour des décisions auditables sans intervention humaine — continuellement améliorées par l’optimisation expérimentale. Il ne s’agit pas ici de plaider de nouveau pour ces instruments, mais d’expliquer pourquoi un domaine qui pourrait les adopter ne l’a largement pas fait. La section suivante retrace les racines de cet équilibre — modes universitaires, économie des éditeurs, théâtre du conseil et gouvernance d’entreprise — qui maintiennent une fonction manifestement centrale dans un état stable et médiocre.

11.2 La complexité du monde réel

Invoquer la « complexité » est devenu une excuse rituelle aux pratiques médiocres. Le problème n’est pas que les supply chains sont compliquées — notre premier chapitre distinguait déjà l’essentiel de l’accidentel —, mais que la plupart des organisations aplatissent ce qui compte économiquement en une poignée de substituts. Les prévisions ponctuelles remplacent l’incertitude ; un unique « taux de service » se fait passer pour le profit ; les délais moyens effacent les queues de distribution qui causent les dommages. Le résultat n’est pas un modèle du flux, mais sa caricature sous tranquillisant.

La simplification n’est pas un vice lorsqu’elle préserve les asymétries qui influent sur l’argent ; elle devient une faute lorsqu’elle les efface. La variabilité et l’optionalité sont les matières premières du profit. Lorsqu’une représentation supprime les queues épaisses, les corrélations, le regroupement en lots ou les effets de cliquet qui contraignent les options de demain, elle ne guide plus les décisions : elle en dissimule les enjeux.

Ce qui suit n’est pas une nouvelle taxonomie de l’échec, mais une illustration concrète. Un petit épisode opérationnel précise le propos. Il fait aussi le lien avec la méthode qui permet régulièrement de sortir des impasses sur le terrain : l’optimisation expérimentale (voir les chapitres Décisions, Ingénierie et Déploiement).

11.2.1 Un épisode opérationnel

Considérons un épisode ordinaire. Un distributeur national exploite deux centres de distribution régionaux, chacun doté d’une capacité nominale de réception de quarante conteneurs par jour. Les achats suivent une cadence hebdomadaire calée sur les quantités minimales de commande et les remises fournisseurs ; le système de planification calcule les points de commande à partir de prévisions ponctuelles et de délais moyens ; les indicateurs des entrepôts suivent l’utilisation des quais et la rotation des stocks ; les magasins sont jugés sur la « disponibilité en rayon ». Aucun méchant, seulement des objectifs locaux raisonnables.

Chaque lundi, soixante à soixante-dix conteneurs arrivent au centre Ouest. Les entrées saturent dès midi ; les camions attendent ; les surestaries s’accumulent ; une partie du fret est reportée au mardi ; le reliquat déborde sur le mercredi. Pendant ce temps, des trous apparaissent en milieu de semaine dans les rayons pour les SKU de la longue traîne qui étaient « en transit » en masse le lundi, mais ne pouvaient physiquement être réceptionnés que le mercredi. Aucun tableau de bord ne ment : le service paraît bon en moyenne hebdomadaire ; les paliers de remise ont été obtenus ; l’utilisation des quais a culminé ; la rotation des stocks se maintient. Pourtant, les unités monétaires fuient de partout — camions à l’arrêt, heures supplémentaires, ruptures transitoires —, tandis que l’organisation se félicite d’« atteindre ses objectifs ».

Rien de subtil n’est nécessaire pour corriger cette situation ; ce qu’il faut, c’est l’admettre. Une recette numérique légère a été introduite en exécution parallèle : des délais sous forme de distributions à queue droite épaisse ; un prix fictif de saturation des quais qui croît de façon non linéaire au-delà de quarante conteneurs par jour ; des quantités minimales de commande fournisseurs traitées comme des pénalités plutôt que comme des édits ; et, point crucial, une évaluation quotidienne des commandes sans obligation de commander chaque jour. Le moteur pouvait émettre « ne rien faire pour l’instant » dès que la valeur d’option de l’attente dépassait le rendement espéré ajusté du risque.

Dès le premier jour, l’arrêt s’est déclenché sur une aberration : quarante-huit conteneurs prévus à l’arrivée le lundi pour un quai d’une capacité de quarante. Les dossiers ont exposé les facteurs — chiffrés en unités monétaires — et le défaut a été supprimé : les lots hebdomadaires ont été remplacés par des lancements échelonnés qui préservaient les remises tout en lissant les réceptions. En quatre semaines d’exécution parallèle, les surestaries et les heures supplémentaires à la réception ont nettement baissé ; les trous en rayon en milieu de semaine sur la longue traîne ont diminué sans accroître le fonds de roulement ; les remises ont continué d’être obtenues. Aucun héroïsme, aucune grande réorganisation : les mêmes actifs, les mêmes fournisseurs, les mêmes magasins — seules les décisions avaient changé.

La leçon n’est pas que « les lundis sont mauvais ». C’est que la véritable complexité était économique et temporelle, non algébrique. Les moyennes cachaient les queues de distribution ; un indicateur de service unique cachait des gains hétérogènes ; les « contraintes » dures devenaient élastiques une fois chiffrées. Les ordinateurs n’ont rien fait que les planificateurs humains n’auraient pu, en principe, faire : ils l’ont simplement fait pour des milliers de micro-options chaque jour, sans fatigue, en faisant apparaître les frictions pertinentes en argent.

11.2.2 Maximum local

L’épisode montre pourquoi les équilibres médiocres persistent. Chaque fonction s’était perchée sur une colline défendable : les achats sur les remises et les quantités minimales de commande ; les entrepôts sur l’utilisation ; les magasins sur la disponibilité ; la finance sur la rotation des stocks. Les collines étaient réelles ; la montagne se trouvait ailleurs. Les tentatives d’« optimiser » une colline isolément ne faisaient que déplacer la douleur. C’est le caractère épineux décrit au premier chapitre : les objectifs se couplent dans le temps et l’espace, et les mesures deviennent des objectifs dès que les moyens de subsistance en dépendent.

Sortir d’un maximum local n’exige aucun manifeste : seulement un moyen sûr et mécanique d’essayer de meilleures décisions et de les conserver lorsqu’elles rapportent. L’optimisation expérimentale offre exactement cela : exécuter côte à côte sur les extractions de fin de journée ; arrêter vite face à l’aberration ; exposer les facteurs en unités monétaires ; ne promouvoir que sur la base d’un gain mesuré ; revenir en arrière à faible coût. Parce que la méthode chiffre les arbitrages à l’échelle de l’entreprise, elle dissout nombre de « contraintes » inventées en pénalités et transforme les veto départementaux en paramètres réglables et auditables.

En pratique, l’obstacle est rarement physique ; il tient au récit. Tant que les moyennes et les indicateurs uniques racontent la réussite, l’équilibre paraît acceptable. Remplacez le récit par des engagements quotidiens, auditables et chiffrés en unités monétaires, et les prétendues « contraintes » se révèlent pour ce qu’elles sont : des choix. La section suivante examine pourquoi les institutions censées affiner ces choix — universités, éditeurs, consultants — enseignent si souvent les moyennes et les indicateurs à la place.

11.3 Pourquoi l’équilibre tient

Les mauvaises idées n’ont besoin d’aucun choc pour survivre. Une supply chain peut rester fonctionnelle alors que ses méthodes prennent du retard. L’équilibre persiste parce que les incitations sont faibles et mal alignées : chaque acteur qui contribue à façonner la discipline tire une rente discrète du maintien de décisions confiées aux humains et dont la responsabilité peut être récusée, tandis que personne n’est payé en unités monétaires pour la qualité de décisions prises sans intervention humaine.

De tels équilibres durent parce qu’ils franchissent une barre basse. Les camions circulent toujours, les remises sont obtenues, les tableaux de bord restent au vert et personne n’a à miser sa carrière sur une alternative plus audacieuse. En l’absence d’un choc existentiel, les gains locaux de l’inaction dépassent souvent les gains incertains d’une refonte des décisions. Tant que l’appareil fonctionne suffisamment bien, la pression au changement reste faible.

Les mécanismes sont banals. De longues boucles de retour diluent la responsabilité ; les tableaux de bord substituent des objectifs au raisonnement économique ; les pilotes sont mis en scène là où l’échec ne peut faire mal ; les « exceptions » renvoient les cas les plus difficiles aux humains, protégeant ainsi une logique fragile contre la réfutation. Dans un tel cadre, la médiocrité se cumule discrètement. Ce qui passe pour de la prudence — alertes avant l’action, « validation » manuelle, consensus autour d’une prévision unique — ne fait que préserver une boucle administrative qui ne chiffre pas l’incertitude et n’en tire aucun enseignement.

Autour de cette boucle se trouve un réseau d’intérêts qui atténue la pression au changement. Le monde universitaire est récompensé pour ses énigmes et ses publications, non pour des décisions qui résistent au contact des quais et des heures limites ; il peaufine des modèles stylisés faciles à noter et difficiles à rendre opérationnels. Les éditeurs logiciels réalisent leurs marges sur les licences utilisateurs, le stockage et les mises à niveau des systèmes d’enregistrement et de reporting ; une véritable automatisation réduirait les licences et supprimerait des écrans. Les consultants vendent de la chorégraphie — ateliers, matrices, « alignement » — dont les livrables laissent le code et l’économie intacts ; la mission se termine, les rituels restent et le flux de tableurs reprend. Les équipes internes de data science, évaluées sur les projets et les tableaux de bord, s’arrêtent aux éclairages analytiques ; la responsabilité de l’engagement chiffré en unités monétaires se trouve ailleurs, de même que l’incitation à remanier les hypothèses lorsque la réalité les contredit. Dans l’entreprise, la supply chain reste de second rang et subordonnée à l’informatique centrale : les budgets favorisent les registres qui ne tombent jamais en panne au détriment des moteurs qui doivent décider ; le risque est défini comme un écart à la plateforme plutôt que comme une perte économique.

Les prix signalent ces incitations aussi clairement que sur n’importe quel marché. Les éditeurs facturent l’accès, non l’amélioration ; les consultants, l’effort, non les gains ; les universitaires, la nouveauté, non la résilience ; les équipes internes, les artefacts, non l’émission de décisions. La loi de Goodhart fait ensuite le reste : dès qu’un indicateur promet la sécurité de carrière, l’organisation optimise cet indicateur. La « précision des prévisions » s’améliore en raccourcissant les horizons et en gonflant les stocks tampons ; le « taux de service » augmente avec des stocks dont personne ne chiffre le coût ; le « respect du plan » est célébré tandis que les camions attendent devant un quai saturé.

L’épisode ci-dessus est typique, non exceptionnel. Rien dans la physique n’empêchait l’engorgement hebdomadaire des réceptions ; il persistait parce que les mesures régissant chaque silo — remises, utilisation, disponibilité — étaient locales, tandis que les coûts qu’elles déplaçaient — surestaries, heures supplémentaires, trous en milieu de semaine — étaient supportés ailleurs. Lorsque personne ne répond explicitement de l’économie de la décision à l’échelle de l’entreprise, les équilibres administratifs se figent en usages. Le silence des profits et pertes au niveau du micro-choix laisse les récits — « bonnes pratiques », « norme du secteur », « un jeu de chiffres unique » — combler le vide.

Les sections suivantes examinent les principaux soutiens de cet équilibre. L’attachement des universitaires aux énigmes publiables, le fait que les éditeurs rebaptisent l’enregistrement et le reporting « intelligence » tout en externalisant cette intelligence vers les utilisateurs par le théâtre des alertes, les cérémonies de consultants saturées de mots à la mode qui s’arrêtent avant le code, et l’absence de responsabilité effective de la data science interne contribuent tous à un état stable, mais médiocre. Le piège organisationnel — le statut de second rang de la supply chain et sa subordination à l’informatique centrale — verrouille l’arrangement. Rien de cela n’exige de malveillance. Il suffit que les incitations soient découplées de décisions prises sans intervention humaine, auditables et chiffrées en unités monétaires. Tant que ce couplage n’est pas rétabli, l’équilibre tient.

11.4 Qui l’entretient

L’impasse perdure non par malveillance, mais par dispersion des incitations. Quatre groupes, chacun poursuivant des objectifs raisonnables selon ses propres critères, entretiennent collectivement un équilibre stable, mais médiocre : le monde universitaire, les éditeurs de logiciels d’entreprise, les consultants et les programmes internes de data science. Chaque groupe fournit quelque chose que les autres demandent — énigmes publiables, plateformes commercialisables, cérémonies rassurantes et tableaux de bord d’« éclairages analytiques » —, tout en laissant l’acte quotidien d’allocation là où il réside depuis longtemps : entre les mains d’employés qui rapprochent des exceptions.

L’approche adoptée ici relève de l’examen contradictoire, non de l’hostilité. Les chapitres précédents ont déjà exposé à quoi ressemble un progrès praticable : l’émission de décisions sans intervention humaine, auditables et chiffrées en unités monétaires. À cette aune, nous pouvons examiner comment chaque groupe, en suivant ses propres incitations, perpétue des pratiques qui ne franchissent jamais la barre.

Commençons par le monde universitaire, dont la mission affichée — faire progresser les connaissances — aurait dû en faire l’antidote naturel à la stagnation. Au lieu de cela, par un cadrage durablement erroné de la supply chain, il a trop souvent fourni la rhétorique de la science sans la substance de décisions prises sans intervention humaine.

11.4.1 Le monde universitaire

Les universités et les revues promettent de la science ; les ateliers reçoivent des tableurs. L’écart ne relève pas du goût, mais du cadrage. Comme expliqué dans Épistémologie, la supply chain est de l’économie appliquée : elle valorise des options face à la variabilité pour allouer rentablement des ressources rares. La redéfinir comme des « mathématiques appliquées » — un catalogue d’énigmes bien ordonnées aux hypothèses opportunément fixes — produit des articles agréables à lire, mais peu transposables. Ce qui compte dans les opérations n’est pas un théorème sur un point de commande idéalisé ; c’est de savoir si un logiciel sans intervention humaine peut transformer des enregistrements en engagements auditables, chiffrés en unités monétaires et capables de résister au contact des quais, des heures limites, des remises et des délais à queues épaisses.

Ce cadrage erroné explique pourquoi les productions universitaires dominantes se manifestent si rarement dans la pratique. Les artefacts canoniques — prévisions ponctuelles, stocks de sécurité gaussiens liés à des objectifs de service, plans déterministes — suppriment précisément ce qui influe sur l’argent : queues de distribution, corrélations, regroupement en lots et effets de cliquet qui contraignent les options de demain. Lorsque ces artefacts sont installés dans des logiciels, ils réapparaissent sous forme de théâtre des alertes : la logique fragile délègue de nouveau les cas difficiles aux humains, qui deviennent de fait l’intelligence. L’organisation se félicite alors de « suivre les bonnes pratiques », tandis que les planificateurs poursuivent les rapprochements administratifs auxquels les ordinateurs étaient censés mettre fin.

Le filtre des énigmes aggrave le problème. Un article publiable est plus facile à produire lorsque le monde est simplifié jusqu’à ce qu’une solution sous forme fermée ou un petit solveur puisse être présenté comme « optimisant » un jouet. On ajoute une contrainte ici, un indice là ; les résultats portent sur des instances synthétiques ou des extractions expurgées. Pourtant, rien dans ce processus n’oblige les auteurs à exposer leurs prémisses à la réfutation sur le terrain. Dans l’entreprise, les connaissances ne gagnent la confiance que lorsqu’elles prennent des paris — émettent des décisions sans intervention humaine — et améliorent le profit. En l’absence d’émission de décisions, la barre n’est pas franchie, quelle que soit l’élégance apparente des mathématiques prises isolément.

La négligence de la sémantique des données et de l’ingénierie logicielle est tout aussi révélatrice. Comme détaillé dans Information, les flux modernes passent par des systèmes d’enregistrement et de reporting qui se chevauchent, où le sens des champs dérive et où les « données dérivées » — prévisions, étiquettes ABC, stocks tampons — ne contiennent aucune information nouvelle. Un système d’intelligence opérationnel — le moteur qui émet des décisions sans intervention humaine — doit donc (i) lire des enregistrements faisant autorité, mais désordonnés, (ii) porter l’incertitude sans l’aplatir, (iii) chiffrer les arbitrages en unités monétaires à l’échelle de l’entreprise et (iv) réinjecter les engagements, accompagnés de dossiers propres à l’audit. La plupart des traitements universitaires effacent cette jonction. Ils supposent des entrées propres et stationnaires et s’arrêtent là où le travail devient décisif : la sémantique, l’économie et du code qui s’exécute chaque jour à grande échelle.

Le bon banc d’essai est disponible depuis longtemps. Intelligence, Décisions et Déploiement ont exposé une discipline minimale : exécution parallèle sur des extractions de fin de journée couvrant tout le périmètre ; heuristiques d’arrêt qui stoppent le moteur lorsque la confiance baisse ; dossiers mis en transparence montrant les facteurs monétaires de chaque ligne ; promotion uniquement sur la base d’un gain mesuré ; réversibilité grâce à l’absence d’état et au retour dans le temps. Une contribution scientifique qui revendique un mérite opérationnel devrait prendre corps dans ce dispositif, afin que les échecs apparaissent comme des « lignes aberrantes » et soient supprimés en révisant les coûts, les contraintes ou la sémantique, non par des listes d’exceptions et des réunions. Les articles qui ne franchissent pas ce seuil sont des chroniques ou des conjectures, non des connaissances de supply chain.

Les cursus reflètent la littérature. Les masters restent centrés sur des gadgets de séries temporelles des années 1980, des stocks de sécurité gaussiens arrimés à des objectifs de service arbitraires et des ABC de salle de classe. La programmation et l’ingénierie des données sont traitées comme des accessoires ; la sémantique d’entreprise et l’économie probabiliste apparaissent à peine. Les diplômés apprennent à superviser des tableurs et des modules de « planification » prêts à l’emploi, non à écrire des recettes numériques qui transforment des enregistrements en décisions émises sans intervention humaine. Le meilleur étudiant, sentant le plafond, se dirige vers d’autres domaines scientifiques et techniques où le code, les données et la réfutation déterminent le statut. Les autres alimentent la boucle administrative que la littérature présuppose.

Rien de cela ne condamne les mathématiques. Des contributions mathématiques durables existent bien dans notre métier, mais elles se présentent comme des sous-programmes au sein d’un cadre économique et d’ingénierie : résultats de théorie des files d’attente qui calibrent les coûts de congestion ; composants de programmation linéaire qui composent le chargement d’un camion ; bornes de concentration qui régularisent les queues de la demande. L’erreur consiste à confondre le sous-programme avec le système. Un optimiseur doté du mauvais objectif, de la mauvaise sémantique ou d’aucun chemin d’exécution sans intervention humaine n’est pas un progrès ; c’est un détour soigné.

Un programme de recherche universitaire praticable est à portée de main. Traiter la supply chain d’abord comme de l’économie appliquée ; mettre les mathématiques, les statistiques et l’informatique au service de cette fin. Livrer des objets qui s’exécutent : du code qui ingère des extractions sémantiquement fidèles ; des barèmes de prix en unités monétaires plutôt que des « objectifs de service » ; des prévisions probabilistes évaluées par des règles de score propres et par le gain, non par l’ajustement rétrospectif ; des recettes numériques livrées en transparence pour que les praticiens puissent auditer chaque engagement. Surtout, accepter la discipline de l’optimisation expérimentale : itérer sur le terrain jusqu’à ce que les aberrations disparaissent, puis publier ce qui a résisté. Les citations suivront peut-être ; sinon, les unités monétaires suivront.

11.4.1 Les éditeurs de logiciels

Les éditeurs de logiciels d’entreprise entretiennent l’équilibre non par complot, mais par leur économie et leurs affinités d’ingénierie. Comme expliqué dans Information, il existe trois familles logicielles distinctes : les systèmes d’enregistrement — registres et processus faisant autorité —, les systèmes de reporting — récits du passé — et les systèmes d’intelligence — moteurs qui émettent des décisions auditables sans intervention humaine. La plupart des éditeurs vendent de l’enregistrement ou du reporting, puis reconditionnent des extensions en « planification » ou en « optimisation » pour poursuivre leur croissance. La confusion de catégories n’est pas sémantique ; elle est opérationnelle. Un registre conçu d’abord pour le CRUD ne peut héberger des analyses lourdes sans dégrader la latence ; une pile de reporting conçue pour remodeler des agrégats ne peut porter l’incertitude ni chiffrer les arbitrages en unités monétaires. Lorsque l’enregistrement ou le reporting se font passer pour de l’intelligence, le flux retombe dans la gestion administrative.

Le schéma dominant est le théâtre des alertes. L’« automatisation » prend la forme d’une liste d’exceptions qui délègue de nouveau les cas difficiles aux humains. Les utilisateurs — reconvertis en coprocesseurs humains — rapprochent manuellement des règles sommaires et des réalités à queues épaisses. Rien dans cette approche n’améliore l’intelligence du logiciel ; elle en dissimule seulement l’absence derrière des interfaces modernes. Les incitations concordent : les éditeurs facturent les licences utilisateurs, le stockage et les modules, non le gain ; de véritables décisions sans intervention humaine réduiraient les licences et les écrans. Dans Intelligence, nous avons relevé le choc culturel : les éditeurs de systèmes d’enregistrement optimisent la productivité du CRUD et la disponibilité ; les systèmes d’intelligence optimisent la qualité économique des décisions dans l’incertitude. Les premiers n’ont aucune incitation à construire les seconds.

Les cycles d’engouement amplifient l’inadéquation. À intervalles de quelques années, une vague de « planification pilotée par l’IA », de « jumeaux numériques » ou de « tours de contrôle » promet une rupture nette avec les tableurs. Des startups sont acquises et intégrées à des suites ; l’extension hérite de l’ADN d’enregistrement ou de reporting de son hôte et réapparaît sous la forme d’un ensemble de règles configurables avec alertes. La combinatoire reste sans réponse ; la variabilité est aplatie en moyennes ; les coûts sont remplacés par des objectifs de service arbitraires. Le résultat est la continuité sous de nouveaux acronymes.

Les quadrants des analystes stabilisent le récit. Parce que l’économie de ces études est financée par les éditeurs qu’elles évaluent, les fonctionnalités superficielles et les étiquettes à la mode sont récompensées. La liste des « leaders » se renouvelle lentement ; les critères privilégient l’étendue du catalogue et la capacité à présenter des références clients plutôt que la qualité des décisions sans intervention humaine. Côté client, le théâtre des appels d’offres — critiqué dans Déploiement — produit une sélection adverse : les questionnaires canonisent les artefacts d’hier, les démonstrations récompensent la chorégraphie et le gagnant est le fournisseur qui répond le mieux à des questions qui n’auraient jamais dû être posées. Lorsque la pile entre en production, la liste d’exceptions revient.

Sur le plan opérationnel, les modes d’échec sont constants. La confusion de catégories crée une contention des ressources — les optimiseurs dans le registre privent les processus de ressources — et une perte d’information — les artefacts dérivés sont ingérés comme s’ils contenaient de l’information nouvelle. La dérive sémantique, tolérable dans un registre sous supervision humaine, devient mortelle lorsqu’elle alimente un moteur de décision que personne ne laisse décider. Là où un système d’intelligence recalculerait à partir d’enregistrements bruts faisant autorité et réinjecterait des engagements chiffrés et auditables, la couche de « planification » prête à l’emploi consomme des chiffres prédigérés et émet des suggestions que les planificateurs doivent modifier pour éviter les dangers.

Rien de cela n’exige de mauvaise foi ; c’est l’équilibre qu’implique le modèle économique. Les éditeurs tarifient l’accès, non les unités monétaires ; les acheteurs demandent des écrans, non des décisions émises sans intervention humaine. Une médiocrité stable persiste donc. Le remède n’est pas un nouveau quadrant, mais un autre contrat et une autre architecture : maintenir strictement séparés l’enregistrement, le reporting et l’intelligence ; exploiter le moteur de décision comme un actif sans état et réexécutable qui ingère des enregistrements bruts, porte des entrées probabilistes, chiffre les arbitrages en argent et réinjecte les engagements avec des dossiers exposant leurs facteurs. Choisir les fournisseurs par une étude de marché contradictoire plutôt que par des appels d’offres ; payer en proportion du périmètre des décisions sans intervention humaine et du gain mesuré. Lorsque ces conditions sont réunies, le théâtre des alertes meurt faute d’usage ; lorsqu’elles sont rejetées, les tableurs refont surface — un résultat qu’il faut lire comme le diagnostic qu’il constitue.

11.4.2 Les consultants

Les cabinets de conseil prospèrent en promettant un changement qui préserve ce que leurs clients sont le moins disposés à perturber : le paysage applicatif, l’organigramme et les rituels quotidiens qui attribuent des responsabilités sans assumer les résultats. Dans l’équilibre décrit plus haut, les éditeurs vendent de l’enregistrement et du reporting sous l’étiquette de « planification » ; les consultants bouclent la boucle en fournissant la rhétorique et la chorégraphie qui font passer des outils fragiles pour un progrès. Le livrable est rarement une décision, mais plutôt un récit : modèles de maturité, quadrants, feuilles de route et cérémonies qui rebaptisent les routines d’hier.

La littérature qui sous-tend ces missions est à la fois volumineuse et superficielle. Elle catalogue les horizons, les capacités et les archétypes ; elle découpe le monde en niveaux bien ordonnés et en positions de réglage ; elle multiplie les matrices 2×2 dont les cases invitent à une infinité de pages. Ces segmentations ne sont pas des connaissances ; ce sont des mises en scène. Elles éludent la question économique — quelle allocation de ressources rares améliore le profit face à la variabilité — pour lui substituer une taxonomie qui peut être enseignée et vendue. Comme expliqué tout au long de ce livre, les classifications ne justifient leur place que lorsqu’elles prédisent ; la plupart des taxonomies du conseil ne le font pas.

Pendant la mission, les mots à la mode fournissent l’élan. « Alignement S&OP », « planification intégrée de l’entreprise », « pilotage par la demande », « jumeau numérique », « tour de contrôle », « résilience dès la conception » : aucun n’est intrinsèquement absurde, mais tous servent couramment de couverture à des boucles de décision inchangées. Le travail produit des ateliers, des schémas de cadence et des comités du « chiffre unique ». Le même schéma réapparaît : les listes d’exceptions grossissent, les tableurs métastasent et les cas les plus difficiles — queues épaisses, contraintes actives, effets de cliquet, sémantique incohérente — sont poliment renvoyés aux employés mêmes que le logiciel n’a pas réussi à soulager.

Ce cycle se répète parce qu’il est sans danger. Réorganiser les réunions ne menace pas l’ERP ; renommer les phases n’expose pas les prémisses à la réfutation ; publier un « modèle opérationnel cible » n’impose pas de prendre un seul engagement chiffré en unités monétaires sans arbitrage humain. La mission satisfait chaque groupe : les dirigeants reçoivent un récit de progrès ; l’encadrement intermédiaire conserve ses veto grâce aux points de contrôle rituels ; les éditeurs gardent leurs modules en place ; le consultant repart avec des références. Le changement du flux de biens est négligeable.

Un critère praticable permet de distinguer la chorégraphie de la substance. Dans Information, Intelligence, Décisions et Déploiement, nous avons fixé la barre : exécution parallèle quotidienne sur tout le périmètre, à partir d’extractions faisant autorité ; promotion uniquement sur la base d’un gain mesuré en unités monétaires. À cette aune, la plupart des interventions de conseil sont des non-événements : elles n’émettent aucune décision sans intervention humaine, ne portent aucun futur probabiliste, ne chiffrent aucun arbitrage et n’acceptent aucune responsabilité d’arrêt. Elles racontent ; elles n’allouent pas.

Le test économique est simple. Si une proposition ne peut être exécutée dès demain soir sur les extractions de fin de journée du client, auditée en unités monétaires et — si elle résiste — rémunérée en proportion du gain, elle relève du théâtre, non de la pratique. Lorsque les consultants sont prêts à s’engager contractuellement sur l’émission de décisions sans intervention humaine et à accepter la réversibilité et le gain comme fondement de leurs honoraires, ils cessent d’être des consultants au sens conventionnel ; ils deviennent coauteurs de la recette numérique. C’est rare, non parce que le travail serait mystique, mais parce que le modèle économique dominant récompense les cérémonies plutôt que le code.

Le « cycle du consultant » — des transformations périodiques qui renomment les mêmes routines — persistera tant que les acheteurs n’inverseront pas les incitations. Le remède, déjà exposé dans Déploiement, est l’étude de marché contradictoire : faire rédiger aux éditeurs et aux conseillers potentiels des énoncés du problème, puis les leur faire critiquer mutuellement, exiger des estimations sommaires du coût total de possession et des listes de pairs, et ne payer que pour le périmètre sans intervention humaine et le gain mesuré. Lorsque la mission produit des décisions, la conserver ; lorsqu’elle produit des quadrants et des cadences, la laisser expirer. La section suivante montre comment un équilibre semblable se reproduit à l’intérieur de l’entreprise sous la bannière de la « data science » : des éclairages analytiques sans responsabilité effective tiennent lieu de décisions.

11.4.3 La data science en entreprise

Dans les entreprises, la « data science » a largement reproduit le même équilibre que celui entretenu par les universitaires, les éditeurs et les consultants : elle produit des éclairages analytiques sans assumer la responsabilité de l’émission de décisions. Depuis le début des années 2010, les équipes ont multiplié les tableaux de bord, les pilotes et les prévisions ; pourtant, peu d’organisations peuvent montrer des bons de commande, des allocations ou des prix émis chaque jour par du code sans intervention humaine et réinjectés dans les registres. Le travail paraît moderne, mais s’arrête avant de prendre des paris dans le monde réel.

Trois traits reviennent. Premièrement, les livrables restent centrés sur les prévisions et les indicateurs. Les barres d’erreur, les scores de précision et les graphiques soignés abondent, tandis que le registre monétaire à l’échelle de l’entreprise — la seule mesure commune — est absent. L’incertitude est décrite, non chiffrée. Deuxièmement, la jonction avec l’ingénierie est éludée. Les modèles sont construits sur des artefacts dérivés — ABC, stocks tampons, tables « nettoyées » — plutôt que sur des enregistrements faisant autorité ; la sémantique des champs dérive ; les conditions d’arrêt ne sont pas définies. Lorsqu’une recommandation est fragile, une « exception » renvoie le cas difficile à un planificateur. Troisièmement, les incitations récompensent les diapositives et les preuves de concept plutôt que les engagements pris sans intervention humaine. L’« aide à la décision » devient un euphémisme commode pour préserver l’arbitrage humain sur les décisions mêmes que le logiciel devrait prendre.

Il en résulte un théâtre de l’analyse qui complète le théâtre des alertes des éditeurs. Les planificateurs finissent par rapprocher à la main des règles fragiles et des réalités à queues épaisses. La combinatoire qui justifie les ordinateurs — des millions de micro-options chaque jour — est renvoyée aux personnes. La gestion administrative, désormais animée par des tableaux de bord, persiste.

L’alternative est tout à fait à portée de main et a été esquissée tout au long de ce livre. Remplacer l’idée d’une usine à éclairages analytiques par un Supply Chain Scientist responsable d’une recette numérique : un programme compact qui ingère des enregistrements faisant autorité, porte des représentations probabilistes de la demande, des délais et des fiabilités, chiffre les arbitrages en unités monétaires à l’échelle de l’entreprise et émet des décisions sans intervention humaine. Le Scientist répond des décisions émises, non des présentations. Cette posture oblige à expliciter les hypothèses tacites et lie la modélisation à l’économie.

L’épisode opérationnel ci-dessus — lisser l’engorgement du lundi en chiffrant la saturation des quais et en admettant « ne rien faire pour l’instant » comme option — est typique. Aucune réorganisation, aucun nouvel entrepôt : les mêmes actifs livrent mieux parce que les décisions ont changé. Voilà ce qu’accomplit une responsabilité assumée au quotidien. Dès que la capacité des quais porte un prix fictif, les quantités minimales de commande deviennent des pénalités plutôt que des édits, l’attente concurrence économiquement l’achat et le rythme hebdomadaire cesse de dicter les pertes. Un système d’intelligence transforme ce raisonnement en pratique sans intervention humaine ; un tableau de bord de data science ne le fait pas.

La responsabilité impose aussi la mesure. Une fois les coûts, les contraintes et les effets de cliquet codés de bout en bout, les gains marginaux d’un sous-modèle ne sont poursuivis que lorsqu’ils influent sur les unités monétaires au point d’émission des décisions. Les indicateurs à la mode — précision des prévisions, taux de service — perdent leur statut de talisman ; ce qui compte est l’amélioration du résultat d’exploitation ajusté du risque après réinjection. La collaboration évolue alors naturellement : la finance publie les coûts du capital et les valorisations ; les achats publient les remises, les quantités minimales de commande et les fiabilités ; les opérations publient les capacités et les heures limites. La recette lie ces entrées chaque nuit en exécution parallèle, de sorte que l’apprentissage se cumule là où il rapporte.

C’est ainsi que l’équilibre interne se rompt. La data science cesse de raconter le flux et commence à le piloter, sous des garde-fous qui permettent de faire confiance à l’automatisation en sécurité : extractions quotidiennes rejouables, calcul sans état, dossiers mis en transparence et décisions émises réversibles. Les chapitres Information, Intelligence, Décisions et Déploiement ont déjà posé le dispositif ; ici, le propos est institutionnel : tant que personne n’est payé pour la qualité des décisions sans intervention humaine, la « data science » continuera d’alimenter les boucles administratives. La section suivante arme le lecteur de filtres de rejet pour la littérature qui nourrit ces boucles : des textes qui donnent une impression d’activité, mais échouent aux tests de prédiction, de valorisation et de réfutation.

11.5 Le piège organisationnel

Les groupes externes — universitaires, éditeurs, consultants — aident à expliquer pourquoi l’équilibre tient, mais le frein décisif est interne aux entreprises. La supply chain conserve un statut de second rang, de facto subordonnée à l’informatique de l’entreprise. Réputation, bureaucratie et délai de traitement des tickets s’imbriquent jusqu’à ce que l’organisation accepte la vigilance administrative à la place d’une intelligence issue de l’ingénierie. Le remède n’est pas un comité supplémentaire : c’est une réattribution structurelle de la responsabilité et une interface de données légère qui libère le flux des veto de la plateforme.

11.5.1 Un statut de second rang

La supply chain est saluée comme « essentielle à la mission », mais traitée comme périphérique. Puisque les camions continuent de circuler et que les rayons sont approvisionnés, la direction en déduit que seuls des ajustements progressifs se justifient. L’apparence de continuité devient un alibi au sous-investissement dans le code et dans les personnes qui l’écrivent. Une boucle autoréalisatrice s’ensuit : les recrues prestigieuses visent ailleurs ; le département hérite de routines au lieu de concevoir des décisions ; les tableurs parallèles prolifèrent pour compenser la fragilité des extensions de « planification » ; la gestion administrative qui en résulte confirme le préjugé initial selon lequel rien de mieux n’est possible.

Ce déficit de réputation est ancien — la logistique comme corvée ennuyeuse après le « vrai » travail du produit et de la marque — et continue de façonner les effectifs et les budgets. Ce qui rend la boucle particulièrement tenace, c’est son vernis intellectuel : des indicateurs uniques et non économiques — un « taux de service de 98 % », la « précision des prévisions » — se font passer pour objectifs. Lorsque les moyens de subsistance dépendent de tels substituts, les stocks tampons gonflent, les exceptions sont renvoyées aux humains et le registre brille même quand les unités monétaires fuient. Le département paraît actif et sûr, tout en refusant l’économie probabiliste qui mesurerait les arbitrages en argent et automatiserait les tâches ordinaires.

11.5.2 Bureaucratie et délai de traitement des tickets

Là où l’intelligence est manuelle, la bureaucratie prospère. Les alertes et les exceptions passent par des rituels — conclaves mensuels du « chiffre unique », conseils de préallocation, cascades d’approbations — dont la véritable fonction est de répartir la responsabilité plutôt que d’améliorer les décisions. Chaque rituel ajoute une couche de processus sans réduire l’incertitude ; la combinatoire reste inchangée, simplement filtrée désormais par davantage de mains.

Le délai de traitement des tickets complète le piège. Toute modification substantielle — ajout d’une contrainte, révision d’un barème de coûts, correction sémantique subtile — exige de déposer des tickets concernant les systèmes centraux. Les semaines deviennent des mois, car les priorités sont triées selon le risque pour la plateforme, non selon le gain économique espéré. Lorsqu’un ticket aboutit, l’activité a évolué et le correctif est déjà périmé. Ce qui devrait être une modification quotidienne et réversible du code d’un moteur de décision est redéfini comme un projet interdépartemental ; le statu quo l’emporte par défaut.

Le compromis dérive donc vers le plus petit pas que toutes les parties peuvent tolérer. Des modules de « machine learning » sont greffés sous forme de tableaux de bord qui renvoient les cas difficiles à une liste d’exceptions ; les mises à niveau de l’ERP unifient les champs, mais laissent les règles de décision intactes. La façade change ; la boucle administrative persiste.

11.5.3 Subordination à l’informatique

La mission de l’informatique d’entreprise est la disponibilité, la standardisation et la conformité. Elle convient aux systèmes d’enregistrement et de reporting. Elle convient mal aux systèmes d’intelligence. Lorsque la « planification » est hébergée dans le registre, les analyses lourdes disputent les ressources aux processus ; lorsqu’elle repose sur des vues de reporting, l’incertitude est aplatie et les décisions dégénèrent en théâtre des alertes — les utilisateurs comme coprocesseurs humains. Les budgets suivent la mission : le capital va aux plateformes CRUD ; l’automatisation des décisions est achetée comme un module et livrée sous forme de configuration assortie d’exceptions.

Le risque est inversé : s’écarter de la plateforme est traité comme un danger ; la perte économique due à des décisions inférieures est traitée comme le cours normal des affaires. Le filtrage institutionnel durcit alors les conditions aux limites : les artefacts dérivés sont traités comme faisant autorité, les modifications de schéma sont frappées d’anathème et tout outil qui ne peut être absorbé par la suite est rejeté par principe. Sous une telle gouvernance, même les tentatives sincères d’« analyse avancée » aboutissent à des tableaux de bord qui alimentent la boucle administrative.

11.5.4 Accumulation de correctifs

Les demi-mesures s’accumulent. Un classeur temporaire pour lisser des paliers de remise, un rapport sur mesure qui rapproche deux référentiels maîtres, une exception propre à un fournisseur dans l’outil d’un acheteur : chacun acquiert des utilisateurs dépendant de ses sorties. Avec le temps, l’assemblage trouve des défenseurs, et retirer l’une de ses pièces paraît plus risqué que de tout laisser en place. Ce qui avait commencé comme un expédient se fige en usage.

L’accumulation des correctifs disperse la responsabilité. Personne ne répond de la qualité économique de l’ensemble ; chaque équipe possède une parcelle et un récit. C’est le caractère épineux en miniature : le problème se transforme à mesure que chaque correctif s’adapte à ses voisins, et la survie est confondue avec la réussite.

Le remède relève de l’architecture plutôt que de l’exhortation. Une interface qui rend les faits portables et une recette sans état qui transforme ces faits en engagements chiffrés et auditables dissolvent les correctifs en paramètres. Avec une exécution parallèle quotidienne, le pouvoir de veto recule ; les correctifs sont soit codés correctement, soit retirés.

11.5.5 Interface et responsabilité

Deux changements structurels brisent le piège.

Premièrement, établir une interface : une extraction quotidienne fidèle couvrant les systèmes d’enregistrement. Elle est volontairement ennuyeuse : instantanés en ajout seul avec manifestes ; historique suffisant pour traverser un cycle complet ; aucun remaniement amont « utile » ; lectures selon le principe du moindre privilège. Grâce à elle, le moteur de décision peut être sans état et réexécutable. Les tickets qui visaient autrefois à modifier les registres deviennent des changements de code sur une copie privée ; la sémantique est auditée empiriquement plutôt que négociée par courriel. La latence passe de plusieurs mois à quelques heures, et la réversibilité devient courante.

Deuxièmement, attribuer la responsabilité de la recette numérique à la supply chain. Les rôles en découlent naturellement (voir Déploiement) : un responsable des données exploite l’interface ; un Supply Chain Scientist écrit la recette ; un sponsor de direction arbitre les prix et les frontières ; un responsable des flux apporte son sens du terrain et fait remonter les anomalies. Les éditeurs et les consultants sont jugés sur l’émission de décisions et le gain mesuré, non sur les écrans.

Sans une telle interface et une telle responsabilité, personne n’est même en position de poser — encore moins de résoudre — la seule question qui compte opérationnellement : pourquoi n’utilisons-nous pas le calcul moderne pour traiter l’incertitude et allouer plus rentablement les ressources rares ?

Ces deux changements rabaissent la bureaucratie et les veto de la plateforme du rang de gouvernants à celui de paramètres. Une fois l’interface établie et la responsabilité clarifiée, le département n’est plus le gardien de second rang des logiciels des autres ; il devient l’auteur de son économie sous forme de code. La suite du chapitre arme le lecteur de filtres pour rejeter les textes qui ne peuvent résister à un tel dispositif. Si une proposition ne peut s’exécuter chaque nuit sur l’interface et défendre ses décisions en unités monétaires, elle relève du théâtre, non de la pratique.

11.6 Filtres de rejet

Le goulet d’étranglement actuel n’est pas le manque de textes, mais leur surabondance. Plus d’un million d’articles et des dizaines de milliers de livres défilent sous la bannière « supply chain » ; la pile grossit plus vite chaque année, tandis que la pratique quotidienne reste centrée sur les tableurs. L’explication la plus simple est que l’essentiel de cette production ne possède pas les propriétés qui rendent les connaissances opérationnelles — celles qui permettent à un logiciel sans intervention humaine de prendre chaque nuit des paris rentables et auditables. Cette section propose trois filtres pour écarter ce qui n’aidera pas : les futilités, les autorités et les énigmes. Ce n’est pas une taxonomie de la littérature ; c’est une boîte à outils du lecteur pour protéger son attention.

11.6.1 Futilités

Les futilités cataloguent le monde — listes, matrices, horizons — sans montrer pourquoi la classification est essentielle, et non accidentelle. Le rasoir d’Ockham s’applique : ne pas multiplier les catégories au-delà du nécessaire. Ici, la nécessité signifie le pouvoir de prédire et d’économiser en unités monétaires. Une segmentation ne mérite sa place que si son apprentissage réduit l’incertitude sur les résultats futurs et améliore les décisions d’allocation du moteur sans intervention humaine.

Le tableau périodique précise le critère : la grille de la chimie n’est pas un décor ; elle condense la causalité. Le numéro atomique ordonne les éléments de sorte que leur comportement dans les réactions devienne prévisible ; le tableau est une théorie compacte et réfutable de la matière. À l’inverse, une grande partie du jargon de la planification est une cartographie sans géologie. Diviser la « planification » en horizons stratégique, tactique et opérationnel n’apporte guère, à moins que cette division ne prédise des choix différents, chiffrés en monnaie, dans l’incertitude ; sinon, la trichotomie n’est qu’un décor. Il en va de même des ABC de produits, des catégories « rotation rapide, lente, nulle », des sites « locaux, régionaux, nationaux » ou des immortels quadrants 2×2¹⁶⁴ où « autocratique ou recherche du consensus » croise « réfléchir puis agir ou agir puis réfléchir »¹⁶⁵. Ces dispositifs sont faciles à enseigner et indéfiniment recombinables ; leur contenu prédictif est généralement nul.

Le test est sans détour : si l’adoption d’une classification ne change pas les décisions émises — bons de commande, transferts, prix —, c’est une futilité. Dans l’épisode opérationnel précédent, rien dans l’engorgement hebdomadaire des réceptions n’exigeait un nouveau quadrant ou horizon. La correction venait du chiffrage de la saturation des quais, du remplacement des moyennes par des distributions et de l’admission de « ne rien faire pour l’instant » dès que la valeur d’option de l’attente dominait. Une poignée de prix et de distributions a fait bouger les unités monétaires ; une étagère de segmentations ne l’aurait pas fait.

11.6.2 Autorités

Vous n’êtes pas en position de donner de leçons au public sur quoi que ce soit. Monologue d’ouverture des Golden Globes (2020), Ricky Gervais.

La notoriété n’est pas une preuve. Les citations de dirigeants, les préfaces de célébrités et les anecdotes de grandes marques divertissent ; elles ne décident pas. Traitez l’argument d’autorité comme un signal d’alerte, sauf s’il franchit trois ponts : la réfutabilité, les contrefactuels et l’émission de décisions. La réfutabilité signifie que l’affirmation pourrait se révéler fausse une fois codée ; les contrefactuels exigent que l’orateur précise ce qui se serait probablement passé autrement ; l’émission de décisions exige que l’affirmation soit assez précise pour modifier, dès demain soir, des engagements pris sans intervention humaine.

Les grandes entreprises compliquent la question. La réussite tient à de nombreuses causes — produit, marque, structure du capital —, tandis que la supply chain reste délibérément secrète. Même lorsque celle-ci sous-tend réellement la réussite, le porte-parole public peut ne pas en être l’auteur ; les contributions exceptionnelles sont inégalement réparties, tandis que beaucoup restent en place en faisant fort peu¹⁶⁶. Et ceux qui en sont responsables ont intérêt à garder les méthodes efficaces tacites ou à les présenter comme des rituels acceptables. Compter les citations n’est pas le chemin de la connaissance.

Le critère opérationnel est précis et équitable. Une proposition d’un opérateur ou d’un éditeur renommé ne mérite l’attention que lorsqu’elle peut être écrite sous forme de code qui ingère les extractions faisant autorité à la clôture de la journée, émet des décisions et défend chaque ligne en unités monétaires. Jusque-là, classez le récit parmi les hypothèses et résistez à la tentation de construire des processus autour. L’autorité peut inspirer ; elle ne peut remplacer la réfutation.

11.6.3 Énigmes

La littérature universitaire de supply chain tend à optimiser ce qui est commode à écrire, à noter et à publier : des énigmes stylisées aux hypothèses fixes. Les énigmes peuvent être plaisantes et parfois utiles comme sous-programmes. Elles deviennent nuisibles lorsqu’elles sont présentées comme des connaissances de supply chain en l’absence de la jonction où les connaissances doivent vivre : la sémantique, l’économie et du code qui s’exécute chaque jour. Ce ne sont pas les mathématiques qui sont en cause, mais le cadrage erroné. La supply chain est de l’économie appliquée face à la variabilité ; un article qui ne prend jamais de paris — qui n’émet jamais de décisions sans intervention humaine — n’est pas encore entré dans l’arène.

Deux questions séparent un sous-programme d’un système. Premièrement, la proposition peut-elle ingérer les enregistrements d’origine sans en blanchir le sens au travers d’artefacts dérivés ? Deuxièmement, porte-t-elle l’incertitude et chiffre-t-elle les arbitrages jusqu’au point d’émission des décisions ? Si la réponse à l’une des deux est « non », la contribution reste une énigme. Le bon dispositif a été décrit tout au long de ce livre : exécution parallèle quotidienne sur des extractions couvrant tout le périmètre ; heuristiques d’arrêt ; dossiers exposant les principaux facteurs monétaires de chaque ligne ; promotion uniquement sur la base d’un gain mesuré ; réversibilité grâce à un calcul sans état et réexécutable. Une méthode qui ne peut résister à ce dispositif n’en est pas « à ses débuts » : elle n’a pas été mise à l’épreuve.

Ce filtre n’est pas hostile à la théorie ; il est accueillant envers la réalité. Résultats de théorie des files d’attente qui calibrent les coûts de congestion, blocs de programmation qui composent le chargement d’un camion, bornes de concentration qui régularisent les queues épaisses : tous sont les bienvenus une fois intégrés à une recette numérique qui fait bouger les unités monétaires. Si elle n’aboutit pas à des décisions émises sans intervention humaine, l’élégance mathématique n’est qu’un récit en symboles. La littérature se modernisera lorsque les articles livreront du code qui passe le même test économique que nous exigeons de la production : avec les mêmes contraintes et la même piste d’audit, augmente-t-il le résultat d’exploitation ajusté du risque ?

11.6.4 Utiliser les filtres

Appliqués systématiquement, ces filtres réduisent une liste de lecture aux textes qui changent les décisions émises. Les futilités tombent sous le rasoir d’Ockham, à moins de démontrer un pouvoir prédictif chiffré en monnaie ; les autorités ne sont acceptées que lorsque leurs affirmations peuvent être réfutées en exécution parallèle ; les énigmes ne progressent que lorsqu’elles se rattachent à des décisions auditables prises sans intervention humaine. Voilà pourquoi tant d’activité coexiste avec si peu de progrès : l’essentiel de ce qui circule échoue à ces tests tout en donnant une impression d’activité. Le remède n’est pas le cynisme, mais la discipline : chiffrer l’incertitude, exiger des décisions émises et laisser les unités monétaires — non les titres — arbitrer.

11.7 Pour la suite

Pour la suite, il ne s’agit pas d’un nouveau manifeste, mais d’un changement de posture. Le critère proposé tout au long de ce livre est pratique et précis : une supply chain progresse lorsque, chaque soir à la clôture, un logiciel émet sans intervention humaine des engagements auditables et chiffrés en unités monétaires — ou s’arrête et explique pourquoi. Tout le reste est mise en scène. Selon cette mesure, le progrès n’est ni une cérémonie trimestrielle ni un nouvel écran ; c’est le remplacement continu des rapprochements administratifs par un flux mécanique qui porte explicitement l’incertitude et chiffre les arbitrages à l’échelle de l’entreprise.

La voie n’exige aucune révélation : seulement deux changements durables qui placent la responsabilité là où ses effets peuvent se cumuler. Premièrement, rendre les faits portables grâce à une interface : des extractions immuables et fidèles aux schémas qui permettent au moteur de décision d’être sans état et réexécutable. Deuxièmement, condenser l’économie de l’entreprise en une recette numérique qui ingère ces extractions, porte des représentations probabilistes du futur, attribue des pénalités et des récompenses en argent et émet des décisions sans intervention humaine. Les dossiers mis en transparence qui accompagnent chaque émission exposent les quelques facteurs qui ont compté en unités monétaires. Avec cette discipline, l’amélioration devient courante : lorsque la réalité réfute une hypothèse, la recette change, est réexécutée et reprend. Les erreurs ne s’accumulent pas ; les connaissances, si.

Les personnes ne disparaissent pas ; leur travail gagne un effet de levier. Les planificateurs deviennent les garants des cadres et des prix plutôt que les correcteurs de suggestions ligne par ligne. La finance publie les coûts du capital et les valorisations que le moteur doit respecter ; les achats publient les remises, les quantités minimales de commande et les fiabilités sous forme de prix plutôt que de veto ; les opérations publient les capacités et les heures limites sous forme de contraintes auditables. La direction arbitre les compromis en argent, non en slogans, et assume la responsabilité des rares occasions où le moteur s’arrête. Le test est le même pour tous : les décisions émises ont-elles augmenté le taux de rendement de l’entreprise ajusté du risque ?

Les alternatives — théâtre des alertes, théâtre des plans, théâtre de l’analyse — peuvent être maintenues en vie indéfiniment, car les camions circulent toujours et les moyennes rassurent toujours. Leur coût est largement invisible dans l’instantané d’une journée, mais écrasant au fil des années : options négligées, queues de distribution mal valorisées, attention consacrée à soigner des artefacts qui ne portent aucune information. Le choix auquel font face les entreprises matures n’oppose donc pas stabilité et risque, mais un équilibre administratif qui taxe discrètement chaque flux à une discipline mécanique qui fait rapporter l’incertitude.

Avant le programme constructif, nous devons parler sans détour de ce qui fait obstacle. La sous-section suivante nomme les habitudes qui garantissent les équilibres administratifs, quels que soient le logiciel ou la rhétorique. Ce n’est qu’après les avoir abandonnées que la meilleure voie — déjà esquissée dans les chapitres précédents et entièrement compatible avec les registres existants — devient simple à adopter.

11.7.1 Ce qui doit cesser

Pour que le progrès soit plus qu’un slogan, trois représentations bien ancrées doivent cesser. Chacune a ses lettres de noblesse ; chacune flatte le professionnalisme ; et chacune préserve fidèlement les équilibres administratifs tandis que les ordinateurs tournent à vide.

Premièrement, le théâtre des alertes doit cesser. Un logiciel qui se dit « automatisé », mais émet des listes d’exceptions à rapprocher par des humains, n’est pas de l’automatisation ; c’est une interface pour différer les décisions. Un système incapable de réinjecter les décisions sans intervention humaine et d’exposer ses facteurs en unités monétaires réduit les planificateurs à rapprocher des exceptions à la main — et appelle cela un progrès. Le critère est simple et non négociable : soit le programme émet des engagements vers les registres — commandes, allocations, prix —, soit c’est un outil de reporting qui doit être jugé et acheté comme tel. Tout ce qui exige des corrections quotidiennes ligne par ligne pour être « sûr » appartient au passé. Les licences utilisateurs, les écrans et les alertes ne remplacent pas l’émission de décisions.

Deuxièmement, le théâtre des plans doit cesser. Les rituels mensuels de consensus autour d’un « jeu de chiffres unique » aplatissent l’incertitude, l’ignorance se faisant passer pour de la précision. Les précisions de prévision, les objectifs de taux de service et les autres indicateurs de respect du plan ne sont pas de l’économie ; ce sont des règles de savoir-vivre formulées numériquement. Ils récompensent les stocks tampons, non le jugement ; la conformité, non le profit. Lorsque des édits sont déclarés « contraintes dures », ils masquent généralement des préférences non chiffrées ; lorsque les moyennes tiennent lieu de futurs, les queues de distribution sont ignorées jusqu’à ce qu’elles mordent. Le remède n’est pas le décorum, mais les prix : traiter la plupart des limites comme des contraintes assorties de pénalités en unités monétaires ; laisser « ne rien faire pour l’instant » rivaliser avec « s’engager maintenant » grâce à une valeur d’option explicite de l’attente ; remplacer le respect du plan par le seul test qui compte — avec les mêmes contraintes et la même piste d’audit, les décisions émises ont-elles augmenté le taux de rendement de l’entreprise ajusté du risque ? Sans cette discipline, les plans continueront de paraître impeccables tandis que les camions attendront devant des quais saturés.

Troisièmement, le théâtre de l’analyse doit cesser. Les tableaux de bord, les tours de contrôle et les « jumeaux numériques » qui ne prennent jamais de pari sont des ornements. Il en va de même des pilotes qui vivent éternellement dans des bacs à sable, des programmes de « visibilité seule » qui n’actionnent aucun levier et des rites d’achat — appels d’offres — qui sélectionnent les éditeurs sur leur chorégraphie plutôt que sur le périmètre de décisions sans intervention humaine. Dans l’entreprise, leur reflet est une fonction de data science qui produit des diapositives et des prototypes, mais refuse la responsabilité des réinjections. Le critère est, de nouveau, mécanique : exécution parallèle nocturne sur des extractions fidèles ; calcul sans état et réexécutable ; arrêt face à l’aberration ; promotion uniquement sur la base d’un gain mesuré ; réversibilité dès la conception. Tout ce qui reste en deçà raconte le flux ; il n’y contribue pas.

Ces trois représentations — alertes à la place des décisions, plans à la place des prix, éclairages analytiques à la place des décisions émises — persistent parce qu’elles sont confortables et permettent de récuser la responsabilité. Elles prennent fin dès que la direction exige des décisions sans intervention humaine chiffrées en unités monétaires plutôt que des licences utilisateurs et des cérémonies. Alors seulement le programme constructif qui suit dispose d’une place pour fonctionner.

11.7.2 Vers une meilleure voie

La meilleure voie est prosaïque dans sa routine, radicale dans ses conséquences. Elle traite l’incertitude de demain comme une matière première valorisée et transforme la clôture quotidienne en un examen rigoureux des comptes. À partir d’enregistrements faisant autorité, une recette numérique compacte recalcule les actions admissibles de l’entreprise, porte des représentations probabilistes du futur, associe des gains et des pénalités en unités monétaires et, soit réinjecte des engagements sans intervention humaine, soit s’arrête lorsque la confiance baisse. Rien d’autre ne mérite le nom de progrès. Tout ce qui compte — options, queues de distribution, couplages, effets de cliquet — est exprimé dans du code qui peut être audité, réexécuté et révisé sans cérémonie.

Une fois cette discipline en place, la journée prend une autre texture. Les aberrations disparaissent d’abord : la saturation des quais n’est plus une surprise effacée par les moyennes des tableaux de bord hebdomadaires ; les « quantités minimales de commande comme édits » se dissolvent en arbitrages chiffrés ; une valeur d’option explicite permet à « ne rien faire pour l’instant » de rivaliser équitablement avec « s’engager maintenant ». La confiance s’accumule non dans les réunions, mais au travers de dossiers mis en transparence qui expliquent, ligne par ligne, en unités monétaires, pourquoi une commande a été passée, un transfert retenu ou un prix légèrement ajusté. Lorsque la réalité réfute une hypothèse, le moteur s’arrête ; la prémisse est corrigée ; l’exécution est rejouée ; le flux reprend. L’erreur devient peu coûteuse et réversible ; la justesse passe à l’échelle.

Deux brèves illustrations montrent cela en pratique. Une marque de mode saisonnière commence par des paris généreux, mais remplace les plans de flux poussés par une politique de décision : les assortiments sont évalués comme des options ; le taux d’écoulement initial met à jour une représentation probabiliste au niveau du panier ; les démarques deviennent une fonction réifiée plutôt qu’un remords après coup. Le moteur met en balance le préjudice des ruptures et l’obsolescence sur un même registre, laisse l’engagement tardif l’emporter lorsque la demi-vie est longue et écrit chaque nuit, sans intervention humaine, les allocations et les modifications de prix. Les effets visibles ne sont pas théâtraux : moins de transferts en milieu de saison, des liquidations à prix cassés de moindre ampleur en fin de saison et une marge brute plus stable. Sous la surface, les gains viennent de l’admission des queues de distribution, de leur valorisation et du fait de laisser le report l’emporter lorsqu’il le doit.

Dans la maintenance aéronautique civile — MRO —, un pool de pièces réparables est géré comme un portefeuille d’options. Les déposes non programmées sont modélisées comme des arrivées à queues épaisses ; l’exposition aux avions immobilisés au sol — AOG — porte un prix fictif ; cannibalisation, location, réparation et achat sont des actions admissibles classées selon leur rendement espéré ajusté du risque. Bien des nuits, l’action la plus rentable est d’attendre ; d’autres nuits, le moteur prépositionne les stocks en fonction d’un prix fictif croissant du risque, non d’un calendrier. Ce qui était une chaîne de courriels devient des ordres d’expédition et d’achat émis sans intervention humaine. Chacun porte un dossier qui expose, en unités monétaires, pourquoi une pièce a été acheminée par avion vers cette immatriculation, pourquoi une autre est restée en rayon et pourquoi une location a battu une réparation compte tenu de la dispersion des délais de remise en état. Moins de crises sont « résolues » par des exploits héroïques, parce que moins de crises sont fabriquées par les édits antérieurs.

Les conséquences institutionnelles suivent naturellement. Les rôles passent de l’arbitrage à la conception : les planificateurs deviennent les garants des cadres et des prix ; la finance est responsable des coûts du capital et des valorisations que la recette doit respecter ; les achats publient les remises, les quantités minimales de commande et les fiabilités sous forme de barèmes plutôt que de veto ; les opérations énoncent les capacités et les heures limites comme des contraintes auditables. Les éditeurs et les conseillers sont rémunérés pour le périmètre sans intervention humaine et le gain mesuré, non pour les licences utilisateurs, les écrans ou les cérémonies. Les budgets se déplacent vers le seul actif dont les gains se cumulent en ce siècle : une petite base de code qui consigne l’économie de l’entreprise et s’améliore sous l’effet de l’optimisation expérimentale.

Rien de cela ne demande de révélation. Les instruments permettant des décisions sans intervention humaine ont déjà été exposés. Exigez un changement de posture : acceptez que chaque engagement soit un pari dont la qualité peut être énoncée en unités monétaires ex ante et auditée ex post, et organisez le travail pour que le logiciel prenne ces paris à la cadence que la réalité permet.

Le livre s’est ouvert en insistant sur le fait que la supply chain est une intention, non une chose, et se clôt en rendant cette intention exécutable. Lorsqu’une entreprise peut expliquer chaque engagement nocturne en unités monétaires et s’arrêter lorsqu’elle ne le peut pas, elle a franchi la ligne qui sépare le théâtre de la maîtrise. Le reste est une lente accumulation de connaissances — voir un peu plus loin chaque soir et prévoir assez pour mériter le rendement de demain.

12 Notes techniques

12.1 Taux de rendement apériodique

Cette annexe formalise le taux de rendement apériodique évoqué au chapitre Économie. L’objectif est pratique : chaque option, c’est-à-dire une microdécision engageant des ressources rares, doit être classée selon la vitesse à laquelle son capital immobilisé est remboursé et commence à produire des rendements composés. Comme les flux de trésorerie de la supply chain coïncident rarement avec des périodes calendaires, l’option détermine elle-même l’horizon le plus instructif.

Nous considérons une grille de temps discrète \(t=0,1,\dots,T_{\texttt{max}}\) (jours, semaines ou mois). Soient

\[ s(t)\in\mathbb{R}^+ \quad\text{et}\quad r(t)\in\mathbb{R}^+ \]

les dépenses et les recettes, respectivement, associées à l’option à l’instant \(t\), exprimées en valeur actuelle. (Si l’on souhaite actualiser les montants futurs, il faut d’abord les convertir en valeur actuelle ; voir la section suivante.)

Définissons le capital total requis par l’option, évalué à \(t=0\), et les recettes cumulées jusqu’à une date limite quelconque \(T\) :

\[ S \;\triangleq\; \sum_{t=0}^{T_{\texttt{max}}} s(t), \qquad R(T) \;\triangleq\; \sum_{t=0}^{T} r(t). \]

Le taux de rendement apériodique est alors

\[ \mathtt{RoR}_{\texttt{aper}} \;=\; \max_{0<T\le T_{\texttt{max}}} \frac{1}{T}\Bigl(\frac{R(T)}{S}-1\Bigr). \]

Interprétation. Faisons glisser un curseur le long de la chronologie des flux de trésorerie de l’option. À chaque date \(T\), calculons le rendement par unité de temps qui aurait été réalisé si la position avait été clôturée à cette date : les encaissements cumulés \(R(T)\), divisés par le capital total \(S\) exigé par l’option, moins un, le tout multiplié par \(1/T\). L’indicateur retient la valeur maximale ; le \(T^\star\) correspondant est l’horizon implicite de l’option. Deux options aux calendriers très différents deviennent comparables, car chacune est évaluée au moment où son remboursement est le plus favorable.

Unités. Si \(t\) est mesuré en jours, \(\mathtt{RoR}_{\texttt{aper}}\) est un taux quotidien. L’annualisation, lorsqu’elle est souhaitée, suit la capitalisation composée sur la grille retenue, par exemple \((1+\rho)^{365}-1\) pour un taux quotidien \(\rho\). Pour de petits \(\rho\), multiplier par le nombre de périodes constitue une approximation grossière ; lorsque les taux sont élevés, la capitalisation composée est plus sûre.

Exemple chiffré. Un achat effectué aujourd’hui pour 100 unités monétaires (\(S=100\)) donne lieu à deux encaissements lors des ventes : 60 unités monétaires au jour 15 et 60 unités monétaires au jour 30. Les vitesses de rendement quotidiennes sont

\[ \rho(15)=\frac{1}{15}\Bigl(\frac{60}{100}-1\Bigr)=-0.026\bar{6},\quad \rho(30)=\frac{1}{30}\Bigl(\frac{120}{100}-1\Bigr)=0.006\bar{6}. \]

Le maximum est atteint à \(T^\star=30\) jours, avec \(\rho^\star\approx 0.006\bar{6}\) par jour ; capitalisé sur un an, ce taux donne environ \((1+0.006\bar{6})^{365}-1\approx 10.3\), soit environ \(1{,}030\%\) par an. De tels ordres de grandeur sont courants à l’échelle de l’article, car ils reflètent une rotation rapide des stocks plutôt que les rendements de l’ensemble d’un portefeuille.

Deux réserves. Premièrement, un biais positif : l’indicateur suppose que le capital libéré à \(T^\star\) peut être immédiatement réinvesti dans une occasion tout aussi intéressante. En pratique, il peut s’écouler un certain temps avant qu’une telle occasion se présente. Deuxièmement, un biais négatif : les recettes postérieures à \(T^\star\) sont ignorées pour mesurer la vitesse. En réalité, sauf si les biens sont mis au rebut, les encaissements ultérieurs se concrétiseront et augmenteront le bénéfice final. Ces deux effets sont acceptables, et même utiles, puisque l’objectif n’est pas ici d’établir le résultat définitif de l’option, mais d’affecter en priorité le capital rare aux usages qui le font fructifier le plus vite.

12.2 Flux de trésorerie actualisés

Actualiser les flux de trésorerie revient simplement à reformuler la discussion précédente sur la préférence temporelle en unités monétaires et sur une grille de temps discrète. Une unité monétaire reçue plus tard vaut moins aujourd’hui, car elle ne peut entre-temps être utilisée, mise en réserve ou réinvestie. L’actualisation des flux de trésorerie (DCF) convertit chaque montant futur en « unités monétaires d’aujourd’hui » ; une fois cette conversion effectuée, le taux de rendement apériodique de la section précédente peut être appliqué sans autre modification.

Fixons une grille de temps \(t=0,1,\dots,T_{\texttt{max}}\) (jours, semaines ou mois). Notons \(k\) le coût du capital de l’entreprise par pas de cette grille ; si le coût du financement varie dans le temps (paliers d’une ligne de crédit, tensions temporaires), notons-le \(k_t\). Le facteur d’actualisation qui ramène un montant de la date \(t\) à \(t=0\) est

\[ D(t)\;=\;\prod_{\tau=1}^{t}\frac{1}{1+k_\tau} \qquad\text{(pour $k$ constant, $D(t)=(1+k)^{-t}$).} \]

Soient \(r^{*}(t)\) et \(s^{*}(t)\) les recettes et les dépenses non actualisées à l’instant \(t\) (les montants immédiats étant enregistrés à \(t=0\)). Leurs équivalents en valeur actuelle sont

\[ r(t)\;=\;D(t)\,r^{*}(t), \qquad s(t)\;=\;D(t)\,s^{*}(t). \]

Le flux de trésorerie actualisé de l’option entière, c’est-à-dire de la séquence qu’elle implique, est alors

\[ \mathtt{DCF} \;=\; \sum_{t=0}^{T_{\texttt{max}}} \bigl(r(t)-s(t)\bigr) \;=\; \sum_{t=0}^{T_{\texttt{max}}} D(t)\,\bigl(r^{*}(t)-s^{*}(t)\bigr). \]

Cette somme est une valorisation absolue en unités monétaires d’aujourd’hui (positive, elle crée de la richesse ; négative, elle détruit de la valeur).

Lien avec le taux de rendement apériodique. Dans la section précédente, \(r(t)\) et \(s(t)\) étaient explicitement définis comme des flux exprimés en valeur actuelle. Pour classer les options par vitesse, il faut donc d’abord les actualiser comme ci-dessus, puis introduire les séries en valeur actuelle dans la formule du taux apériodique, sans la modifier. Formellement, conservons \(S=\sum_{t=0}^{T_{\texttt{max}}} s(t)\) et \(R(T)=\sum_{t=0}^{T} r(t)\), et calculons

\[ \mathtt{RoR}_{\texttt{aper}} \;=\; \max_{0<T\le T_{\texttt{max}}}\; \frac{1}{T}\Bigl(\frac{R(T)}{S}-1\Bigr). \]

L’actualisation traduit la préférence temporelle ; le taux apériodique indique ensuite à quelle vitesse la dépense en valeur actuelle est remboursée et commence à produire des rendements composés.

Choix de \(k\). Utilisons le coût marginal de la liquidité de l’entreprise sur la grille de calcul retenue. Si l’on travaille avec un taux annuel \(K\) sur une grille quotidienne, on le convertit en taux par jour par \(k=(1+K)^{1/365}-1\) (mutatis mutandis pour les semaines ou les mois). Lorsque la liquidité est définie par morceaux ou varie dans le temps, on la représente par une trajectoire \(\{k_t\}\) ; la définition de \(D(t)\) le permet déjà. En finance, il est courant de « majorer » \(k\) pour tenir compte de l’incertitude ; en supply chain, nous évitons ce double comptage : l’incertitude est traitée explicitement par l’approche probabiliste des rendements présentée plus loin dans cette annexe.

Micro-exemple chiffré (grille quotidienne). Dépensons 100 unités monétaires à \(t=0\) ; encaissons 60 unités monétaires au jour 15 et 60 unités monétaires au jour 30. Avec un coût annuel du capital de 10 %, le taux quotidien est \(k\approx(1.10)^{1/365}-1\). Les facteurs d’actualisation sont \(D(15)\approx (1.10)^{-15/365}\) et \(D(30)\approx (1.10)^{-30/365}\). Le DCF est

\[ -100 \;+\; 60\,D(15) \;+\; 60\,D(30) \;\approx\; 12.6\ \text{unités monétaires.} \]

Introduire les séries en valeur actuelle dans l’indicateur apériodique donne \(S=100\) et \(R(30)\approx 60\,D(15)+60\,D(30)\approx 112.6\), d’où

\[ \mathtt{RoR}_{\texttt{aper}}\;\approx\;\frac{1}{30}\Bigl(\frac{112.6}{100}-1\Bigr)\;\approx\;0.0042\ \text{par jour}, \]

ce qui, par capitalisation composée, donne environ \((1+0.0042)^{365}-1\approx 2.6\) (soit environ \(260\%\) par an). Ce n’est pas le chiffre précis qui importe, mais la méthode. Actualiser d’abord pour tout exprimer en unités monétaires d’aujourd’hui ; comparer ensuite les options selon la vitesse à laquelle ces encaissements en valeur actuelle remboursent la dépense en valeur actuelle.

Remarques pratiques. Les unités doivent correspondre : \(t\) est mesuré selon le même pas que \(k\). Si les paiements sont échelonnés (par exemple, un acompte à \(t=0\) et le solde à l’expédition), il faut traiter chacun comme un \(s^{*}(t)\) distinct. Si les taux d’intérêt comptent, la rotation des stocks domine généralement en supply chain ; l’actualisation sert ici à rendre comparables des options aux calendriers différents, afin que le taux apériodique puisse les classer sans ambiguïté.

12.3 Entropie informationnelle

Cette annexe condense les quelques éléments de la théorie de Shannon utilisés au chapitre Information, sous une forme directement applicable aux exemples de stocks. Nous nous en tenons aux variables discrètes et aux logarithmes en base 2, de sorte que les unités sont des bits (changer la base du logarithme ne fait que changer l’échelle de l’unité).

Considérons une variable aléatoire discrète \(X\) qui prend les états \(x\) avec les probabilités \(p(x)\). L’information révélée lorsque nous apprenons que l’état est \(x\) — l’information propre — est

\[ \operatorname{I}(x)\;=\;-\log_{2} p(x)\quad\text{bits}. \]

Une issue certaine (\(p=1\)) apporte \(0\) bit ; les issues plus rares apportent davantage de bits.

L’entropie de \(X\) est la moyenne de l’information propre :

\[ \mathrm{H}(X)\;=\;\mathbb{E}[\operatorname{I}(X)]\;=\;-\sum_{x} p(x)\,\log_{2} p(x)\quad\text{bits}. \]

L’entropie dépend uniquement des probabilités, et non de la manière dont nous nommons ou stockons les états. On peut l’interpréter comme le nombre moyen de questions oui/non équiprobables nécessaires pour identifier l’état. Deux corollaires immédiats suffisent à notre propos :

• Si \(X\) possède \(n\) états équiprobables, alors \(\mathrm{H}(X)=\log_{2} n\).

• Si \(X_1,\dots,X_k\) sont indépendantes, l’incertitude conjointe s’additionne :

  \[ \mathrm{H}(X_1,\dots,X_k)\;=\;\sum_{j=1}^{k}\mathrm{H}(X_j). \]

(Lorsque les variables sont corrélées, l’entropie conjointe est inférieure à cette somme ; nous supposerons ici l’indépendance pour simplifier l’illustration.)

Nous modéliserons le niveau de stock de chaque produit comme une variable discrète et, dans un premier temps, traiterons les différents produits comme indépendants. Cela nous permet de calculer l’entropie d’un magasin comme « 100 fois » la valeur par produit. La sous-section suivante applique ces formules à deux magasins contrastés — une boutique de montres de luxe et un dépôt en périphérie — et quantifie ce contraste. Pour une introduction concise et accessible à la théorie plus générale, voir James V. Stone, Information Theory: A Tutorial Introduction (2019).

Entropie de deux magasins

Précisons maintenant le contraste utilisé dans le chapitre d’origine. Modélisons la quantité en stock de chaque SKU comme une variable aléatoire discrète et, dans un premier temps, considérons les SKU comme indépendants.¹⁶⁷ L’entropie du magasin est alors la somme des entropies par SKU.

Boutique de montres de luxe. Chaque SKU compte au plus une unité en stock, avec une probabilité de 95 % d’être disponible et de 5 % d’être en rupture. Un SKU est donc binaire, avec

\[ p(1)=0.95,\qquad p(0)=0.05. \]

En utilisant l’entropie binaire,

\[ \mathrm{H}_{\text{watch}}^{(1)} \;=\; -\,0.95\,\log_{2}(0.95)\;-\;0.05\,\log_{2}(0.05)\;\approx\;0.2864\ \text{bits}. \]

Pour 100 SKU indépendants,

\[ \mathrm{H}_{\text{watch}} \;=\; 100\,\mathrm{H}_{\text{watch}}^{(1)} \;\approx\; 28.64\ \text{bits}. \]

Dépôt en périphérie. Pour chaque SKU, supposons que la quantité en stock puisse être n’importe quel entier de 0 à 9 999, avec la même probabilité. Une loi uniforme sur \(n\) états a pour entropie \(\log_{2} n\), d’où, par SKU,

\[ \mathrm{H}_{\text{depot}}^{(1)} \;=\; \log_{2}(10{,}000)\;\approx\; 13.2877\ \text{bits}, \]

et pour 100 SKU,

\[ \mathrm{H}_{\text{depot}} \;=\; 100\,\mathrm{H}_{\text{depot}}^{(1)} \;\approx\; 1328.77\ \text{bits}. \]

Numériquement, le dépôt contient environ \(\mathrm{H}_{\text{depot}}/\mathrm{H}_{\text{watch}} \approx 46.4\) fois plus d’information sur les stocks que la boutique de montres.

Dans le langage du jeu des « vingt questions », spécifier entièrement l’état du stock des 100 SKU de la boutique de montres demande en moyenne environ 29 réponses oui/non ; le dépôt en demande environ 1 329. L’hypothèse uniforme surestime légèrement l’entropie par rapport à des distributions de stocks réalistes présentant un pic, mais l’écart reste du même ordre. Ce calcul étaye l’affirmation du chapitre selon laquelle deux assortiments de taille identique (100 SKU) peuvent avoir un poids informationnel radicalement différent — l’un mesuré en quelques dizaines de bits, l’autre en kilobits —, d’où la nécessité de logiciels dès que les flux dépassent les cas les plus simples.

12.4 Tri topologique

Un tri topologique ordonne un ensemble d’éléments de sorte que chaque prérequis apparaisse avant l’élément qui en dépend. L’entrée est un graphe orienté dont les nœuds sont les éléments (tâches, tables, composants) et dont les flèches signifient « doit précéder ». Si le graphe ne comporte aucun cycle orienté, un tel ordre existe ; s’il comporte un cycle, aucun ordre ne peut respecter tous les prérequis.

La pratique de la supply chain regorge de telles structures de précédence. Une nomenclature exige les sous-ensembles avant l’assemblage ; une recette numérique quotidienne doit ingérer les enregistrements avant d’en dériver des caractéristiques, prévoir avant de valoriser les options, et valoriser les options avant d’émettre des commandes d’achat ou des transferts. Dans un système d’intelligence, cette structure est explicitée sous la forme d’un graphe orienté acyclique (DAG) et exécutée dans cet ordre à chaque passage.

Intuition. Commençons par tous les éléments qui n’ont aucun prérequis ; plaçons-les dans une liste de travail \(S\). Choisissons successivement un élément \(n\) dans \(S\), ajoutons-le à la sortie et relâchons ses flèches sortantes : chaque successeur \(m\) a un prérequis de moins ; lorsque ce nombre atteint zéro, \(m\) rejoint \(S\). Si, à la fin, certains éléments ne sont jamais sortis, ils dépendent mutuellement les uns des autres : c’est un cycle.

Exemple d’application à la supply chain. Considérons une toute petite nomenclature : Vis et Panneau n’ont aucun prérequis ; Cadre exige Panneau ; Assemblage exige Vis et Cadre. Un ordre valide est :

\[ \text{Vis},\ \text{Panneau},\ \text{Cadre},\ \text{Assemblage}. \]

Lors de l’exécution de l’algorithme, \(S\) contient initialement Vis et Panneau ; une fois Panneau sorti, le degré entrant de Cadre tombe à zéro et celui-ci rejoint \(S\) ; une fois Vis et Cadre sortis, Assemblage peut être produit. L’ordre exact entre éléments simultanément admissibles n’affecte pas la correction du résultat, mais compte pour sa reproductibilité.

Correction et complexité. Chaque arête \((u\!\to\!v)\) est respectée, car \(v\) ne peut sortir qu’une fois son dernier prérequis supprimé, ce qui ne se produit qu’après la sortie de \(u\). Inversement, si un élément sort, il n’avait à cet instant aucun prérequis non satisfait. Avec des listes d’adjacence et un seul parcours des arêtes, la méthode s’exécute en temps linéaire \(O(|V|+|E|)\) et utilise un espace linéaire. Dans les systèmes de production, rendons les sorties déterministes en prélevant les éléments de \(S\) selon un ordre de clés fixe (par exemple, \((\texttt{site},\texttt{sku},\texttt{step})\)) ; les mêmes entrées reproduisent alors bit pour bit le même ordre, ce qui facilite l’audit et les réexécutions par retour dans le temps.

Usage opérationnel dans un système d’intelligence. La recette numérique quotidienne est un DAG : ingérer les extractions brutes, normaliser, dériver des caractéristiques, ajuster ou actualiser les modèles probabilistes, calculer les valorisations en unités monétaires, puis émettre des réinjections idempotentes (commandes d’achat, transferts, prix). L’environnement d’exécution effectue un tri topologique de ce graphe de calcul et exécute les nœuds en conséquence. Un cycle détecté n’est pas un cas particulier à « contourner » ; c’est une violation de la sémantique qui doit arrêter le moteur (comme expliqué au chapitre Intelligence) et faire apparaître un petit cycle témoin pour corriger la logique ou le contrat de données. Produire un tel témoin est simple : après l’arrêt de l’algorithme avec \(|L|<|V|\), suivre les liens de prédécesseurs dans le sous-graphe résiduel jusqu’à ce qu’un nœud se répète ; la boucle ainsi révélée est l’explication minimale dont l’opérateur a besoin.

12.5 Perceptron à quatre couches

Un perceptron multicouche (MLP) à quatre couches est le plus petit exemple utile de ce que la section « deep learning » décrivait en mots : un circuit fixe constitué d’applications linéaires séparées par de simples portes non linéaires. Il permet de démystifier le mécanisme, car chaque étape se ramène à de l’algèbre linéaire ordinaire.

Reprenons la tâche élémentaire de reconnaissance des chiffres manuscrits (MNIST) utilisée plus haut ; voir la figure \ref{fig:perceptron} au chapitre Intelligence. Chaque image en niveaux de gris est un tableau de \(28\times 28\) valeurs ramenées dans \([0,1]\) et aplati en un vecteur \(\mathbf{x}\in\mathbb{R}^{784}\). Le réseau calcule des scores pour les dix chiffres \(0,\dots,9\), puis transforme ces scores en probabilités. Le chiffre prédit est celui dont la probabilité est la plus élevée.

Propagation avant (inférence)

Le réseau empile trois transformations affines séparées par des redresseurs. En utilisant des vecteurs-colonnes et en appliquant les non-linéarités élément par élément, le calcul est :

\[ \begin{aligned} \mathbf{z}_1 &= \mathbf{W}_1\,\mathbf{x} + \mathbf{b}_1, & \quad \mathbf{a}_1 &= R(\mathbf{z}_1),\\ \mathbf{z}_2 &= \mathbf{W}_2\,\mathbf{a}_1 + \mathbf{b}_2, & \quad \mathbf{a}_2 &= R(\mathbf{z}_2),\\ \mathbf{y} &= \mathbf{W}_3\,\mathbf{a}_2 + \mathbf{b}_3. && \end{aligned} \]

Ici, \(\mathbf{W}_1\!\in\!\mathbb{R}^{256\times 784}\), \(\mathbf{W}_2\!\in\!\mathbb{R}^{128\times 256}\) et \(\mathbf{W}_3\!\in\!\mathbb{R}^{10\times 128}\) sont des matrices de poids ; \(\mathbf{b}_1\!\in\!\mathbb{R}^{256}\), \(\mathbf{b}_2\!\in\!\mathbb{R}^{128}\) et \(\mathbf{b}_3\!\in\!\mathbb{R}^{10}\) sont des vecteurs de biais. La non-linéarité est le redresseur

\[ R(u)\;=\;\max(0,u), \]

appliqué coordonnée par coordonnée. Les redresseurs ne suffisent pas seulement en matière d’expressivité ; leur calcul sur silicium est aussi peu coûteux, ce qui explique qu’ils aient supplanté les anciennes portes de forme sigmoïde.

La sortie \(\mathbf{y}\in\mathbb{R}^{10}\) rassemble un score par chiffre. Pour obtenir les probabilités des classes, nous appliquons la fonction soft-max :

\[ p_k \;=\; \frac{e^{y_k}}{\sum_{j=0}^{9} e^{y_j}} \quad\text{pour}\quad k=0,\dots,9. \]

Le classifieur renvoie \(\arg\max_k p_k\) ; le vecteur complet des probabilités \(\mathbf{p}\) est utile pendant l’apprentissage, car il quantifie l’incertitude et permet d’utiliser une fonction de perte lisse.

Apprentissage par descente de gradient stochastique

L’apprentissage choisit tous les poids et biais afin que le réseau attribue une probabilité élevée au chiffre correct sur des images qu’il n’a pas vues. Notons \((\mathbf{x}^{(i)},\,t^{(i)})\) le \(i\)^e exemple étiqueté, avec \(t^{(i)}\in\{0,\dots,9\}\) la classe réelle. La fonction de perte usuelle pour un mini-lot \(B\) est l’entropie croisée moyenne

\[ \mathcal{L}_B \;=\; -\,\frac{1}{|B|}\sum_{i\in B}\log p_{\,t^{(i)}}(\mathbf{x}^{(i)}), \]

éventuellement augmentée d’une petite pénalité quadratique sur les poids (décroissance des poids) pour limiter le surapprentissage. Les frameworks modernes calculent le gradient de \(\mathcal{L}_B\) par rapport à chaque paramètre par différentiation automatique. Une étape de descente de gradient stochastique (SGD) déplace alors légèrement les paramètres dans la direction qui réduit la perte :

\[ \theta \leftarrow \theta \;-\; \eta\,\nabla_{\theta}\,\mathcal{L}_B, \]

où \(\theta\) désigne l’ensemble des \(\mathbf{W}_\ell,\mathbf{b}_\ell\) et \(\eta>0\) est le taux d’apprentissage. Répéter cette boucle simple — échantillonner un mini-lot, effectuer la propagation avant, évaluer la perte, appliquer la mise à jour par gradient — réduit progressivement la perte sur les images tenues à l’écart de l’apprentissage, jusqu’à ce que les améliorations s’essoufflent. Des variantes (inertie, taux d’apprentissage adaptatifs) affinent la même idée ; aucune ne change le principe fondamental.

Deux choix pratiques comptent pour la stabilité et la vitesse, sans compliquer l’explication. Premièrement, initialiser les poids de sorte que les activations n’explosent ni ne disparaissent au cours de leur propagation : avec des redresseurs, une gaussienne de moyenne nulle mise à l’échelle selon \(\,\mathcal{N}(0,\;2/n_{\text{in}})\) convient bien, \(n_{\text{in}}\) étant le nombre d’entrées de la couche. Deuxièmement, traiter les exemples en petits groupes contigus (« mini-lots ») pour exploiter le parallélisme matériel ; l’inférence et l’apprentissage se réduisent alors à une poignée de produits de matrices denses (GEMM), complétés par des redresseurs peu coûteux.

Tailles, coûts et nature réelle du calcul

En ne comptant que les poids, le MLP \(784\!\to\!256\!\to\!128\!\to\!10\) comporte

\[ 784\times256 \;+\; 256\times128 \;+\; 128\times10 \;=\; 234\,752 \]

nombres ajustables par apprentissage ; les trois vecteurs de biais y ajoutent \(256+128+10\) nombres, un supplément négligeable. Une propagation avant, c’est « trois produits matriciels et deux redresseurs ». Cette vision mécanique — de l’algèbre linéaire ponctuée par une porte simple — est le bon modèle mental. Il n’y a aucune magie cachée ; le réseau est un circuit programmable dont les paramètres sont ajustés par descente de gradient.

12.6 Optimisation mathématique

Cette annexe complète la discussion Le paradigme de l’optimisation du chapitre Décisions. Son objectif est pratique : reformuler le vocabulaire de cette section — engagements marginaux, tests de faisabilité, pénalités chiffrées, prévisions probabilistes et objectifs économiques — sous une forme mathématique minimale permettant une résolution répétée sans intervention humaine.

Des décisions au modèle

Une décision est un ensemble fini d’engagements marginaux. Notons \(\mathcal{A}=\{a_1,\dots,a_n\}\) les microactions admissibles pour le cycle présent (acheter une unité de plus, allouer une unité de plus au magasin \(s\), programmer un arrêt de plus, etc.). La sélection d’une action est enregistrée par \(x_i\in\{0,1\}\) ; le vecteur \(x\in\{0,1\}^n\) encode l’engagement complet. Le cadre explicite \(\mathcal{A}\) et associe à chaque \(a_i\) les données nécessaires pour tester sa faisabilité et valoriser ses conséquences.

La faisabilité s’exprime par des tests qu’un candidat \(x\) doit réussir. Certaines limites sont absolues — interdictions légales, impossibilités physiques — et prennent la forme de tests stricts qui rejettent purement et simplement \(x\). La plupart des limites opérationnelles peuvent être assouplies moyennant un coût ; plutôt que d’interdire ces dépassements, nous les chiffrons. Soit \(g_k(x,\omega)\) une quantité mesurable que l’entreprise souhaite limiter (charge des quais sur une journée, minutes de dépassement d’un créneau, heures supplémentaires), calculée pour une réalisation \(\omega\) de l’avenir incertain. Une pénalité chiffrée \(C_k(g_k)\), exprimée en unités monétaires, intègre cette préférence à l’objectif. Ne conserver sous forme de tests que les limites véritablement strictes préserve la souplesse et l’honnêteté du moteur ; les pénalités chiffrées rendent comparables des désagréments de natures différentes dans un même registre.

L’objectif est exprimé en monnaie. Dans la fenêtre de responsabilité attachée à la classe de décisions considérée, chaque microaction \(a_i\) engendre des flux monétaires entrants (marges, remises, valeur de récupération) et sortants (approvisionnement, manutention, détention des stocks, obsolescence, congestion, pénalités de retard). Dans une représentation probabiliste des futurs \(\Omega\), le moteur évalue l’espérance de valeur de \(x\),

\[ J(x)\;=\;\mathbb{E}_\Omega\Bigg[\;\sum_{i=1}^{n} x_i\,v_i(\Omega)\;-\;\sum_{k} C_k\bigl(g_k(x,\Omega)\bigr)\;\Bigg], \]

où \(v_i(\Omega)\) est la contribution monétaire nette de \(a_i\) sur la fenêtre, une fois tous les coûts ordinaires imputés. Les ajustements au risque — par exemple, une valorisation plus lourde des pertes en queue de distribution — résident dans les termes \(C_k\) plutôt que dans des pourcentages abstraits. Pour classer de petites alternatives qui immobilisent du capital pendant des durées différentes, le chapitre Économie recommande de comparer les taux de rendement apériodiques ; en pratique, cela signifie calculer à la fois l’espérance du gain monétaire différentiel et le capital immobilisé, puis indiquer la vitesse à l’aide de l’indicateur défini plus haut dans cette annexe. Le solveur peut maximiser \(J\) et, pour les engagements marginaux émis, indiquer les vitesses apériodiques associées.

L’incertitude est portée par les entrées, et non dissimulée dans l’objectif. L’élément aléatoire \(\Omega\) rassemble les distributions que l’entreprise maintient pour la demande, les délais, les fiabilités, les retours et tout facteur exogène chiffré. L’objectif \(J\) est déterministe étant donné ces distributions. Cette séparation garde lisibles les causes et les responsabilités lorsque les résultats déçoivent : soit le cadre a omis des options, soit les prix étaient mal choisis, soit les prévisions étaient mal calibrées.

Pénalités et bornes probabilistes

Deux formalismes encodent l’exigence « garder ceci sous contrôle ». Une contrainte probabiliste exige \(\mathbb{P}\bigl(g_k(x,\Omega)\leqslant \tau_k\bigr)\geqslant 1-\alpha_k\) pour un seuil \(\tau_k\) et une tolérance \(\alpha_k\) donnés. Une contrainte chiffrée attribue un coût monétaire \(C_k(g_k)\) à toutes les valeurs de \(g_k\). La première dissimule l’économie dans un \(\alpha_k\) sans dimension, qui doit être réglé ailleurs ; la seconde exprime directement les arbitrages en monnaie et s’agrège naturellement aux autres termes. Dans les opérations de supply chain — où la plupart des limites peuvent être dépassées moyennant un coût —, la forme chiffrée assure l’essentiel du travail ; mieux vaut réserver les bornes purement probabilistes aux garde-fous de rares domaines où la sécurité est critique.

Un choix commode est une pénalité convexe et croissante, souvent linéaire par morceaux, qui approxime la courbe des désagréments de l’entreprise. Pour une charge des quais \(q\) dépassant une capacité souple \(K\), avec une forte dégradation au-delà de \(K+\Delta\), on écrit \(C(q)=c_1\,(q-K)_+ + c_2\,(q-K-\Delta)_+\) avec \(c_2\gg c_1\). Les chiffres exacts relèvent de l’économie ; une fois qu’ils sont explicités, le solveur trouve les compromis les moins mauvais entre des frictions hétérogènes.

Micro-modèle détaillé : remplir un conteneur

Un importateur doit passer une commande par conteneur complet. Chaque unité candidate \(a_i\) possède un volume \(w_i\) et un montant monétaire net attendu \(m_i(\Omega)\), borné à la fenêtre, qui inclut déjà les effets de l’approvisionnement, de la manutention, de la détention des stocks, de l’obsolescence, de la récupération et des ruptures. La capacité du conteneur est \(W\), dans la même unité que \(w_i\). La dépasser est possible, mais pénalisant au taux \(\lambda\) par unité excédentaire.

Un objectif fidèle est

\[ \max_{x\in\{0,1\}^n}\;\mathbb{E}_\Omega\biggl[\sum_i x_i\,m_i(\Omega)\;-\;\lambda\Bigl(\sum_i x_i\,w_i - W\Bigr)_+\biggr], \]

sous réserve de tests stricts, tels que les incompatibilités légales ou les chargements conjoints interdits. Il s’agit d’un problème de sac à dos pénalisé sous incertitude. Une résolution simple et efficace suit l’approche marginale du chapitre : à chaque étape, calculer un prix fictif de la capacité, choisir l’unité admissible dont le rapport marginal attendu \(\frac{m_i}{w_i}\) est le plus élevé au-dessus de ce prix fictif, recalculer les prix fictifs, et s’arrêter lorsque l’unité suivante ne franchit plus le seuil de l’économie de l’attente (rendement apériodique attendu, ajusté au risque, inférieur au capital augmenté de la valeur d’option du report). Puisque la valorisation dépend de l’ensemble contenu dans le conteneur, et non du cérémonial de sa sélection, cette accumulation gloutonne vise ce qui compte économiquement ; la fenêtre et les valorisations terminales assurent une attribution nette.

Micro-modèle détaillé : lisser les réceptions

Un entrepôt fait face à des décalages aléatoires des fournisseurs et dispose d’un nombre fini de portes de réception. Soit \(d_t(x,\Omega)\) le nombre d’arrivées au jour \(t\) qu’implique \(x\) sous \(\Omega\). Les heures supplémentaires, l’attente des chauffeurs, les surestaries et les perturbations sont prises en compte par une pénalité convexe \(C_{\text{dock}}(d_t)\). Un objectif quotidien, exprimé en unités monétaires sur l’horizon \(T\), est

\[ \max_{x}\;\mathbb{E}_\Omega\Bigg[\sum_i x_i\,m_i(\Omega)\;-\;\sum_{t=1}^{T} C_{\text{dock}}\bigl(d_t(x,\Omega)\bigr)\Bigg], \]

là encore, seules les limites véritablement strictes étant imposées sous forme de tests. L’optimiseur avance ou reporte les commandes jusqu’à ce que le rendement attendu du prochain lot admissible dépasse le coût fictif du capital augmenté de la valeur d’option de l’attente, tandis que la convexité de \(C_{\text{dock}}\) répartit la charge sans règles fragiles.