Après l’IA des contenus, l’IA qui fait tourner l’économie réelle

Entretien avec Raphaël Sanchez, président et CEO de Generix Group

Après une première phase dominée par les assistants génératifs, l’intelligence artificielle s’intègre désormais aux opérations des entreprises. Prévision de la demande, gestion des stocks, organisation des entrepôts, optimisation des transports, traitement des factures ou anticipation de la trésorerie : Raphaël Sanchez explique pourquoi la valeur de l’IA dépend moins de la puissance du modèle que de la qualité des données, de son intégration aux processus et de la capacité à en mesurer les résultats.

1. Après deux années dominées par l’IA générative et les gains de productivité individuelle, entrons-nous aujourd’hui dans une nouvelle phase, celle de l’IA appliquée aux opérations des entreprises ?

Oui. Les deux dernières années ont surtout été une phase d’acculturation. Elle était nécessaire : on ne décrète pas l’usage d’une technologie de rupture par une note de service. Il fallait d’abord permettre aux collaborateurs d’expérimenter, de comprendre les situations dans lesquelles l’IA les faisait gagner du temps, mais aussi celles dans lesquelles elle se trompait. C’est ainsi que l’on développe l’esprit critique indispensable face à un outil qui répond toujours avec assurance.

Ce qui change aujourd’hui n’est pas seulement la puissance disponible, mais la stabilité de l’écosystème. Les modèles se sont progressivement banalisés et les outils de pilotage et de mesure existent. Tant que le socle technologique évolue en permanence, on optimise des tâches isolées. Lorsqu’il se stabilise, on peut repenser des processus entiers. Or une addition d’optimisations locales ne constitue pas une transformation.

Le déplacement de valeur peut se résumer ainsi : nous passons du système de référence au système d’action. Pendant quarante ans, le logiciel d’entreprise a surtout enregistré ce qui s’était passé. Il commence maintenant à faire arriver ce qui doit se passer. L’IA répondait hier ; elle commence aujourd’hui à agir. Il ne faut toutefois pas prétendre qu’elle opère déjà seule : nous sommes au début de cette deuxième étape.

Chez Generix, nous sommes par construction du côté des opérations : nos applications critiques pilotent 2 000 entrepôts, 5 millions de transports par jour et plus de 4 milliards de commandes et de factures par an. Lorsque le logiciel s’arrête, les camions ne partent pas et les factures ne sont pas payées. C’est sur ce terrain très concret que l’IA doit désormais démontrer sa valeur.

2. Pourquoi les investissements réalisés dans l’intelligence artificielle doivent-ils désormais produire des résultats concrets et mesurables ?

Parce que leur coût est devenu réel et que trop de déploiements n’ont encore aucun effet mesurable sur le compte de résultat. Une étude du MIT portant sur plus de 300 projets conclut que 95 % des déploiements d’IA générative étudiés n’ont pas produit d’impact financier mesurable. La cause principale n’est pas la qualité des modèles, mais l’incapacité des organisations à les intégrer réellement à leurs processus.

Les résultats dépendent donc moins de l’outil que de la volonté de transformer le travail. Selon Bain, un outil utilisé seul peut apporter 10 à 15 % de productivité ; lorsqu’il s’accompagne d’une refonte du processus de bout en bout, le gain peut atteindre 25 à 30 %. Pour une même technologie, l’impact peut ainsi doubler. Il faut aussi décider à l’avance de ce que l’entreprise fera du temps libéré. Dans le cas contraire, ce gain se disperse et ne se retrouve jamais dans les comptes.

Nous avons nous-mêmes une centaine d’agents en circulation, mais moins de vingt présentent à ce stade un impact réel et mesuré. Je le dis sans détour : c’est précisément pour cela qu’il faut mesurer. Sans cette discipline, nous continuerions à financer les quatre-vingts autres. Après l’acculturation vient donc la mesure, puis seulement l’accélération des usages qui ont démontré leur valeur.

3. Où se trouvent aujourd’hui les gains les plus immédiats pour les entreprises qui souhaitent déployer l’IA dans leurs opérations ?

Ils se trouvent partout où trois conditions sont réunies : du volume, de la répétition et une donnée déjà suffisamment propre. Ce critère simple permet d’écarter de nombreux faux départs. Il conduit surtout à reconnaître que le principal chantier n’est pas toujours le modèle : c’est la donnée.

Le décalage entre expérimentation et déploiement l’illustre. Une enquête menée auprès de 300 professionnels de l’industrie indique que 98 % des entreprises explorent l’IA, mais que seulement 20 % se déclarent prêtes à la déployer. Ces 78 points d’écart ne sont pas d’abord un problème de technologie. Ils correspondent à des données qui ne sont pas connectées, à des intégrations qui restent à construire, à des équipes insuffisamment formées ou à un retour sur investissement qui n’a pas encore été validé sur un premier périmètre.

Les gains les plus immédiats apparaissent donc sur les opérations répétitives et mesurables : rapprochement de paiements et de factures, validation comptable, préparation de commandes, positionnement des produits dans les entrepôts, planification des ressources ou optimisation du colisage. Mais il n’existe pas d’IA performante sur une donnée de mauvaise qualité. Le travail décisif consiste à nettoyer, normaliser, qualifier et gouverner cette donnée.

4. Comment l’IA peut-elle concrètement agir sur les coûts, les marges et la productivité des entreprises ?

Elle agit sur quatre leviers principaux. Le premier est la réduction du temps consacré aux tâches manuelles, par exemple les déplacements dans un entrepôt, la préparation des commandes ou la saisie et le rapprochement des factures. Le deuxième est la diminution des coûts de non-qualité : erreurs de saisie, ruptures, stocks dormants, kilomètres à vide ou litiges de facturation.

Le troisième levier concerne l’allocation des ressources : moins de stock immobilisé, moins de surcapacité et moins de temps consacré à des opérations redondantes. Le quatrième est la planification. L’IA permet d’anticiper l’activité afin d’affecter plus précisément les équipes, les engins, les emplacements et les capacités de transport.

Dans le transport, elle permet par exemple de traiter simultanément deux problèmes autrefois séparés : la manière de charger les marchandises et l’itinéraire du camion. Le système peut ensuite vérifier en trois dimensions que le chargement est physiquement réalisable. Sur le seul colisage, l’un de nos clients du secteur du luxe a réduit de 15 % le nombre de colis expédiés sur un réseau qui en traite 2,3 millions par an. Chaque colis évité représente du transport, des coûts et des émissions en moins.

Un autre gisement se situe dans la robotique. L’IA seule optimise la décision ; associée à la robotique, elle l’exécute. Le premier terrain de cette rencontre ne sera probablement ni la maison ni la rue, mais l’usine et l’entrepôt.

5. Dans la supply chain, comment peut-elle permettre de réduire les stocks, d’anticiper les ruptures et d’optimiser l’utilisation des entrepôts et des transports ?

Il faut distinguer deux mécanismes complémentaires. L’IA produit la prévision ; la recherche opérationnelle transforme cette prévision en décision. Une prévision sans optimisation ne fournit qu’un tableau de bord. Une optimisation sans prévision ne fait qu’appliquer des règles plus rapidement.

L’IA peut croiser les ventes, la saisonnalité, les promotions, la météo ou les signaux fournisseurs afin d’anticiper la demande ou une rupture. La recherche opérationnelle convertit ensuite cette anticipation en quantités à commander, en stocks de sécurité recalculés, en emplacements dans l’entrepôt ou en tournées de transport, tout en respectant les contraintes de capacité, de coût et de délai.

Dans un entrepôt, cette approche permet de traiter ensemble des questions qui ont longtemps été gérées séparément : où ranger chaque produit, quelles commandes préparer simultanément, quel parcours faire suivre aux opérateurs et où envoyer les engins. Un jumeau numérique permet de tester des milliers de scénarios avant de modifier l’organisation réelle.

Les gains mesurés chez nos clients atteignent jusqu’à 30 à 40 % de déplacements en moins grâce au positionnement dynamique des produits. Le regroupement intelligent des préparations réduit les distances de 10 à 20 % et apporte au moins 10 % de productivité générale. La planification prévisionnelle des ressources représente environ 15 % d’équivalents temps plein économisés, avec un recours moindre aux intérimaires. Enfin, un cas d’optimisation du colisage a permis de réduire de 15 % le nombre de colis expédiés.

6. Dans les fonctions financières, comment l’IA peut-elle détecter les anomalies, automatiser le traitement des factures et contribuer à améliorer la trésorerie ?

La finance constitue l’un des terrains les plus mûrs parce que la facture électronique est une donnée structurée, fréquente et encadrée par des règles. Une facture possède un format, un émetteur, un montant, une date et une règle fiscale. C’est un environnement particulièrement adapté à la détection d’anomalies et à l’automatisation.

L’IA peut automatiser le rapprochement entre une facture, une commande, une livraison et un paiement, proposer une imputation comptable et signaler les écarts. Dans nos solutions, les ordres de grandeur mesurés sont de 50 à 70 % d’automatisation du rapprochement, 85 % d’imputation comptable correcte dès le premier passage et un délai de validation d’une facture fournisseur ramené de quinze jours à trois.

La valeur ne s’arrête pas au traitement de la facture. Une donnée propre, structurée et disponible en temps réel ouvre la voie à une meilleure prévision de trésorerie. Les mesures mentionnées font état de 15 à 25 % de paiements en retard en moins, de 8 à 15 jours de DSO gagnés sur les litiges et de 20 à 30 % de précision supplémentaire dans les prévisions d’encaissement.

La marge d’erreur doit cependant être très faible : une écriture mal imputée n’est pas une simple coquille, mais un écart comptable. La conformité est donc le socle. La valeur vient de ce que l’entreprise peut faire de la donnée une fois qu’elle est fiable et disponible.

7. Quels indicateurs les dirigeants doivent-ils suivre pour vérifier qu’un investissement dans l’IA produit réellement les résultats attendus ?

Ils doivent d’abord suivre les indicateurs qui existaient avant l’IA. Je me méfie du nombre de requêtes, du volume de comptes ouverts ou du taux d’adoption : ces données mesurent l’activité autour d’un outil, pas sa contribution au résultat.

Les indicateurs pertinents sont le taux de service, le taux de rupture, le délai de traitement, le DSO, le coût unitaire ou le nombre d’équivalents temps plein nécessaire pour traiter un volume donné. Ils doivent être fiables, peu sensibles au bruit conjoncturel, représentatifs de la performance actuelle, comparables aux standards du secteur et, si possible, physiques : une distance, un délai, un taux de service ou un nombre de colis.

La principale difficulté consiste à isoler la part de l’évolution réellement imputable à l’IA, puis à automatiser cette mesure. Sans une architecture de données solide, l’entreprise finit par effectuer ses calculs à la main, ce qui les rend coûteux et peu fiables.

Trois dimensions sont encore insuffisamment suivies. La première est le coût par unité de valeur produite, plutôt que le coût total de l’IA. La deuxième est la dépendance à un fournisseur, d’où l’intérêt d’une architecture capable d’orienter chaque requête vers le modèle adapté. La troisième est l’équilibre humain-machine : les collaborateurs ressortent-ils de l’usage de l’IA plus compétents ou moins capables d’agir seuls ? Le bon indicateur n’est pas la facture d’IA ; c’est le coût par transaction utile.

8. Jusqu’où les dirigeants pourront-ils déléguer à l’IA des décisions opérationnelles ? Quelles décisions devront impérativement rester sous contrôle humain ?

L’IA ne se trompe pas nécessairement plus que nous, mais elle peut se tromper avec la même assurance que lorsqu’elle a raison. Une expérimentation menée par Harvard et BCG auprès de 758 consultants l’a montré : dans le périmètre de compétence du modèle, les participants accomplissaient davantage de tâches, plus rapidement et avec une qualité supérieure. Sur une tâche située hors de ce périmètre, les consultants utilisant l’IA avaient au contraire 19 points de moins de chances de trouver la bonne réponse. La frontière entre les deux domaines est irrégulière et souvent invisible.

Deux lignes rouges doivent donc rester humaines. La première est morale : toute décision ayant une conséquence directe et irréversible sur une personne. Un modèle ne possède ni morale, ni esprit critique, ni capacité à répondre de ce qu’il vient de faire. La seconde est stratégique : les arbitrages qui engagent une entreprise sur plusieurs années. L’IA peut être une excellente conseillère, mais une personne doit assumer la décision.

Pour le reste, la délégation doit dépendre de la réversibilité et du rayon d’impact. Une décision fréquente et réversible peut être automatisée avec une supervision a posteriori. Une décision rare et difficilement réversible doit rester humaine. Il est également possible de définir une zone verte d’autonomie, une zone orange nécessitant une validation et une zone rouge interdisant toute autonomie.

Enfin, la commande d’un agent doit toujours être considérée comme une demande, pas comme un ordre. Elle doit passer par les règles de sécurité du système, qui la rejettent si elle sort des limites autorisées. Une machine ne peut pas être responsable ; quelqu’un doit toujours pouvoir expliquer la décision et en répondre.

9. Pourquoi la maîtrise des logiciels et des données devient-elle à la fois un enjeu de compétitivité et de souveraineté pour les entreprises européennes ?

Les grands modèles ont été entraînés sur des contenus publics largement comparables et leurs écarts de performance tendent à se resserrer. Le modèle devient donc progressivement un composant disponible pour tous. Ce qui différencie une entreprise, ce sont ses propres données opérationnelles, ses règles métier et les cas particuliers accumulés pendant des années.

La souveraineté se traduit par trois questions concrètes. Qui peut légalement accéder à vos données ? Que se passe-t-il si vous perdez cet accès ? Pouvez-vous changer de fournisseur sans reconstruire vos agents et vos processus ? Le verrouillage n’est pas toujours une intention malveillante : il résulte mécaniquement de l’intégration progressive des paramétrages, des règles et des données dans une même solution.

L’architecture doit donc permettre de remplacer un modèle par un autre. Le raisonnement, le routage, la mémoire et la gouvernance doivent rester sous le contrôle de l’entreprise, tandis que le modèle devient un composant interchangeable. On peut utiliser le meilleur modèle disponible aujourd’hui et en changer demain sans réécrire l’ensemble de ses agents.

La souveraineté ne signifie pas l’autarcie. Elle signifie la liberté de choix. Une entreprise peut acheter de l’hébergement et de la puissance de calcul ; elle ne doit pas sous-traiter entièrement sa logique de décision.

10. Face aux grandes plateformes technologiques mondiales, quels acteurs européens peuvent encore trouver leur place et sur quels avantages peuvent-ils s’appuyer ?

Les acteurs européens ne trouveront pas leur place en essayant de reproduire l’échelle des grandes plateformes. Leur avantage potentiel réside dans la profondeur métier, la proximité réglementaire et la confiance.

Pendant vingt ans, on a surtout acheté un logiciel pour ses fonctionnalités. Dès lors qu’il ne se contente plus d’informer, mais qu’il agit à la place de l’utilisateur en modifiant une écriture, en déclenchant un paiement ou en réorientant une livraison, la question change : il ne s’agit plus seulement de savoir ce qu’il sait faire, mais si l’on peut lui faire confiance pour le faire. La confiance devient alors une fonctionnalité à part entière.

L’IA réduit le coût d’écriture du code, mais elle ne supprime ni les exceptions métier, ni la conformité pays par pays, ni la responsabilité lorsqu’un incident survient. C’est sur ces dimensions que des éditeurs européens spécialisés peuvent construire un avantage.

Les briques européennes existent déjà : Mistral et ASML sur certaines couches technologiques, OVHcloud, Scaleway et Outscale sur l’infrastructure, ainsi que des coentreprises comme Bleu ou S3NS. Mais le levier décisif se trouve aussi du côté de la demande. Lorsque de grandes entreprises choisissent une technologie européenne, elles contribuent directement à la construction de cet écosystème.

Ces avantages ne sont toutefois jamais acquis. Un éditeur européen qui se contenterait de sa proximité réglementaire sans investir dans l’IA serait dépassé. La connaissance métier, la conformité locale et la confiance ne deviennent des avantages que si elles s’accompagnent d’une capacité réelle à innover et à déployer.