L'importance des données de référence des capteurs pour l'automatisation agentique en logistique

Avant qu'une organisation logistique n'investisse dans l'intelligence artificielle, la question la plus importante à se poser est simplement : pourquoi ? Que cherchons-nous réellement à accomplir ? Pourquoi l'automatisation et l'IA sont-elles les bons outils pour y parvenir ? Et, surtout, comment créent-elles une valeur réelle et mesurable ?

La valeur de la vitesse

Dans la chaîne d'approvisionnement et la logistique, la vitesse est un avantage concurrentiel. La capacité à prendre des décisions plus rapides, à réacheminer les expéditions en temps réel et à anticiper les perturbations avant qu'elles ne s'aggravent : ces capacités se traduisent directement par une satisfaction client accrue, une réduction des coûts et une amélioration des marges. Là où l'automatisation et l'IA peuvent être utilisées pour accroître la vélocité de la chaîne d'approvisionnement, de la valeur est libérée.

Mais il y a un piège. Des décisions plus rapides ne produisent pas automatiquement des résultats plus rapides. Si votre système d'IA prend une décision d'itinéraire en quelques millisecondes, mais que l'équipe de transport met des heures à agir en conséquence, vous n'avez pas augmenté la vélocité, vous avez simplement déplacé le goulot d'étranglement en aval. L'IA agentique a le potentiel de changer cela en permettant une action plus rapide, et pas seulement une décision plus rapide.

Choisissez votre point de départ

Une fois que le pourquoi de l'automatisation et de l'IA est clair, la question suivante est où. Tous les processus logistiques ne constituent pas un point de départ également pertinent. Une bonne approche consiste à évaluer les cas d'usage potentiels selon deux dimensions : la valeur qu'ils libèrent et la complexité nécessaire pour les automatiser.

Recherchez d'abord les décisions à haute fréquence et bien définies, où la logique peut être codifiée et les résultats mesurés. Le signalement et la résolution des exceptions sont un bon point de départ, car la plupart des exceptions de transport sont répétitives et leur résolution consiste souvent en une chaîne d'appels ou d'e-mails qui peut être largement automatisée.

La supervision humaine reste importante, en particulier pour les cas limites et les expéditions inhabituelles, mais ce qui constitue un « cas limite » se réduira avec le temps à mesure que les agents deviendront plus performants, libérant ainsi les équipes pour des activités à plus forte valeur ajoutée, orientées vers le client.

Le paradoxe des données

Les organisations reçoivent deux conseils opposés concernant l'IA. Le premier est de commencer par mettre de l'ordre dans leurs données ; le second est de « se lancer » et de résoudre les défis liés aux données (grâce à l'automatisation et à l'IA) au fur et à mesure.

La solution consiste à revenir au choix du point de départ et à faire de la disponibilité des données un critère supplémentaire dans la sélection des premiers cas d'usage.  Chaque entreprise dispose de suffisamment de données pour démarrer, à condition de choisir le bon point de départ.

Les données de référence des capteurs

L'une des méthodes les plus puissantes pour accélérer une feuille de route d'automatisation et d'IA logistique consiste à rechercher de nouvelles sources de données, en particulier les données de référence issues des capteurs (« ground truth »).

Les données de référence sont des données qui représentent directement des actifs, des activités ou des résultats au sein d'une chaîne d'approvisionnement.  Il s'agit par exemple des flux provenant de caméras numériques et de capteurs de l'Internet des objets (IoT).

Les données de référence issues des capteurs sont fondamentalement différentes des données transactionnelles générées par les systèmes d'enregistrement tels qu'un TMS. Les capteurs peuvent générer des données relatives à la localisation, à l'heure, à la température, à l'état et à d'autres variables, d'une manière à haute fréquence, cohérente et granulaire.

Ces données sont-elles parfaites ? Non. Les capteurs dérivent, la connectivité connaît des interruptions, et les cas limites produisent des anomalies. Mais comme les données arrivent en flux continus avec des signatures prévisibles, les valeurs aberrantes et les dysfonctionnements peuvent être identifiés et filtrés automatiquement. Il en résulte des données fiables, et des données fiables constituent le fondement de l'automatisation.

Les cas d'usage pouvant être construits à partir des données de capteurs se multiplient à mesure que davantage de contexte est ajouté grâce aux systèmes internes tels que le TMS et l'ERP, ainsi qu'aux données externes telles que les risques ou les événements perturbateurs.

Des données à l'action

Les opérations logistiques qui l'emporteront grâce à l'automatisation et à l'IA ne seront pas nécessairement celles qui disposent des algorithmes les plus sophistiqués. Ce seront celles qui auront su connecter des données fiables à des actions exécutables à travers leurs réseaux. Les données IoT, correctement intégrées, fournissent la couche sensorielle qui rend l'IA agentique possible ; elles offrent la capacité de savoir ce qui se passe et d'y répondre automatiquement, à grande échelle.

Commencez par les bonnes questions. Priorisez selon la valeur et la faisabilité. Faites avancer votre stratégie de données même avant qu'elle ne soit parfaite. Et tournez-vous vers les données de référence issues des capteurs du monde physique pour accélérer le parcours. L'avantage concurrentiel dans la logistique moderne ne consiste pas seulement à déplacer les marchandises plus rapidement, mais à construire un système qui apprend, s'adapte et agit plus vite que n'importe quel processus manuel.

David Shillingford est président de Pegasus Analytics, à travers laquelle il conseille des investisseurs et des entreprises technologiques de la chaîne d'approvisionnement à forte croissance.  Vous pouvez le retrouver sur https://www.linkedin.com/in/shillingford/