Le transport et la logistique n'est pas un secteur qui doit laisser entrer l'IA depuis l'extérieur. Les logiciels de planification, le suivi et la traçabilité, l'optimisation des itinéraires et les systèmes de gestion d'entrepôt y fonctionnent déjà depuis des décennies. Cela donne une apparence d'avance : il y a des données, il y a des systèmes, il y a une culture de mesure et d'optimisation. Mais la mesure de maturité de hybridresourcing montre que c'est autre chose que la préparation à l'IA. Une organisation peut être excellente en systèmes opérationnels et se trouver malgré tout, sur les dimensions fondamentales — organisation, infrastructure informatique, gestion des données —, encore au niveau baseline ou foundation. La question n'est pas de savoir s'il existe des systèmes, mais si ces systèmes communiquent entre eux et si l'organisation autour d'eux est structurée pour y construire quelque chose de nouveau.
Au sein du transport et de la logistique, le rapport entre entreprises varie fortement selon le type d'activité. Un acteur qui fait surtout de la planification et de la régie, avec un développement logiciel propre et un service informatique capable de relier les systèmes entre eux, se situe souvent plus proche d'activation ou d'insight. Un acteur qui exécute surtout — rouler, charger, décharger — et travaille avec un ensemble de systèmes partiels de différents fournisseurs, se situe souvent encore au niveau foundation. La plus grande partie du secteur se trouve quelque part entre ces deux positions, avec une couche fondamentale mieux développée que dans beaucoup d'autres secteurs, mais avec une gestion des données qui reste en retard : les données se trouvent souvent dans des silos par système, par site, par client, sans que personne ne soit propriétaire de l'ensemble.
Cela place le transport dans une position particulière par rapport aux secteurs où c'est justement la structure organisationnelle qui constitue le goulot d'étranglement. Dans les services aux entreprises, c'est souvent la collecte des données elle-même qui pose problème, car le travail consiste en grande partie en communication non structurée. Dans le transport, il y a au contraire beaucoup de données structurées — localisations, horaires, poids, températures — mais ces données sont dispersées entre des systèmes qui n'ont pas été construits pour communiquer entre eux. C'est un autre type de retard qu'un manque de données ; c'est un manque de cohérence.
Dans un tour de plot où différentes personnes notent indépendamment les unes des autres, on observe souvent dans les entreprises de transport un schéma reconnaissable. Le management opérationnel note l'infrastructure informatique haut, parce que les systèmes qu'il utilise quotidiennement fonctionnent bien pour son propre processus. L'informatique ou un DSI note cette même dimension plus bas, parce qu'il sait combien de travail manuel est nécessaire pour transférer les données entre systèmes. Cette dispersion n'est pas une erreur de mesure. C'est la différence entre un système qui fonctionne pour la tâche pour laquelle il a été construit, et une infrastructure adaptée pour construire de nouvelles fonctionnalités. Pour les applications d'IA, c'est surtout cette seconde question qui est pertinente, et elle est rarement posée pendant l'exploitation quotidienne.
Les sept dimensions se construisent les unes sur les autres, et dans le transport, cette construction est bien visible. Sans une couche de gestion des données qui rassemble les informations des systèmes de planification, de la télématique et des portails clients, une application d'IA n'a rien de cohérent sur quoi s'entraîner ou réagir. Les entreprises qui sautent cette étape et démarrent directement un projet pilote d'IA sur un seul processus partiel — par exemple la maintenance prédictive sur un seul type de camion — constatent souvent que le résultat ne se généralise pas au reste du parc, simplement parce que les données sous-jacentes n'ont pas été enregistrées de la même manière. Ce n'est pas un défaut technique de l'IA, mais un signe que la couche fondamentale n'est pas encore achevée.
Cet ordre ne s'applique pas seulement au transport. Dans le secteur agricole, un problème similaire se pose avec les données de capteurs enregistrées différemment selon la culture ou l'entreprise, et dans le commerce de détail, on le retrouve dans les données de stock et de vente séparées par chaîne de magasins ou par canal. Le transport se distingue par l'ampleur des données structurées qui existent déjà, ce qui rend l'étape fondamentale à la fois plus facile et plus tentante à sauter — plus facile parce que les briques sont là, plus tentante parce qu'on a l'impression d'être déjà bien avancé.
La mesure de maturité de hybridresourcing situe ce schéma sur cinq niveaux, de baseline à intelligence, répartis sur les sept dimensions. Pour une entreprise de transport, cela donne généralement un profil avec une couche opérationnelle forte et une couche données et organisation plus faible, avec des écarts qui peuvent être importants selon la division ou le site. Ce profil ne dit rien sur le fait que l'IA fonctionnera ou non, ni sur un calendrier. Il montre quelle dimension retient actuellement les autres, et c'est précisément l'information nécessaire avant qu'une organisation ne décide par où commencer. L'outil qui réalise cette mesure est en cours de développement ; celui qui souhaite l'utiliser dès qu'il sera disponible peut s'inscrire sur la liste d'attente.
Cette page traite de la question de savoir si l'organisation peut porter l'IA — si les fondations de l'organisation, de l'infrastructure et des données sont en ordre avant d'y construire quoi que ce soit. C'est une question différente de celle de savoir quelle partie du travail lui-même peut être reprise par l'IA. Pour cette question, au niveau des tâches individuelles au sein de la planification, du transport et de l'administration logistique, il y a le scan de travail de FTE TO AI : il calcule, par tâche, quelle part peut être reprise par l'IA, indépendamment du niveau auquel se trouve l'organisation qui l'entoure. Celui qui veut savoir où se situe l'organisation commence par cette mesure ; celui qui veut savoir ce qui se passe avec le travail lui-même le trouve dans le scan de travail.
Vraag maar wat er moet staan voordat AI in uw organisatie kan landen.
Answers come from this site’s knowledge base. Not tailored advice, and not a scan of your company.