IA : le potentiel des LLM et des modèles fondamentaux dans la supply chain

Rédiger et adapter des textes, aider à synthétiser des informations et générer de nouvelles approches et des idées innovantes : d’un point de vue professionnel, ce sont les trois demandes les plus fréquentes formulées par les utilisateurs à ChatGPT. La plateforme d’OpenAI est tout à fait fiable pour cela.

Au-delà de ces tâches « généralistes », nous avons probablement tous utilisé ces recommandations à un moment ou à un autre dans notre travail. La réalité est que ChatGPT et d’autres systèmes similaires peuvent également être appliqués à des tâches plus spécifiques. La supply chain n’y fait évidemment pas exception. Dans cet article, nous passons en revue les applications des systèmes d’IA fondamentaux, y compris des grands modèles de langage (LLM) comme ChatGPT, dans la supply chain.

Que sont les grands modèles de langage (LLM) ?

Les grands modèles de langage (LLM) sont un type spécifique de modèle d’IA fondamental. Entraînés sur des volumes massifs de données textuelles, leur objectif n’est pas de résoudre une tâche unique et spéficique, mais d’acquérir une compréhension générale du langage pouvant être réutilisée dans de múltiples contextes.

Grâce à cet entrainement, les LLM sont capables de rédiger des textes, de synthétiser des informations, de répondre à des questions complexes, de raisonner à partir de données non structurées et de traduire des concepts techniques dans un langage plus accessible. Des outils comme ChatGPT illustrent clairement cette approche : un modèle unique capable d’exécuter des tâches très différentes sans nécessiter de nouvel entraînement pour chacune d’elles.

Les bénéfices de l’IA appliquée à la supply chain

Un LLM excelle particulièrement dans un domaine : le traitement du langage. Dans la supply chain, cela représente un potentiel considerable lorsqu’il est connecté aux systèmes existants (ERP, WMS, TMS, data warehouse, etc.).

Le potentiel des LLM dans la supply chain ne consiste pas simplement à leur demander d’« optimiser », une tâche pour laquelle, du moins à ce jour, ils ne sont ni suffisamment efficaces ni suffisamment fiables, mais à aider les utilisateurs à mieux interagir avec les systèmes de planification existants, à comprendre leurs résultats et à prendre des décisions plus rapides et mieux informées.

Examinons quelques-uns des principaux bénéfices.

Simplifier l’utilisation de plateformes avancées complexes

Il est démontré que la planification avancée permet de réduire les coûts, d’améliorer le niveau de service et de maîtriser les stocks. Le problème est que, dans les opérations quotidiennes, la valeur d’un système d’optimisation ne dépend pas uniquement de sa capacité à produire la meilleure solution, mais aussi du fait que cette solution soit compréhensible et inspire confiance.

Dans de nombreuses entreprises, c’est à ce niveau que se crée un écart. La plateforme d’optimisation calcule, mais les équipes qui l’exploitent s’en méfient. Cela peut conduire à des questions nécessitant des heures voir des jours pour être résolues, à une dépendance à des profils techniques pour des demandes relativement simples, et à un sentiment persistant de : « Je ne comprends pas pourquoi le système a pris cette décision »

Dans ce contexte, les LLM commencent à jouer un rôle très spécifique et utile : celui d’une couche d’interaction et de traduction entre les utilisateurs et les systèmes de planification, en particulier lorsqu’il s’agit de décisions complexes derrière (contraintes, dépendances, scénarios, priorités, etc.).

Dans la supply chain, certaines questions reviennent constamment :

• ”Pourquoi avons-nous servi cette demande depuis ce fournisseur (et pas un autre) ?
• « Que se passe-t-il si la demande dans cette zone augmente de 10 % ? »
• « Peut-on limiter le nombre de fournisseurs pour des raisons de qualité ou de risque ? »
• « Quel serait l’impact du blocage de cet axe de transport ? »
• « Quelle SKUgénère le plus de ruptures et pourquoi ? »

Ces questions courantes appellent des réponses claires, mais y répondre implique souvent de revoir des paramètres, de consulter des tables, d’effectuer des calculs, de simuler des scénarios… Et dans de nombreuses organisations, cela signifie ouvrir un ticket, attendre un analyste, solliciter un technicien, relancer des calculs… et finalement perdre beaucoup d’agilité au moment de prendre des décisions.

C’est précisément là que les LLM deviennent des outils très utiles, non pas comme substituts au moteur mathématique, mais comme une interface intelligente aux résultats, les expliquer et les explorer.

Prévision de séries temporelles

L’intelligence artificielle commence également à être appliquée à la prévision de séries temporelles, même si, dans ce cas précis, il ne s’agit pas techniquement de LLM, mais de ce que l’on appelle des modèles fondamentaux de séries temporelles. En étant entrainés sur de grands volumes de données historiques, ils peuvent apprendre des schémas communs et générer rapidement des prévisions pour une grande variété de comportements, allant de la demande intermittente aux schémas saisonniers et aux événements ponctuels.

Dans ce contexte, on peut imaginer un scénario dans lequel l’utilisateur fournit des series temporelles accompagnées d’informations contextuelles à la plateforme, et le système renvoie une precision assortie d’explications, d’indicateurs de performance et de recommandations pour l’améliorer. Avec ce type de modèle, il serait posible de mettre en place un processus de prévision de grande qualité avec une effort minimal et sans nécessiter de connaissances techniques approfondies.

Aide à la decisión et réponses aux scénarios “what-if”

Là encore, il ne s’agit pas strictement de LLM, mais de modèles fondamentaux dédiés à la décision. Ce type d’IA peut aller au-delà de la simple prévision des séries temporelles et s’appliquer également à des problématiques de prise de décision. Grâce à cet entraînement préalable, le modèle peut traiter différents types de décisions avec un minimum d’ajustements.

Dans ce cadre, lorsque l’utilisateur pose une question de type « what-if», le LLM interprète l’intention (par exemple, « bloquer ce fournisseur » ou « limiter ce site ») et lance le scénario. Il compare ensuite le résultat avec le plan actuel et fournit une explication.

Le principal avantage est qu’il n’est pas nécessaire d’entrer dans des mathématiques avancées : pour le métier, la réponse est généralement “augmentation / diminution des coûts”, le “niveau de service est dégradé”, “un risque apparait”, “la charge est déplacée” ou encore “il n’existe pas de solution faisable”.

Rendre accessible une information existante mais dispersée

Une partie du problème réside dans le fait que les données supply chain sont cloisonnées : tables, reportings, tableaux de bord, outils différents, nomenclatures différentes… et les questions nécessitent souvent de croiser plusieurs sources. Un LLM peut agir comme un “orchestrateur” de requêtes : non pas parce qu’il “connait” les données, mais parce qu’il peut les demander aux bons systèmes et composer une réponse cohérente.

Les risques liés à l’application de l’IA à la supply chain

Si vous appliquez des LLM à vos opérations de supply chain, deux préoccupations majeures sont inévitables :

Confidentialité et données sensibles

L’approche la plus raisonnable ne consiste pas à injecter directement les données dans le modèle. Le LLM agit plutôt comme une couche de raisonnement et de langage, tandis que les données et les calculs restent au sein de votre environnement (bases de données, solveurs, systèmes internes).

« Hallucinations » et réponses plausibles mais erronées

Dans la supply chain, une réponse incorrecte n’est pas une erreur anodine : elle peut coûter de l’argent, impacter le niveau de service et/ou nuire à la réputation de la marque.

Par conséquent, la méthode de fonctionnement la plus recommandée n’est pas « poser la question au LLM et lui faire confiance », mais plutôt :

1. Le LLM propose l’action (requête, scénario, restriction).
2. Le système la valide (règles, autorisations, contrôles).
3. La plateforme de management de la supply chain effectue le calcul
4. Le LLM explique le résultat.

L’impact des LLM sur l’équipe supply chain

En termes d’impact opérationnel, une approche bien conçue de type « LLM comme copilote de la planification » se traduit généralement par :

• Plus d’autonomie pour le planificateur afin d’explorer des scénarios sans dépendre des équipes d’ingénierie ou d’analytique
• Moins de frictions internes : moins d’allers-retours pour expliquer le « pourquoi ».
• Des décisions plus rapides face aux changements (demande, capacité, fournisseurs, transport).
• Une meilleure adoption du système de planification : s’il est compris, il est utilisé ; s’il est utilisé, il crée de la valeur.

Conclusion : quand la planification est comprise, elle commence à générer une réelle valeur

Dans la supply chain, l’un des principaux défis, au-delà du calcul de la solution à un problème, consiste à transformer cette solution en une décision que l’entreprise comprend, en laquelle il a confiance et qu’il met en œuvre.

Dans cette perspective, la valeur des LLM ne réside pas dans le fait de « faire le plan » ou de remplacer les plateformes d’optimisation de la supply chain, mais dans le rapprochement de la planification avancée les personnes qui prennent des décisions au quotidien. En agissant comme une couche d’interprétation et de dialogue, ils permettent d’explorer des scénarios, de comprendre les raisons derrière chaque proposition et de réduire les frictions entre les modèles complexes et la réalité opérationnelle.

Si le prochain niveau de maturité de la supply chain consiste à réduire l’écart entre ce que le système calcule et ce que l’entreprise doit décider, alors les LLM – intégrés de manière responsable et connectés à des outils de planification robustes – apparaissent comme un levier clé pour y parvenir.