Listen à article
Le prochain défi des entreprises
Au cours des dernières années, l’IA dans les chaînes d’approvisionnement des entreprises a été utilisée pour la prévision, la détection des risques, l’estimation, l’optimisation et l’identification des anomalies.
L’IA a amélioré la visibilité des chaînes d’approvisionnement, mais elle laisse aux décideurs la tâche ardue de convertir les résultats de l’IA en actions coordonnées à travers la chaîne de valeur. Les gestionnaires de chaîne d’approvisionnement doivent encore décider de la marche à suivre, des systèmes à mettre à jour, des parties prenantes à impliquer et de la façon d’équilibrer le coût, le service, la résilience, la durabilité et le risque. Une rupture de stock, un retard du fournisseur, une fermeture de port, un dépassement des émissions ou une vague de retours exigent toujours une réponse coordonnée avec les services d’approvisionnement, de production, d’inventaire, de logistique et du service à la clientèle.
L’intelligence existe, mais il manque la coordination. Le défi n’est plus la prévision; le défi, c’est l’orchestration. La prochaine évolution de l’IA d’entreprise n’est pas un autre modèle de langage. C’est l’orchestration agentique, appuyée par les pratiques AgentOps qui aident les organisations à concevoir, déployer, surveiller et gouverner des agents d’IA. Cette lacune d’orchestration est l’endroit où les agents d’IA peuvent générer leur plus grande valeur d’affaires.
AgentOps : La base opérationnelle pour les agents d’entreprise
IBM définit AgentOps comme « un ensemble émergent de pratiques axées sur la gestion du cycle de vie des agents IA autonomes ». Cela s’inspire des principes de DevOps et MLOps pour aider les praticiens à gérer, surveiller et améliorer les pipelines de développement agentiques.
Les agents propulsés par de grands modèles de langage (LLM) peuvent coordonner des tâches à étapes multiples, appeler des outils, maintenir l’état des tâches et permettre des décisions coordonnées. Par exemple, un agent peut avoir besoin de vérifier des contrats de fournisseurs, lire des bons de commande ou des notes d’expédition, interroger l’inventaire, appeler un moteur d’optimisation de parcours, estimer les émissions, rédiger un message au fournisseur et demander une approbation à un planificateur.
La valeur ne réside pas dans le fait de laisser le LLM prendre des décisions sans contrainte, mais dans l’utilisation de l’agent comme couche de coordination encadrée sur les données, les modèles d’optimisation, les simulations et les systèmes d’entreprise. L’orchestration agentique coordonne les agents IA, les outils et les étapes de flux de travail dans les processus complexes de l’entreprise, y compris les approbations avec intervention humaine. AgentOps fournit les pratiques de gestion du cycle de vie, de surveillance et de gouvernance nécessaires pour exploiter ces agents de façon fiable à grande échelle.
Construire une architecture d’orchestration agentique d’entreprise
Les agents activés par LLM utilisent le raisonnement, les outils, l’état, la mémoire, les politiques, les contraintes et la logique de flux de travail. OpenAI décrit les agents comme des systèmes qui accomplissent de façon autonome des tâches pour le compte des utilisateurs en utilisant des modèles, des outils et des consignes.
Ce modèle architectural convient bien aux chaînes d’approvisionnement puisqu’une prise de décision opérationnelle dépend souvent à la fois de données structurées et non structurées, telles que des contrats, courriels, rapports de fournisseurs, notes d’expédition, documents d’audit et directives réglementaires.
Les problèmes de la chaîne d’approvisionnement sont contraints, à objectifs multiples et souvent mathématiquement complexes. Cela rend la gouvernance essentielle. Les agents IA doivent capter les signaux de la chaîne d’approvisionnement, récupérer des preuves, raisonner selon le contexte, utiliser les outils et systèmes approuvés, recommander des actions, assurer la traçabilité et acheminer les décisions aux humains lorsqu’une approbation est nécessaire.
L’approche repose sur six couches fondamentales.
- Une couche de détection recueille des données structurées et non structurées provenant des systèmes d’entreprise.
- Une couche de preuves gère la récupération, la provenance et la qualité des sources, garantissant que les résultats des agents sont fondés sur des informations vérifiables plutôt que sur des réponses non étayées du modèle linguistique.
- Une couche de raisonnement interprète l’événement et ses interdépendances. Par exemple, un retard de fournisseur peut affecter la capacité de production, le stock de sécurité, les niveaux de service, les obligations contractuelles et les émissions de carbone.
- Une couche de moteur de décision connecte l’agent aux modèles de prévision, aux modèles d’optimisation, à la simulation, aux jumeaux numériques, aux calculateurs de carbone, aux modèles de risque et aux méthodes de décision multicritères.
- Une couche d’orchestration prépare ou exécute des étapes de flux de travail telles que la communication avec le fournisseur, des changements d’itinéraire, des mises à jour de commandes ou une escalade.
- Une couche de gouvernance définit les permissions, les seuils d’approbation, les journaux d’audit, les vérifications des biais, les contraintes de durabilité et la supervision humaine.
Le principe architectural clé est la séparation des rôles. L’agent doté de LLM ne devrait pas inventer de faits ni résoudre des problèmes d’optimisation par intuition. Il doit extraire des preuves, structurer le problème, appeler les outils appropriés, expliquer les résultats et respecter les droits de décision. Ce principe réduit le risque d’hallucinations et aligne l’IA agentique sur la tradition de la recherche opérationnelle en gestion de la chaîne d’approvisionnement.
Scénario illustratif : pourquoi l’orchestration agentique est clé dans les chaînes d’approvisionnement
Prenons l’exemple d’un fabricant qui reçoit une alerte précoce indiquant qu’un fournisseur de premier rang pourrait manquer une livraison en raison d’inondations régionales et de perturbations du transport. Dans un système prédictif conventionnel, le planificateur peut recevoir une alerte signalant que l’expédition est retardée et qu’une rupture de stock est probable. Dans un système d’orchestration agentique, l’agent de gestion des risques fournisseurs récupère les bons de commande, l’état des expéditions, les conditions contractuelles, la position d’inventaire, le calendrier de production et la liste des fournisseurs alternatifs. Une couche de raisonnement identifie quels produits finis, clients, engagements de niveaux de service et cibles carbone pourraient être affectés.
L’agent fait ensuite appel à un modèle d’optimisation pour évaluer les options d’approvisionnement alternatif, de réallocation des stocks et de reprogrammation de la production. Un agent de durabilité estime les conséquences carbone du transport accéléré ou de l’approvisionnement alternatif. Un agent de gouvernance vérifie les limites de dépenses, les seuils de risques fournisseurs, les règles de priorité client et les exigences d’approbation. La recommandation résultante n’est pas une instruction opaque unique ; il s’agit d’une fiche d’information présentant la cause de la perturbation, les commandes affectées, les options de réponse, les hypothèses, les compromis et les approbations requises.
Cet exemple illustre la différence entre la prédiction et l’orchestration. La prédiction consiste à anticiper qu’une rupture de stock peut survenir. La capacité d’orchestration identifie ce qui peut être fait, quel modèle appuie la recommandation, quels compromis de durabilité et de résilience sont impliqués et si une action doit être approuvée par un humain. Ce même schéma peut être étendu aux pics de demande, à la congestion portuaire, aux rappels de produits, aux non-respects des contraintes carbone, aux retours de déchets électroniques et aux décisions de récupération en boucle fermée.
Aller au-delà de la prédiction
L’IA dans les chaînes d’approvisionnement va au-delà de la prédiction. La prochaine étape ne consiste pas seulement à produire des prévisions précises, mais à développer des systèmes capables d’interpréter les événements, d’évaluer les options, de coordonner les actions et de préserver la responsabilité à travers la chaîne d’approvisionnement. Pendant des années, nous avons mesuré l’IA d’entreprise selon la précision de ses prédictions. Toutefois, la prochaine génération d’IA d’entreprise sera évaluée selon sa capacité à coordonner efficacement les actions de l’organisation. Les agents dotés de LLM rendent ce passage techniquement possible, et leur valeur réside moins dans la génération de réponses que dans l’orchestration des processus d’affaires. Les organismes qui réussiront avec l’IA ne seront pas nécessairement ceux dotés des modèles les plus sophistiqués, mais ceux ayant la meilleure orchestration.
Comment HCLTech peut aider
Révéler la valeur des AgentOps nécessite une base organisationnelle composée de données fiables, de gouvernance, d’optimisation des processus et d’une solide expertise en chaîne d’approvisionnement. Nous aidons les clients à bâtir cette fondation en combinant nos capacités en génie de l’IA avec des services en génie numérique, infonuagique, données, recherche opérationnelle et transformation de la chaîne d’approvisionnement. Grâce à notre collaboration stratégique pluriannuelle avec OpenAI, nous aidons nos clients à appliquer les modèles et solutions OpenAI dans des architectures d’entreprise sécuritaires et robustes. De la conception des pratiques AgentOps à l’intégration d’agents dotés de LLM dans les plateformes d’entreprise et à l’ancrage de la gouvernance, nous aidons nos clients à passer au-delà des cas d’utilisation IA isolés vers une orchestration évolutive, sécurisée et prête pour les affaires.
