Le modèle de maturité IA d'Heather Sye révèle l'écart entre les expérimentations et la transformation du modèle opérationnel
Des outils IA à une architecture de décision gouvernée
Heather Sye a publié un post LinkedIn présentant la maturité AI en cinq étapes : l'expérimentation informelle, l'AI comme outil de tâche, l'AI comme automatisation de flux de travail, l'AI comme infrastructure, et l'organisation auto-réparatrice. Le post est utile car il sépare l'activité AI visible du véritable changement de modèle opérationnel : utiliser ChatGPT ou Copilot n'est pas la même chose que repenser les processus, les flux de données et la propriété des décisions.
Le signal Supply Chain le plus fort est l'écart entre l'Étape 2 et l'Étape 3. De nombreuses organisations peuvent pointer des gains de productivité isolés : résumer des appels d'offres, signaler des retards fournisseurs, rédiger des rapports ou automatiser des analyses. Moins nombreuses sont celles qui ont atteint l'Automatisation de Flux de Travail, où les transferts répétitifs sont supprimés, les exceptions sont dirigées vers les bonnes personnes, et le processus lui-même commence à changer.
L'Étape 4, l'AI comme infrastructure, est celle où le modèle de maturité devient plus exigeant. Des systèmes connectés, des données partagées, une visibilité immédiate des perturbations et un support décisionnel automatisé nécessitent plus que des pilotes. Ils nécessitent une Gouvernance AI, une propriété des données, une intégration système, des règles d'exception et une responsabilité claire pour ce qui se passe lorsqu'une recommandation affecte le service, le stock, la capacité ou l'exposition aux achats.
L'étape finale, décrite comme l'organisation auto-réparatrice, est délibérément provocatrice. Elle imagine une organisation où l'AI surveille l'AI, les playbooks se régénèrent, et les systèmes diagnostiquent et corrigent les défaillances. Pour les responsables Supply Chain, cela soulève une mise en garde importante : les opérations auto-réparatrices peuvent sembler attrayantes, mais elles nécessitent également visibilité, auditabilité, droits de dérogation humaine et limites autour de la surveillance, du contrôle et de la responsabilité décisionnelle.
La valeur pratique du post de Sye est qu'il offre aux dirigeants un miroir de maturité simple. La question n'est pas de savoir si les équipes "utilisent l'AI", mais si l'AI a changé le système décisionnel : quelles données sont connectées, quels flux de travail ont été repensés, qui possède la logique, et comment les risques sont escaladés lorsque les recommandations automatisées sont erronées.
Angle Dataleo
Cette insight s'inscrit dans le Radar car la maturité Supply Chain AI est souvent surévaluée. La différence entre un outil AI utile et un modèle opérationnel activé par l'AI est la gouvernance : qualité des données, propriété, validation, contrôle de version, droits d'accès, dérogation manuelle et traçabilité.
Pour les responsables planification, achats et opérations, le parcours de maturité devrait être évalué par l'impact décisionnel. Quelles décisions sont plus rapides ou meilleures ? Quels transferts disparaissent ? Qu'est-ce qui est connecté à APS, ERP, TMS ou BI ? Où le jugement humain reste-t-il obligatoire ? Une organisation auto-réparatrice ne devrait pas signifier une automatisation non gérée ; elle devrait signifier une Architecture Décisionnelle gouvernée avec des modes de défaillance clairs et une responsabilité.