# Construire un premier outil Claude + MCP pour la supply chain Le Model Context Protocol (MCP) d'Anthropic permet à Claude d'interagir avec des sources de données externes et des outils. Pour la supply chain, cela ouvre des possibilités concrètes : interroger des niveaux de stock en temps réel, déclencher des calculs de planification, ou extraire des données ERP. ## Ce qu'est MCP MCP est un protocole standardisé qui connecte Claude à : - **Ressources** : fichiers, bases de données, APIs - **Outils** : fonctions que Claude peut appeler - **Prompts** : templates réutilisables Au lieu de copier-coller des données manuellement, Claude accède directement aux systèmes sources. ## Un premier outil pratique : vérificateur de stock Commençons par un outil simple qui interroge les niveaux de stock pour un SKU donné. ### Architecture ``` Claude Desktop ←→ MCP Server ←→ Base de données stock (ou ERP API) ``` ### Implémentation (Python) Installez le SDK MCP : ```bash pip install mcp ``` Créez `inventory_server.py` : ```python from mcp.server import Server from mcp.types import Tool, TextContent import sqlite3 app = Server("inventory-mcp") # Connexion à une base de données simple (remplacer par votre ERP en production) def get_stock_level(sku: str) -> dict: conn = sqlite3.connect('inventory.db') cursor = conn.cursor() cursor.execute("SELECT sku, on_hand, available, location FROM inventory WHERE sku = ?", (sku,)) result = cursor.fetchone() conn.close() if result: return { "sku": result[0], "on_hand": result[1], "available": result[2], "location": result[3] } return {"error": "SKU non trouvé"} @app.list_tools() async def list_tools() -> list[Tool]: return [ Tool( name="check_inventory", description="Vérifier le niveau de stock pour un SKU donné", inputSchema={ "type": "object", "properties": { "sku": { "type": "string", "description": "Le code SKU à vérifier" } }, "required": ["sku"] } ) ] @app.call_tool() async def call_tool(name: str, arguments: dict) -> list[TextContent]: if name == "check_inventory": result = get_stock_level(arguments["sku"]) return [TextContent( type="text", text=f"Résultats stock pour {arguments['sku']}:\n{result}" )] raise ValueError(f"Outil inconnu : {name}") if __name__ == "__main__": app.run() ``` ### Configuration Claude Desktop Ajoutez à `claude_desktop_config.json` : ```json { "mcpServers": { "inventory": { "command": "python", "args": ["/chemin/vers/inventory_server.py"] } } } ``` ### Utilisation Dans Claude Desktop, vous pouvez maintenant demander : *"Vérifie le stock pour SKU-12345"* Claude appellera automatiquement l'outil `check_inventory` et retournera les données formatées. ## Extensions pratiques ### 1. Calcul de couverture stock Ajoutez un outil qui calcule les jours de couverture : ```python @app.list_tools() async def list_tools() -> list[Tool]: return [ # ... outil existant ... Tool( name="calculate_coverage", description="Calculer les jours de couverture stock basés sur la demande moyenne", inputSchema={ "type": "object", "properties": { "sku": {"type": "string"}, "daily_demand": {"type": "number"} }, "required": ["sku", "daily_demand"] } ) ] ``` ### 2. Alerte rupture multi-SKU ```python Tool( name="check_stockout_risk", description="Identifier les SKU à risque de rupture dans les N prochains jours", inputSchema={ "type": "object", "properties": { "days_ahead": {"type": "integer", "default": 7}, "location": {"type": "string"} } } ) ``` ### 3. Connexion ERP réelle Remplacez SQLite par une API ERP : ```python import requests def get_stock_level(sku: str) -> dict: response = requests.get( f"https://votre-erp.com/api/inventory/{sku}", headers={"Authorization": f"Bearer {API_KEY}"} ) return response.json() ``` ## Cas d'usage concrets **Planificateur** : *"Quels SKU de la famille PUMP ont moins de 10 jours de couverture ?"* **Responsable entrepôt** : *"Donne-moi le stock disponible pour tous les SKU au site PARIS"* **Service client** : *"Peut-on expédier 500 unités de SKU-98765 aujourd'hui ?"* Claude appelle les outils MCP, agrège les données, et répond en langage naturel. ## Pièges à éviter - **Pas de cache** : MCP interroge à chaque fois. Pour des données statiques, utilisez des ressources au lieu d'outils. - **Gestion d'erreurs** : Toujours gérer les timeouts API et SKU inexistants. - **Permissions** : MCP tourne avec vos credentials. Limitez l'accès aux données sensibles. - **Latence** : Pour des requêtes lourdes, envisagez un mode asynchrone. ## Prochaines étapes Une fois l'outil de base fonctionnel : - Ajoutez des outils pour les commandes fournisseurs, les prévisions, les KPI - Intégrez des ressources pour accéder aux nomenclatures ou aux paramètres S&OP - Créez des prompts MCP pour des analyses récurrentes (revue hebdomadaire stock, etc.) MCP transforme Claude d'un assistant conversationnel en agent opérationnel connecté à vos systèmes réels. Commencez petit, testez sur des données non critiques, puis étendez.

Pourquoi c'est important

Claude et MCP commencent à changer la façon dont les équipes supply chain prototypent les outils opérationnels. Au lieu d'attendre le développement complet d'une application, les équipes peuvent connecter données, modèles et workflows dans une interface assistée par IA pour l'Supply Chain Analytics.

Ce tutoriel s'inspire du post LinkedIn de Pierre R. partageant des exemples pratiques autour de Claude pour la supply chain, des serveurs MCP, des agents d'optimisation réseau, du web scraping et de la création de tableaux de bord. Plus de détails sont disponibles dans le post LinkedIn original. L'objectif ici est de recadrer le parcours d'apprentissage pour la Supply Chain AI, le Decision Support et le prototypage gouverné.

L'objectif n'est pas l'automatisation complète. Il s'agit de construire un premier prototype contrôlé : un assistant basé sur Claude qui peut inspecter les données supply chain, appeler une petite fonction analytique et produire un résultat qu'un planificateur peut examiner avant toute décision opérationnelle.

Utilisateur cible

Ce tutoriel est conçu pour les analystes supply chain, les équipes de transformation planning et les responsables opérations qui veulent comprendre comment Claude Code, le Model Context Protocol et les outils internes légers peuvent accélérer l'expérimentation contrôlée.

Ce que vous allez construire

• Un petit jeu de données supply chain exposé à Claude via une interface de type MCP.
• Une fonction appelable pour une analyse basique de réseau, stock ou coût.
• Un résultat destiné au planificateur qui explique les recommandations et signale les hypothèses.
• Une checklist de gouvernance avant de passer du prototype à l'utilisation opérationnelle.

Étape 1 — Définir la question métier

Commencez par un cas d'usage étroit dans le Supply Chain Planning : par exemple, "Quel centre de distribution devrait servir cette région client ?" ou "Quelles paires SKU-emplacement montrent un risque de stock anormal ?" Une question contrainte facilite la validation du AI Workflow et évite les comportements d'agents incontrôlés.

Pour un premier prototype, évitez les questions larges comme "optimisez ma supply chain". Définissez plutôt la décision, l'utilisateur, les données requises et le résultat attendu. Cela garde l'exercice pratique et aide l'équipe à séparer les AI Agents de l'automatisation planning de niveau production.

Étape 2 — Préparer la couche données

Créez un petit jeu de données avec des champs produit, emplacement, demande, capacité, coût et délai. Gardez la structure explicite pour que Claude puisse raisonner sur le schéma et pas seulement sur les valeurs. Pour un déploiement réel, cette couche se connecterait à l'ERP, l'APS ou un entrepôt de données gouverné.

Pendant la phase prototype, utilisez des données en lecture seule. Le modèle le plus sûr est de laisser l'assistant inspecter, résumer et calculer, mais pas réécrire dans les systèmes opérationnels. Cela protège les Master Data, les paramètres planning et les workflows d'exécution pendant que le concept est encore testé.

Étape 3 — Connecter données et outils via MCP

Utilisez MCP comme couche de connexion entre l'assistant IA et les ressources opérationnelles. En pratique, le serveur expose des outils approuvés : lire un jeu de données, exécuter un calcul, interroger un modèle ou retourner un résultat structuré. C'est le pont entre les AI Agents, les données internes et les limites d'exécution sécurisées.

La décision de conception clé est le périmètre. Chaque outil devrait faire une tâche contrôlée et retourner un résultat clair. Par exemple, une fonction de comparaison de coûts devrait calculer le coût débarqué à partir d'inputs connus, pas décider quel fournisseur approuver. Cela préserve une frontière claire entre Analytics, Optimization et exécution opérationnelle.

Étape 4 — Ajouter une fonction analytique simple

Commencez par une fonction déterministe plutôt qu'une décision totalement autonome. Par exemple, calculer le coût débarqué, comparer les options de service, classer les alternatives fournisseurs ou identifier le risque de rupture. Cela garde le prototype auditable et s'aligne avec les principes Human-in-the-Loop.

Un modèle utile consiste à retourner à la fois le résultat et les inputs utilisés pour le calculer. Le planificateur devrait voir les données source, la formule ou logique appliquée, et toutes valeurs manquantes. Cela crée la traçabilité pour la Planning Governance et réduit le risque de recommandations boîte noire.

Étape 5 — Demander à Claude d'expliquer le résultat

L'assistant ne devrait pas seulement retourner une réponse. Il devrait expliquer les hypothèses, les données utilisées, le chemin de calcul et l'incertitude. Pour les équipes supply chain, cette couche d'explication est essentielle pour la Planner Trust, la gestion des exceptions et la traçabilité des décisions.

Les bons prompts demandent à l'assistant de séparer faits, hypothèses et recommandations. Cela aide l'utilisateur à identifier si la réponse est basée sur des données réelles, une logique inférée ou des informations incomplètes. Dans les contextes supply chain, cette distinction compte pour le Inventory Planning, le Sourcing et les décisions de niveau de service.

Étape 6 — Construire un tableau de bord léger en sortie

Convertissez le résultat en une vue tableau ou tableau de bord destinée au planificateur : action recommandée, impact attendu, niveau de confiance, validation requise et données source. Cela connecte la conception de Supply Chain Dashboard avec la Decision Intelligence pratique.

Le tableau de bord devrait faciliter la revue, pas cacher la complexité. Incluez une courte explication, un statut de validation et une prochaine étape claire. Un bon prototype devrait soutenir le processus de décision du planificateur plutôt que le contourner.

Étape 7 — Ajouter des contrôles avant la mise à l'échelle

Avant d'industrialiser le prototype, définissez les droits d'accès, la journalisation, les seuils d'approbation, les règles de repli et les contrôles de qualité des données. C'est là que le travail passe d'une démo à la AI Governance, surtout si l'outil peut influencer les décisions d'inventaire, sourcing, transport ou service client.

Les équipes devraient aussi décider qui possède l'outil après le prototype. Un workflow Claude + MCP peut démarrer dans une petite équipe analytique, mais la mise à l'échelle requiert de la clarté de modèle opérationnel à travers l'IT Governance, l'excellence planning et la propriété métier.

Checklist de validation

• Le planificateur peut-il voir quelles données ont été utilisées ?
• La recommandation peut-elle être reproduite ?
• Les hypothèses et données manquantes sont-elles clairement signalées ?
• Y a-t-il une étape d'approbation humaine avant l'exécution opérationnelle ?
• Les intégrations ERP, APS ou BI sont-elles en lecture seule pendant la phase prototype ?
• Les logs sont-ils disponibles pour l'audit, le débogage et la revue du comportement du modèle ?

Enseignement pratique

Claude plus MCP peut compresser le temps entre l'idée et le prototype pour les équipes supply chain. La valeur durable, cependant, vient de l'association de la vitesse avec l'architecture : outils contrôlés, résultats transparents et gouvernance claire autour des décisions opérationnelles.

Le cas d'usage le plus fort n'est pas de remplacer les planificateurs. C'est de donner aux planificateurs un moyen plus rapide de tester des scénarios, inspecter les données, appeler des analytics approuvés et documenter le raisonnement derrière les décisions. C'est là que la Supply Chain AI commence à devenir opérationnellement utile.