Il n'y aura pas de retour à la normale. C'est le point de départ de la table ronde animée au Tech For Industry Show par Véronique Rollin, Managing Director (Accenture), 25 ans au service des supply chains industrielles — dont l'accompagnement d'Airbus sur la surveillance de sa supply chain lors du ramp-up de l'A320 — et Céline Dumas, Strategy Principal Director (Accenture), spécialiste achats et supply chain dans le consumer goods et le retail. Leur thèse : à l'ère de la permacrise, la supply chain n'est plus un sujet d'efficacité opérationnelle mais une priorité stratégique, et l'IA change la nature même du problème.

Ce qui change avec les crises permanentes, ce n'est pas tant leur intensité — plus forte, plus fréquente — que leur combinaison et leur imprévisibilité : les recettes de la crise précédente ne fonctionnent pas pour la suivante. Le nouveau normal, c'est l'instabilité structurelle ; les supply chains doivent donc être adaptables structurellement, tout en tenant l'équilibre entre coûts, niveau de service, disponibilité produit et empreinte CO₂.

Digital twins, control towers, systèmes d'évaluation des risques : les industriels se sont équipés. Mais ces solutions exigent un investissement d'entrée massif et surtout un effort continu de mise à jour — maintenir en temps réel une cartographie multi-tiers (niveau 1 à 4) des fournisseurs, corréler les bons risques au bon moment. « On y arrive, mais à des prix colossaux. » L'enjeu de demain : piloter les risques à moindre coût.

L'IA générative sait exploiter les données non structurées dormantes — contrats, nomenclatures, spécifications fournisseurs — que les systèmes actuels, cantonnés aux données structurées, ignorent. L'IA agentique ajoute le raisonnement par objectif : décortiquer un problème, aller chercher l'information de manière autonome, croiser et proposer. Là où une tension capacitaire déclenche aujourd'hui des jours, voire des semaines de coordination manuelle (encours, commandes ouvertes, repriorisation clients, transferts de stocks), un agent peut former une première réponse. Et demain, pourquoi pas un agent de l'entreprise dialoguant — sous accord — avec l'agent du fournisseur pour trouver la meilleure option pour la filière et limiter les effets coup de fouet.

La supply chain n'est pas que du planning : c'est aussi des entrepôts, des camions, des cartons. La physical AI relie le jumeau numérique aux robots, AGV, AMR et au WMS : le système digital surveille en permanence via les capteurs, et le système exécutif s'auto-adapte — un camion en retard, une demande qui explose, et la replanification se fait en continu. C'est dans la logistique que les premiers cas se concrétisent, avant l'assemblage : l'entrepôt autonome « va devenir le new normal ».

Troisième rupture, d'une nature différente : la vitesse de création d'applicatifs grâce à l'IA — vibe coding, low-code, et méthodologies spec-driven comme le framework BMAD utilisé par les équipes data & IA d'Accenture, qui « mirrore » une squad de développement (UX/UI, data engineer, product). De quoi prototyper très rapidement un support décisionnel pour le planificateur — sans remplacer les core solutions (ERP, outils de planning spécialisés), mais en créant par-dessus une couche d'orchestration agile.

Développée pour un grand industriel pharmaceutique, la plateforme monitore les stocks par SKU et par marché — et des agents y naviguent en continu. Le premier détecte les signaux faibles : tendance au surstockage, dérives de forecast accuracy annonçant des ruptures. Un deuxième agent teste les paramètres de planning (fréquences de commande, safety stocks), refait tourner le modèle et lance le recalibrage — ce qu'aucun planificateur ne pourrait faire à chaque micro-changement, avec des paramètres aujourd'hui figés dans les cycles S&OP/S&OE.

Point clé : pas de boîte noire. Un agent trace tout ce que font les autres, et un agent de décision explique ce qui a été fait. Les agents sont autonomes sur les micro-ajustements ; sur les grosses variations, ils informent, et c'est le planificateur qui arbitre. Transposé à l'industrie, ce monitoring continu permettrait d'augmenter les stocks de sécurité en avance de phase — au lieu d'attendre qu'il soit trop tard, comme sur les crises de manquants que subit l'aéronautique.

Pourquoi conserver des cycles de planning longs — S&OP, S&OE, MPS, MRP — quand on peut contextualiser en direct et évaluer des scénarios en quelques secondes ? Le cycle de demain : je perçois, je contextualise, j'évalue mes scénarios, je simule, je décide, j'agis. La performance ne se mesurera plus au respect du planning, mais à la rapidité de réaction et d'adaptation du système industriel — un process devenu apprenant, qui décide en contexte plutôt que de rejouer les recettes du passé.

Fini le planificateur qui triangule cinq fichiers Excel entre deux réunions S&OP : demain, il raisonne par exception, comprend ce que fait le système, arbitre les gros changements et améliore le dispositif en continu. Émerge aussi le rôle de system builder — concept venu d'Amazon, qui a automatisé toute sa chaîne de systèmes — chargé de mettre à jour en continu systèmes et algorithmes pour intégrer les exceptions.

L'architecture cible : un digital core stable et standard (les ERP), des workblocks IA composables en surcouche, modelables finement par métier — et, au milieu, la couche décisive : le knowledge graph, l'ontologie qui relie produits, pièces, designs, clients et fournisseurs. « C'est là que l'intelligence des entreprises réside. » Sans oublier la responsible AI : un système autonome a besoin de limites — tout tracer, et garantir la reprise de contrôle par l'humain à tout moment. Une « liberté encadrée ».

Le message de conclusion : ne cherchez pas où « soudre de l'IA » dans vos process actuels — c'est la recette des POC qui ne passent jamais à l'échelle. Partez des grandes décisions difficiles à craquer : l'exemple cité, un client confronté à une forte obsolescence de certains SKU, montre qu'en partant de la décision, le système agentique dépasse le seul use case inventaire pour embrasser les fonctions connexes. Et comme l'a souligné un échange final avec la salle : au-delà des gains de coût et d'efficacité, l'IA réduit la charge mentale des équipes en absorbant la masse d'informations — et en diminuant le taux d'erreur.

Retrouvez l'intégralité de cette table ronde, ainsi que les autres replays du Tech For Industry Show, sur notre page dédiée.