Adopter l'IA et le machine learning dans les achats : opportunités, défis et meilleures pratiques

Votre longue carrière dans les achats a consisté en grande partie à être malmené par la direction sur la nécessité de réduire constamment les coûts des fournisseurs. Arrive la technologie numérique pour faciliter votre travail — ou le supprimer.

C'est, du moins, la peur des professionnels des achats à l'ère de l'intelligence artificielle et du machine learning. Considérant tous les facteurs qui entrent dans la sélection et la maintenance des fournisseurs, n'est-il pas logique de confier la tâche à un système qui peut traiter plus de données que cent humains ?

Et le volume de données continue de croître. Les gestionnaires d'achats d'aujourd'hui doivent puiser dans de multiples sources d'intelligence, des fournisseurs eux-mêmes ainsi que des données financières indépendantes, rapports d'actualité, services tiers et médias sociaux. Dit Sammeli Sammalkorpi, cofondateur du fournisseur de logiciels d'analytique d'achats Sievo : « Les organisations d'achats n'ont pas encore appris comment exploiter ces différents types de données. »

L'IA et le machine learning sembleraient particulièrement bien adaptés au défi. Mais les craintes qu'ils prennent le travail entièrement semblent infondées. Quand il s'agit d'achats efficaces et de gestion des fournisseurs, l'avenir prévisible est celui de la collaboration entre humain et machine.

« Je crois vraiment que le rôle de l'IA n'est pas de remplacer les humains », dit Sammalkorpi. « Le machine learning et l'IA peuvent proposer des découvertes, mais vous devez encore ajuster à ce qui est pertinent, et ce qui ne l'est pas. »

Les machines sont hautement efficaces pour des applications étroites, impliquant des problèmes bien définis. De plus, elles sont toujours « allumées » et entraînent un coût d'opération minimal, comparé au salaire et avantages d'un travailleur humain.

Vient le moment de passer à l'action, cependant, et le gestionnaire en chair et en os doit intervenir. Simplement, les humains sont encore meilleurs pour faire le jugement final sur les fournisseurs clés. Pour le moment, au moins, « le machine learning n'est pas encore assez fiable pour piloter les décisions », dit Sammalkorpi. (Il y a une autre raison pour garder les humains dans la boucle, ajoute-t-il : ils doivent retenir la responsabilité de faire des choix pour ne pas finir par blâmer la machine pour les mauvais.)

Dans les premiers stades du machine learning, la technologie peut probablement prendre en charge certains éléments du contrat fournisseur. À mesure qu'elle s'améliore, cependant, les acheteurs se retrouveront à compter sur le système pour un nombre croissant de tâches, sinon la décision finale sur la vérification et la sélection des fournisseurs.

Parce que l'IA et le machine learning dépendent fortement d'algorithmes complexes, les entreprises pourraient supposer qu'elles ont besoin d'engager une équipe coûteuse de data scientists pour faire tourner le système et donner du sens à ses conclusions. De l'avis de Sammalkorpi, ce n'est pas le cas pour le département des achats. Il croit que ce type d'expertise est mieux obtenu d'un fournisseur externalisé.

« Même s'ils pensaient que c'était un bon cas d'affaires », dit-il, « nous ne voyons pas beaucoup d'organisations capables de retenir ce talent en interne. Vous avez toujours besoin de data scientists, mais je ne pense pas que l'organisation d'achats est le bon endroit pour eux. »

Prédire les résultats futurs est susceptible d'être aussi difficile pour une machine que pour un humain — en d'autres termes, impossible. Mais le machine learning est bon pour réviser rapidement les prévisions et plans d'action en temps réel, pour refléter les modèles d'achat réels, croit Sammalkorpi.

Tout cela suppose, bien sûr, que les achats puissent incorporer sans heurts la nouvelle technologie dans ses opérations. Mais de nouvelles recherches de Forrester Consulting, commanditées par le fournisseur de plateforme d'achats Ivalua, suggèrent que c'est loin d'être le cas. Employant un « indice de maturité digitale » pour évaluer le progrès des entreprises dans l'adoption de la technologie d'achats, Forrester a trouvé que la plupart « surestiment significativement » leur niveau de maturité à cet égard.

Soixante-cinq pour cent des entreprises sondées se considéraient comme « avancées », mais seulement 16 % avaient le niveau requis de maturité digitale dans leurs organisations d'achats pour justifier cette évaluation.

Un problème est que de nombreuses entreprises font de mauvais choix initiaux en sélectionnant la technologie d'achats. Dans l'étude Forrester, 82 % avaient changé ou envisageaient de changer de fournisseurs tech, citant comme raisons de pauvres niveaux d'intégration des fournisseurs et d'adoption utilisateur.

De plus, la période d'adoption était excessivement longue. Seulement 17 % des organisations étaient capables d'intégrer de nouveaux fournisseurs en moins d'un mois, et 59 % prenaient entre un et trois mois par fournisseur.

« Les leaders des achats ont l'opportunité de livrer un vrai avantage concurrentiel pour leurs organisations », a déclaré David Khuat-Duy, PDG corporate d'Ivalua, dans un communiqué. « La transformation digitale est critique pour le succès, mais requiert une évaluation réaliste de la maturité actuelle, une vision claire pour chaque étape du voyage et la bonne technologie. »

Tout cela suggère que la technologie sous forme d'IA et de machine learning est encore loin d'éjecter les humains de la fonction achats, même si elle promet d'améliorer les opérations quand elle est correctement évaluée et implémentée.