fr.wedoany.com Rapport : Les fabricants du marché intermédiaire sont confrontés à des défis tels qu’une base de données fragile et des difficultés d’intégration des systèmes existants dans l’application de l’intelligence artificielle. La plupart des entreprises en restent encore au stade pilote, sans parvenir à un déploiement à grande échelle. Il existe un angle mort rarement évoqué dans les discussions sur l’IA : les sujets actuels se concentrent sur les chatbots et les outils de contenu, ainsi que sur les secteurs où les retours sont immédiats et les résultats adaptés à un affichage sur écran. La situation des fabricants du marché intermédiaire est tout autre et bien plus complexe.

Le rapport « The State of AI in the Mid-Market » (L’état de l’IA dans le marché intermédiaire) publié par Kaufman Rossin a interrogé les décideurs seniors des entreprises américaines du marché intermédiaire. Il révèle un clivage évident : les fabricants industriels et du marché intermédiaire expérimentent massivement l’IA, mais les déploiements à grande échelle à l’échelle de l’entreprise restent rares. La vague de disruption numérique a enfin atteint ce secteur, mais ses fondations ne sont pas encore prêtes à supporter les applications de l’IA.

La disruption numérique de la dernière décennie ne s’est pas produite simultanément dans tous les secteurs, mais a progressé comme une vague, en commençant par l’avant-garde économique tournée vers le client. Les détaillants, les banques et les marques de consommation ont été les premiers à ressentir la pression et, par conséquent, à se transformer, en concentrant leurs investissements sur l’infrastructure de données, les plateformes numériques et les nouvelles méthodes de travail. Aujourd’hui, cette pression se propage en amont de la chaîne de valeur. Les fabricants, les distributeurs et les fournisseurs industriels sont contraints par leurs clients et partenaires de se numériser, de s’intégrer et de s’automatiser. Ces entreprises ne sont pas lentes à réagir ; elles sont simplement les dernières en ligne. La différence réside dans le fait qu’elles disposent de moins de temps pour se préparer, tandis que les attentes à leur égard sont déjà bien définies.

L’IA crée-t-elle des problèmes de données, ou se contente-t-elle de les révéler ? Sans données propres, connectées et accessibles, l’IA ne peut fonctionner, et les entreprises industrielles n’ont historiquement pas investi dans ces bases. Le rapport montre que seulement 27 % des entreprises manufacturières disposent d’un entrepôt de données ou d’un lac de données (data lake), contre 60 % pour l’ensemble du marché intermédiaire. 45 % des entreprises manufacturières utilisent encore des données en silos, et aucune n’utilise de plateforme d’apprentissage automatique. À l’échelle du marché intermédiaire, seules 16 % des entreprises ont atteint un état de gouvernance et d’intégration complètes des données. Les systèmes existants (legacy systems) constituent également un défi. Tous les fabricants de l’étude utilisent des systèmes ERP, profondément intégrés et difficiles à connecter aux outils d’IA modernes. L’intégration des systèmes existants représente l’obstacle principal dans le secteur manufacturier, avec un taux de 55 %, bien supérieur à la moyenne du marché de 41 %.

Sous la couche technique se trouve une dimension culturelle. Les entreprises industrielles fondent leur avantage concurrentiel sur l’expertise opérationnelle, la maîtrise des processus et une connaissance approfondie du domaine, plutôt que sur une prise de décision basée sur les données. L’intuition acquise au fil des décennies sur le terrain a bien servi ces entreprises, mais l’IA exige qu’elles fonctionnent selon des hypothèses différentes. Cette transition est plus difficile que l’installation de n’importe quel outil.

73 % des entreprises manufacturières sont encore en phase de test de l’IA, et aucune entreprise de l’étude n’est devenue un opérateur pleinement opérationnel. En élargissant à l’ensemble du marché intermédiaire, 73 % des entreprises en sont encore à un stade précoce ou de préparation de base, et seulement 7 % sont prêtes pour un déploiement à l’échelle de l’entreprise. Les résultats concrets actuels sont limités, comme des gains de temps sur des étapes isolées ou l’automatisation des comptes fournisseurs. Ces améliorations de productivité individuelle aident une personne à agir plus rapidement dans des processus encore connectés à des systèmes déconnectés, mais ces résultats ne sont pas transformateurs. Le risque est de confondre un pilote réussi avec la fin du parcours. La préparation organisationnelle (organizational readiness) comble l’écart entre un pilote prometteur et une mise à l’échelle opérationnelle.

La bonne nouvelle, c’est que la volonté existe : tous les fabricants interrogés conviennent que l’IA peut faire gagner du temps, et 91 % prévoient d’augmenter leurs investissements. Mais des investissements sans fondement ne produiront que davantage de pilotes, et non une mise à l’échelle. Trois priorités peuvent changer cette trajectoire. Premièrement, connecter les données, en commençant par comprendre ce que l’on possède, où elles se trouvent et leur degré de propreté, briser les silos les plus importants et investir dans une ou deux plateformes d’intégration pour connecter les systèmes les plus utilisés. Deuxièmement, commencer par des cas d’usage où les données sont prêtes, trouver les processus où les données sont déjà suffisamment propres pour démontrer une valeur à l’échelle de l’entreprise, et construire à partir de là. Enfin, considérer cela comme un changement culturel et non comme un projet informatique. La direction doit redéfinir les données, d’une fonction de soutien à un actif stratégique, et inculquer cet état d’esprit dans toute l’organisation. Les outils ne changent pas une entreprise ; ce sont les personnes qui le font.

La même vague de disruption qui a remodelé la vente au détail et la finance est arrivée dans les ateliers. Les entreprises qui creuseront l’écart ne seront pas celles qui achèteront le plus d’outils, mais celles qui construiront les bases, connecteront les données et considéreront l’IA comme une transformation organisationnelle potentielle. La technologie est prête ; la véritable question est de savoir si le modèle opérationnel est prêt à laisser l’IA faire la différence.