Michelin : « Tous les six mois, nous avons presque l’impression de changer de “planète IA” »

Nous devons notamment connaître le portefeuille de commandes, les objectifs de service et nos « clusters supply chain », qui regroupent des types de produits et de clients auxquels correspondent des cibles de fonctionnement spécifiques.

Il faut ensuite mettre en regard le portefeuille de commandes de chaque cluster et la supply projetée pour le servir au niveau attendu. Cela constitue en quelque sorte l’électrocardiogramme de la supply chain : sommes-nous correctement organisés pour atteindre nos objectifs dans les jours, semaines et mois à venir ? Une fois ces « capteurs » en place, nous pouvons déclencher des agents capables d’agir.

Nous avons commencé par la prévision de la demande. À l’origine, Blue Yonder nous avait proposé un POC autour de l’IA appliquée au forecast. Les résultats nous ont suffisamment impressionnés pour que nous décidions finalement de développer notre propre solution. Une équipe de moins de cinq personnes s’est constituée autour de ce premier cas d’usage.

Selon les régions et les business lines, nous avons gagné environ 5 à 10 points en qualité de prévision, soit l’équivalent de 1 à 2 jours de stock. Aujourd’hui, pour la division Automotive, environ 50 % de nos volumes sont forecastés sans intervention avec l’IA. Les prévisionnistes peuvent ainsi concentrer leur expertise sur les sujets à forte valeur ajoutée, notamment les lancements de nouveaux produits et les références présentant une mauvaise qualité de prévision récurrente.

Nous avons ensuite développé une approche "Smart Inventory". Le modèle reconnaît dans les données historiques des configurations ayant provoqué des problèmes de service ou de surstock et agit préventivement : redéploiement du stock ou ralentissement du réapprovisionnement. Initialement, il proposait des alertes aux Supply Planners. Avec la confiance acquise par les utilisateurs, certaines actions ont progressivement été automatisées.

Nous avons également travaillé sur la logistique. Un moteur optimise notamment le remplissage des camions entre nos usines et nos magasins commerciaux. Comme chaque référence de pneu possède une géométrie différente, nous exploitons les données historiques de composition et de chargement des camions pour déterminer beaucoup plus précisément leur capacité. Nous avons gagné environ 2 points de taux de chargement moyen, ce qui représente en Europe des économies significatives de coût de transport ainsi qu'une baisse de nos émissions de CO2.

Enfin, pour le transport intercontinental, nous avons développé un solveur qui intègre l’ensemble du trajet, les lead times, le stock, le cash et l’empreinte carbone. Les acheteurs peuvent pondérer ces différents critères selon les régions ou les business afin d’identifier les solutions optimales.

Le groupe Michelin a-t-il mis en place une gouvernance de la data ?

Michelin a lancé une initiative groupe baptisée « Data Driven Company », à laquelle la supply chain participe. Son inscription parmi les grandes initiatives du groupe a donné un cadre et une légitimité supplémentaires aux investissements nécessaires.

Nous avons créé un centre d’excellence IA supply chain qui rassemble aujourd’hui plusieurs dizaines de personnes. Sa particularité repose sur la mixité des profils : des experts issus des métiers opérationnels de la supply chain travaillent avec des spécialistes de l’IA.

Ces équipes, souvent organisées en binômes ou trinômes, réalisent des gemba auprès des opérationnels afin d’identifier leurs irritants et les cas d’usage sur lesquels l’IA peut apporter une réponse. Cette proximité avec le terrain explique en partie pourquoi presque tous nos modèles ont dépassé le stade expérimental pour être déployés à l’échelle.

Les besoins digitaux exprimés par les régions et les business lines représentent toutefois environ deux à trois fois la capacité de nos équipes digitales. Nous devons donc prioriser fortement. Il y a encore trois ans, il pouvait sembler relativement facile de renoncer à certains projets d’IA ou de BI. Ce n’est plus le cas aujourd’hui : ces investissements sont devenus beaucoup plus stratégiques.

La question que je me pose aujourd’hui porte surtout sur notre vitesse. Les technologies progressent extrêmement rapidement, notamment avec l’arrivée de l’IA agentique. Sommes-nous au bon rythme pour rester au niveau dans trois ou cinq ans ? Faudrait-il multiplier nos moyens par deux, quatre ou dix ? Tous les six mois, nous avons presque l’impression de changer de "planète IA".

Oui, très largement. Lorsque nous avons créé cette équipe, nous lui avons fixé dès 2021 un KPI très clair : les gains business générés chaque année doivent dépasser son coût. L’équipe mesure donc les gains qu’elle permet aux différentes entités business de réaliser. Le contrat consiste, en quelque sorte, à s’autofinancer. Chaque année depuis la mise en place de cet indicateur, elle dépasse cet objectif.

Accélérer nécessite évidemment des moyens financiers et des compétences. Mais un autre facteur devient déterminant : la capacité des équipes opérationnelles à absorber les transformations. Nous pouvons disposer d’une équipe IA extrêmement performante et capable de produire rapidement de nouveaux outils ; encore faut-il que les utilisateurs puissent les intégrer dans leurs pratiques. Au cours des trois dernières années, nous avons plusieurs fois ralenti certains projets parce que les équipes opérationnelles ne pouvaient plus absorber simultanément autant de changements.

Il y a moins de douze mois, nous avons volontairement ralenti certains projets en Europe. Les équipes devaient déjà gérer plusieurs transformations simultanées : changements d’ERP, évolution de Blue Yonder sur le processus de prévision de la demande, reconfiguration d’un réseau logistique ou encore changement du système de planification de la production. À l’échelle mondiale, notre portefeuille de transformation supply chain compte en permanence entre 200 et 250 projets. En Europe, entre les projets régionaux et groupe, 30 à 50 projets peuvent se dérouler simultanément. À cela s’ajoutent les transformations réglementaires, comme la facturation électronique, ou celles provenant d’autres fonctions de l’entreprise. L’IA offre des perspectives considérables d’efficacité et d’efficience, mais nous devons tenir compte de la capacité réelle des opérationnels à absorber ces évolutions.

Oui. Nous disposons de Change Leaders mutualisés sur l’ensemble des transformations supply chain, qu’elles concernent l’IA, la digitalisation d’un outil logistique ou un changement de version. Pour les transformations les plus importantes, ces spécialistes pilotent directement la conduite du changement. Pour les projets plus simples, ils forment les chefs de projet afin qu’ils puissent eux-mêmes l’accompagner.

Nous avons également intégré cette dimension à nos jalons projets. Lors de la clôture, un critère essentiel concerne le transfert aux opérations. Avant de dissoudre l’équipe projet, nous devons nous assurer que les équipes opérationnelles peuvent réellement prendre le relais : les personnes doivent avoir été formées, comprendre le sens de la transformation et disposer des conditions nécessaires pour utiliser la solution.

La transformation pourrait modifier assez profondément notre manière de penser les métiers de la supply chain. Historiquement, nous les avons structurés autour des processus : planification stratégique, tactique et opérationnelle, forecast, inventory management, S&OP…

Avec la data et l’IA, notre grille de lecture pourrait progressivement basculer des processus vers la donnée. Nous disposons aujourd’hui de Lead Process Engineer. Demain, les Lead Data Engineer pourraient prendre une place croissante pour structurer notre métier à travers la data et les relations entre les différentes données.

Cela a représenté un sujet majeur et le reste encore. Michelin dispose d’un data office centralisé et de missions de Data Owner responsables notamment de la qualité des données. Pour la supply chain, nous avons choisi une organisation légèrement différente. Nos Data Owner restent hiérarchiquement rattachés aux équipes métiers, tout en dépendant fonctionnellement du data office. Les données supply chain évoluent très rapidement : il nous semblait donc indispensable que ces profils restent proches des opérations. Ils sont néanmoins formés et certifiés pour exercer leur rôle de Data Owner. Le déploiement de cette organisation nous a permis de réaliser des progrès importants sur la qualité de la donnée.

Nous travaillons sur un programme de longue haleine baptisé End to End Transparency de la supply chain. Notre chaîne commence chez nos fournisseurs les plus éloignés et se termine chez nos clients. Pour des raisons réglementaires, avec notamment les digital product passport, mais aussi géopolitiques et environnementales, nous devons accroître considérablement notre capacité à voir ce qui se passe de bout en bout.

L’enjeu consiste d’abord à exploiter toutes les données disponibles, qu’elles proviennent de nos systèmes, de sources externes, de rapports ou encore d’e-mails. L’IA pourra probablement contribuer à réconcilier certaines données et à extrapoler certaines situations.