Où l'IA rapporte le plus dans les industries traditionnelles

La plupart du marketing sur l’IA est écrit pour les entreprises de logiciels. Les études de cas parlent de chatbots de soutien dans des SaaS, d’assistants de code pour les équipes d’ingénierie et de parcours d’accueil personnalisés. Si vous dirigez un distributeur de 300 employés ou une firme d’ingénierie régionale, presque rien de tout ça ne décrit votre entreprise.

Ce vide est une occasion. Les entreprises qui ont le plus à gagner de l’IA aujourd’hui sont souvent celles dont les éditeurs de logiciels se sont le moins occupés : des entreprises où le vrai travail se fait dans les soumissions, les bons de commande, les horaires, les plans, les rapports d’inspection et les dossiers de réclamation. Le travail est assez répétitif pour coûter cher et assez variable pour qu’aucun logiciel sur étagère ne convienne vraiment.

Pourquoi les industries traditionnelles sont-elles négligées par les fournisseurs d’IA ?

Les éditeurs de logiciels bâtissent pour des marchés où ils peuvent vendre encore et encore. Un outil horizontal pour les équipes de ventes se vend à toutes les entreprises qui ont une équipe de ventes. Un outil qui gère la façon précise dont un fabricant d’acier de taille moyenne transforme les plans de ses clients en soumissions a un marché beaucoup plus petit, alors il est rarement bien fait.

Ces entreprises se retrouvent donc avec un système central (un ERP, ou progiciel de gestion intégré, un logiciel comptable, un outil de service terrain) entouré d’un anneau de solutions de contournement. Des chiffriers qui calculent ce que l’ERP ne sait pas faire. Des boîtes courriel qui servent de file de commandes. Un estimateur senior qui sait quels fournisseurs soumissionnent cher et quels clients changent toujours les spécifications après l’approbation.

C’est dans cet anneau de contournements que se trouve le coût. C’est aussi là que se trouve la valeur, parce que ces contournements contiennent des années de jugement sur la façon dont l’entreprise fonctionne vraiment.

Qu’est-ce qui rend ce terrain propice à l’IA ?

Les intrants ne sont pas structurés. Plans, PDF, courriels, formulaires numérisés, notes d’appels. Jusqu’à récemment, les logiciels ne pouvaient pas les lire de façon fiable. Les modèles actuels le peuvent, avec la bonne ingénierie autour.

Les décisions suivent des règles que les gens savent expliquer. Un estimateur peut vous dire pourquoi un projet reçoit une contingence de 15 % et un autre de 5 %. Ce raisonnement peut être capté, testé et codé.

Le volume est élevé et les marges sont minces. Gagner 20 minutes sur chacune de milliers de transactions par année pèse plus lourd chez un distributeur à faible marge que dans une entreprise de logiciels à forte marge.

Les gens qui font ce travail sont rares. Les estimateurs, planificateurs, experts en sinistres et coordonnateurs de projets d’expérience sont difficiles à recruter et longs à former. Rendre chacun d’eux plus efficace vaut souvent plus que n’importe quelle réduction d’effectifs.

Où l’IA rapporte-t-elle dans le secteur manufacturier ?

En fabrication, les deux gains les plus importants touchent généralement les soumissions et la documentation qualité. Dans les deux cas, des gens lisent des documents et en retapent des parties, et dans les deux cas, ça ralentit l’entreprise d’une façon que les clients remarquent.

Soumissions et estimation

Un fabricant sur mesure ou à la commande reçoit des demandes de prix (RFQ) sous forme de plans, de devis techniques et de courriels. Un estimateur les lit, repère les matériaux et les opérations, cherche des pièces semblables dans les anciens projets, applique les règles de coût et monte la soumission. Le délai de réponse décide souvent qui obtient le contrat.

L’IA peut lire le plan et le devis, en extraire les attributs utiles, trouver des projets comparables dans l’historique et assembler une soumission préliminaire qui applique la logique de coût de l’estimateur. L’estimateur révise, ajuste et envoie. Le but, c’est un délai plus court avec des marges constantes. Pas une soumission entièrement automatisée.

Documentation qualité et conformité

Rapports d’inspection, avis de non-conformité, certificats de conformité et dossiers qualité propres à chaque client demandent beaucoup de temps à monter, surtout dans les secteurs réglementés. L’IA peut les rédiger à partir des données d’inspection et des registres de production, signaler les champs manquants et les vérifier par rapport aux exigences du client avant l’expédition.

Où l’IA rapporte-t-elle chez les distributeurs et grossistes ?

Pour un distributeur, la prise de commandes se démarque. Les commandes propres passent déjà toutes seules. Ce sont les exceptions qui mangent la journée de l’équipe, et l’IA gère bien les exceptions courantes.

Prise de commandes et exceptions

Les distributeurs reçoivent des commandes par tous les canaux imaginables : EDI (échange de données informatisé), portails, pièces jointes par courriel, appels retranscrits par les ventes internes. Les problèmes, ce sont les numéros de pièce inconnus, les quantités qui ne correspondent pas aux formats d’emballage, les prix qui ne respectent pas le contrat et les adresses de livraison qui n’existent pas dans le système.

C’est l’un des meilleurs cas d’usage de l’IA dans une entreprise traditionnelle. Un système qui lit les commandes entrantes dans n’importe quel format, les associe aux bons codes produits (SKU) grâce à l’historique du client, signale les vraies exceptions et règle les cas routiniers permet aux ventes internes de s’occuper des clients plutôt que de la saisie de données.

Rapprochement des bons de commande et des factures

Côté achats, rapprocher les factures fournisseurs des bons de commande et des réceptions est fastidieux et propice aux erreurs. Livraisons partielles, substitutions, frais de transport et changements de prix créent tous des écarts. L’IA peut faire le premier rapprochement, expliquer chaque écart et n’envoyer aux comptes fournisseurs que les vrais problèmes.

Où l’IA rapporte-t-elle en construction et dans les métiers ?

En construction, l’IA fait ses preuves sur l’estimation et sur la paperasse qui s’accumule autour de chaque chantier actif. Les deux mobilisent les mêmes personnes d’expérience qui devraient gérer les projets.

Estimation et relevés de quantités

Les entrepreneurs généraux et spécialisés consacrent beaucoup de temps senior à des appels d’offres qu’ils ne remporteront pas. Lire les documents d’appel d’offres, tirer les quantités des plans et appliquer les coûts unitaires prend du temps, et ceux qui le font bien sont les mêmes qu’on a besoin sur les chantiers.

L’IA peut extraire la portée des dossiers d’appel d’offres, résumer les addenda, relever les quantités des éléments courants et préremplir l’estimation avec les coûts unitaires historiques. L’estimateur peut alors analyser plus d’appels d’offres, ou consacrer plus de temps à ceux qui comptent.

Dessins d’atelier et documentation de projet

Dessins d’atelier et fiches techniques à soumettre, demandes d’information (DI), ordres de modification, rapports journaliers et dossiers de fermeture s’alourdissent à chaque projet. Un système qui vérifie les soumissions par rapport au devis, rédige les réponses aux DI à partir des documents du projet et garde la documentation de fermeture en ordre au fil du chantier enlève une bonne part de l’administratif aux chargés de projet.

Où l’IA rapporte-t-elle en logistique et en transport ?

En logistique, le rendement vient de la répartition et de la trace documentaire que laisse chaque chargement. L’un est un problème de jugement, l’autre un problème de rapprochement, et l’IA aide pour les deux.

Planification et répartition

Les répartiteurs jonglent avec les heures de conduite, la disponibilité des équipements, les plages horaires des clients, la circulation et l’appel qui entre à 16 h 45. Une grande partie de ce jugement repose sur une ou deux personnes d’expérience. L’IA peut proposer des horaires qui respectent les contraintes fermes, expliquer les compromis et aider le répartiteur à replanifier quand quelque chose brise. Le répartiteur décide toujours. Il décide plus vite, avec de meilleures informations.

Documents de transport et facturation

Connaissements, preuves de livraison, frais accessoires, documents douaniers et factures de transporteurs créent un flot constant de rapprochements. L’IA peut extraire les données de ces documents, les comparer aux chargements et aux tarifs, et repérer les erreurs de facturation avant qu’elles deviennent des litiges ou des revenus perdus.

Où l’IA rapporte-t-elle dans les services professionnels ?

Pour les firmes de services professionnels, l’IA redonne aux personnes seniors les heures qu’elles passent à monter des documents plutôt qu’à exercer leur jugement. La révision reste humaine. La préparation rétrécit.

Firmes d’ingénierie

Les firmes d’ingénierie produisent beaucoup de documentation technique : propositions, devis, rapports de conception, rapports d’inspection. Une bonne part réutilise des travaux antérieurs. Une IA capable de fouiller l’historique de projets de la firme, de rédiger des sections à partir de projets comparables et de vérifier les documents par rapport aux exigences du code redonne aux ingénieurs seniors les heures qu’ils passent aujourd’hui à assembler.

Cabinets comptables

Les cabinets comptables reçoivent des documents clients dans tous les formats, tous en même temps, sous pression d’échéances. La collecte et le classement des documents, le premier rapprochement, l’explication des écarts et la préparation des dossiers de travail sont tous de bons candidats. La révision par l’associé et le directeur reste. Les heures passées à préparer cette révision diminuent.

Où l’IA rapporte-t-elle en courtage d’assurance ?

Les courtiers commerciaux passent une bonne partie de leur semaine à ressaisir les mêmes données clients dans des formats différents pour chaque assureur. Les propositions, la prise en charge des réclamations et la vérification des polices sont du travail minutieux où l’IA va vite et où les erreurs coûtent cher.

Propositions et ouverture de réclamations

Les courtiers recueillent l’information du client, remplissent les formulaires propres à chaque assureur et montent les dossiers de proposition. L’IA peut bâtir ces propositions à partir des dossiers clients, signaler l’information manquante et adapter le dossier aux exigences de chaque assureur.

Côté réclamations, l’ouverture d’un dossier consiste à rassembler les faits d’un sinistre à partir de courriels, de photos, de formulaires et d’appels, puis à les structurer pour l’assureur. Un système qui transforme cette matière brute en une déclaration de sinistre complète et cohérente raccourcit le cycle et réduit les allers-retours.

Renouvellements et vérification des polices

Comparer les conditions de renouvellement aux polices qui arrivent à échéance, et vérifier que les polices émises correspondent à ce qui a été lié, est un travail de détail où les erreurs coûtent de l’argent. L’IA peut faire la comparaison et faire ressortir les différences qui méritent l’attention du courtier.

Pourquoi partir du résultat plutôt que de « l’IA » ?

Parce qu’un projet qui part du résultat a une cible, un responsable et une façon de savoir s’il a fonctionné. Chaque exemple ci-dessus est d’abord présenté comme un problème opérationnel : délai de soumission, exceptions de commandes, volume d’appels d’offres, durée du cycle de réclamation. C’est voulu.

Les projets qui commencent par « il nous faut une stratégie IA » finissent souvent en présentation PowerPoint et en projet pilote qui cale. Nous avons écrit sur les raisons pour lesquelles les projets pilotes en IA calent, et l’absence d’indicateur opérationnel est en haut de la liste. Les projets qui commencent par « notre délai de soumission est de cinq jours et on perd des contrats aux concurrents qui répondent en deux » savent exactement à quoi ressemble le succès.

Partir du résultat change aussi la conversation à l’interne. Un directeur d’usine ou un contrôleur n’a pas à s’intéresser aux modèles. Il doit savoir que le changement va alléger la semaine de son équipe et améliorer les chiffres. Quand il aide à définir le problème, il aide à faire fonctionner la solution.

Ça vous garde aussi honnête dans vos choix technologiques. Parfois, la bonne réponse à un problème opérationnel est un meilleur rapport, un processus remis en ordre ou un changement de configuration dans l’ERP. Un partenaire qui part du résultat vous le dira. Un partenaire qui part de l’IA, rarement.

Comment savoir si un flux de travail est un bon premier candidat pour l’IA ?

Cherchez un volume élevé, des intrants sous forme de documents, un goulot d’expert et un indicateur que vous suivez déjà. Ce ne sont pas tous les processus qui valent la peine d’être automatisés, et les bons candidats ne doivent pas tous passer en premier. Voici les signaux que nous cherchons quand nous aidons une entreprise à choisir par où commencer.

Le volume est élevé et la structure, répétitive. Le même type de travail arrive plusieurs fois par semaine, même si chaque cas est un peu différent.

Les intrants sont des documents ou des messages que des gens lisent. Plans, courriels, PDF, formulaires. Si une personne lit quelque chose et en retape des parties dans un autre système, c’est un signal fort.

Il y a un goulot d’expert. Une ou deux personnes savent bien le faire, la file s’allonge quand elles sont absentes, et former quelqu’un de nouveau prend un an.

Le jugement peut s’expliquer. Si vous demandez à l’expert pourquoi il a pris une décision et qu’il peut vous répondre, la logique peut généralement être captée. Si la réponse est « je le sais, c’est tout », c’est un premier projet plus difficile.

Les erreurs sont visibles et récupérables. Une personne révise le résultat avant qu’il se rende à un client ou à un organisme de réglementation, du moins au début. Les flux où une erreur est irréversible sont de mauvais points de départ.

Il y a un chiffre que vous suivez déjà. Délai de traitement, taux d’erreur, arrérages, radiations, appels d’offres par estimateur. Si vous ne pouvez pas mesurer le problème aujourd’hui, vous ne pourrez pas montrer l’amélioration.

Les données existent, même si elles sont désordonnées. Anciennes soumissions, commandes passées, réclamations fermées. Les données ont rarement besoin d’être propres. Elles doivent exister et être accessibles.

Un flux qui coche cinq ou six de ces signaux mérite généralement qu’on s’y attarde. Un flux qui en coche deux n’est probablement pas le bon point de départ.

Quel est le vrai actif que l’IA doit capter ?

C’est le savoir qui n’est écrit nulle part. Les règles empiriques de l’estimateur. Le flair du répartiteur pour savoir quels clients accepteront une livraison en retard. L’instinct de l’expert en sinistres pour savoir quelles réclamations exigent une visite sur place.

Un bon projet d’IA dans ces milieux commence par capter ce savoir, avec les gens qui le détiennent, et par l’intégrer dans des systèmes qui appartiennent à l’entreprise. Nous détaillons cette démarche dans transformer le savoir institutionnel en systèmes de production. Bien fait, ça rend vos gens d’expérience plus efficaces et rend l’entreprise moins dépendante de chacun d’eux. Ça ne les remplace pas. Notre position là-dessus se trouve dans l’IA qui amplifie les équipes.

Comment une entreprise traditionnelle devrait-elle commencer avec l’IA ?

Étroit et en profondeur. Choisissez un flux de travail qui coche la plupart des signaux ci-dessus. Définissez l’indicateur opérationnel. Bâtissez un système de production qui le prend en charge, avec les gens qui font le travail aujourd’hui impliqués dès la première semaine. Mesurez. Puis décidez de la suite.

Le premier projet devrait laisser quelque chose derrière lui en plus du résultat : une intégration réutilisable avec votre ERP, une façon encadrée de traiter vos documents, des règles de décision captées que votre équipe peut consulter et modifier. C’est ce qui rend le deuxième projet plus rapide et moins cher que le premier. L’article sur ce qu’un mandat en IA devrait laisser derrière lui approfondit la question, et prouver la valeur de l’IA sur un seul problème explique comment cadrer le premier.

Pour les entreprises canadiennes, une partie de l’investigation technique dans ce type de travail peut aussi être admissible aux crédits d’impôt de la RS&DE (recherche scientifique et développement expérimental). Voyez si vos travaux en IA peuvent être admissibles à la RS&DE.

Questions fréquentes

Quelles industries traditionnelles tirent le plus de l’IA ?

La fabrication, la distribution, la construction, la logistique, les services professionnels et le courtage d’assurance. Elles ont toutes le même profil : du travail à fort volume basé sur des documents non structurés comme des plans, des commandes, des dossiers d’appel d’offres et des réclamations, traité par quelques personnes d’expérience difficiles à remplacer.

Quel est un bon premier projet d’IA pour un fabricant ou un distributeur ?

La préparation des soumissions pour un fabricant à la commande, et le traitement des exceptions de commandes pour un distributeur. Les deux sont à fort volume, partent de documents que des gens lisent et retapent, et ont un indicateur mesurable dès aujourd’hui, comme le délai de soumission ou le nombre de commandes traitées à la main.

L’IA remplace-t-elle les estimateurs, les répartiteurs ou les experts en sinistres ?

Non. Elle rédige, rapproche et signale pour que l’expert révise au lieu d’assembler. L’estimateur envoie toujours la soumission et le répartiteur décide toujours, mais chacun traite plus de travail avec de meilleures informations.

Si votre entreprise fait son travail coûteux dans des soumissions, des commandes, des horaires, des plans ou des réclamations, prenez rendez-vous avec Chrono Innovation. Apportez le flux de travail qui vous coûte le plus de temps. Nous vous dirons franchement si c’est un bon premier candidat et à quoi ressemblerait un premier mandat à portée fixe.