Le commerce de détail se compose de travail qui se répète et de travail qui tourne autour de l'instant même. Compter les stocks, ajuster les prix, passer des commandes, traiter les retours, établir les plannings : cela représente une grande partie des heures de bureau et de back-office, et il s'agit d'un travail à structure fixe. En face se trouve le travail au comptoir, en magasin, au téléphone : quelqu'un qui hésite entre deux tailles, une plainte concernant une livraison, une question qui ne rentre pas dans le script. Ces deux types de travail orientent ensemble le résultat de chaque ambition IA dans ce secteur. Là où le travail est structuré et où les données sont correctes, la capacité se déplace relativement vite. Là où le travail consiste à lire une situation et à assumer la responsabilité d'une décision, il se déplace peu ou pas du tout.
La même répartition en trois qui traverse tous les secteurs s'applique ici aussi. Une partie du travail peut être reprise par l'IA : la comparaison des prix, la prévision des stocks basée sur l'historique des ventes, la constitution de rapports standards, le premier tri des demandes de retour. Une autre partie se fait partiellement, avec une personne qui approuve ou rejette avec motif : un système propose une commande, un acheteur la vérifie par rapport aux influences saisonnières ou à un accord fournisseur que le système ne connaît pas. Et une troisième partie reste un travail humain : la conversation avec un client qui a besoin de quelque chose de spécifique, l'arbitrage lors d'un litige sur une garantie, l'encadrement d'une équipe sur le terrain pendant une période de forte affluence. La part du travail qui relève de chaque catégorie diffère selon l'entreprise. Cela dépend du degré de standardisation de l'assortiment, de la propreté des données de stock et de vente, et de la part du contact client qui passe déjà par des canaux fixes.
Une chaîne de magasins avec un assortiment limité, des achats centralisés et des caisses numériques a déjà les bases en place pour une grande partie des tâches de back-office : les données existent, le processus est répétable, et un système peut faire une proposition qu'une personne vérifie. Une chaîne avec un assortiment large et variable, des achats décentralisés par établissement et de nombreuses exceptions manuelles n'a pas cette base. Cette différence ne réside pas dans l'ambition — les deux directions peuvent prononcer la même phrase, « l'IA doit reprendre notre planification des stocks » — mais dans ce que l'organisation sait déjà faire avant que ce travail puisse être déplacé. Les rôles qui commandent aujourd'hui manuellement sont-ils aussi ceux qui évalueront demain une proposition du système ? Un pouvoir de décision a-t-il été attribué à celui qui traite l'exception ? Ces questions se cachent sous l'ambition, et elles deviennent visibles dès que l'on vérifie au lieu de supposer.
Si de la capacité se libère parce qu'une tâche passe à un système sous supervision, une question se pose sur ce qu'il advient de ces heures libérées : d'autres tâches, moins de recours à l'intérim, une autre composition du personnel. Cette question relève de l'employeur, et des exigences légales propres s'appliquent aux décisions qui touchent les effectifs. Ce qui est en jeu ici, c'est l'étape qui précède : quel travail est déjà, par sa structure de tâches et la qualité de ses données, suffisamment avancé pour qu'un système puisse le reprendre ou le soutenir, et quel travail ne l'est pas. C'est une question factuelle sur le travail, pas un conseil sur les personnes.
Le commerce de détail n'est pas le seul secteur où cette question se pose, et les réponses diffèrent selon la branche pour des raisons comparables. Dans l'hôtellerie-restauration, la question se pose différemment en raison du service direct et des effectifs variables, comme on peut le lire dans les ambitions IA qui jouent dans l'hôtellerie-restauration ; dans le secteur agricole, les influences saisonnières et le travail physique jouent un rôle plus important, décrit dans comment les ambitions IA dans le secteur agricole se rapportent au travail saisonnier ; et dans les services financiers, le poids se situe justement du côté de la réglementation et du contrôle, comme développé dans les ambitions IA au sein des services financiers et le rôle de la conformité. La comparaison montre que l'ambition elle-même est moins déterminante que la préparation qui se trouve derrière.
Une ambition qui affirme que l'IA reprend le travail présuppose des capacités qui n'existent peut-être pas encore aujourd'hui : des données propres, un pouvoir de décision clair pour les exceptions, une équipe capable d'évaluer une proposition du système au lieu de simplement l'exécuter. Sans cette vérification, l'ambition reste une phrase sur papier, un risque qui se manifeste plus largement et qui est traité dans pourquoi une stratégie reste parfois un document au lieu d'un changement. À l'inverse, il est aussi possible qu'un changement commence déjà à se mettre en place avant que quelqu'un ne lui donne un nom ; les signaux qui l'indiquent sont décrits dans les signaux précoces qu'un changement prend. La question sous-jacente — quel travail, dans cette entreprise spécifique, est réellement transférable à l'IA — reçoit une réponse par tâche grâce au scan de travail de FTE TO AI.
La première étape n'est pas de reformuler l'ambition, mais de regarder où l'organisation en est déjà. Un contrôle de préparation gratuit de huit questions courtes, une par dimension, donne une image de là où vous êtes le plus avancé et là où vous l'êtes le moins. Le test d'ambition complet, avec les quatre couches et les cinq confidence gates, est en cours de construction.
Vertel wat u wilt bereiken, dan kijken we samen wat daarvoor moet staan.
Answers come from this site’s knowledge base. Not tailored advice, and not a scan of your company.