Le commerce de gros fonctionne sur des flux : marchandises, commandes, factures et informations qui circulent entre fournisseurs et clients. Une grande partie des heures de bureau est consacrée à un travail qui se répète dans ce flux — saisir et contrôler des commandes, ajuster les stocks par rapport aux achats et aux ventes, suivre les accords de prix, faire correspondre les factures avec les bons de livraison, répondre aux questions des clients sur les délais de livraison et la disponibilité. À côté, il y a un travail qui se répète moins : négocier avec les fournisseurs, composer un assortiment, s'occuper d'un client dans une situation difficile, décider de ce qu'il faut faire lorsqu'une livraison est bloquée.
Ces deux types de travail orientent vers un résultat différent lorsqu'une ambition suppose un travail confié à l'IA. Un travail répétitif avec des règles fixes se laisse plus facilement reprendre qu'un travail dans lequel quelqu'un évalue à chaque fois ce qui est juste dans cette situation. Les circonstances qui déterminent le résultat ne tiennent pas seulement à la nature du travail, mais aussi à la propreté et à la structuration des données sous-jacentes — une ligne de commande notée différemment dans cinq systèmes est plus difficile à lire pour un système que pour une personne qui connaît le contexte.
Dans une partie des entreprises de commerce de gros, du travail est déjà repris aujourd'hui : le contrôle des commandes par rapport aux conditions d'achat, la synthèse des e-mails de fournisseurs en une action, le remplissage d'une prévision de stock sur la base de tendances historiques. Dans une autre partie des entreprises, exactement le même travail repose encore entièrement sur des personnes. La différence tient rarement à la volonté de changer. Elle tient au fait que les données soient en ordre, qu'il y ait quelqu'un habilité à approuver ou rejeter avec motif le résultat d'un système, et que l'organisation ait déterminé qui décide de quoi en cas de problème.
Trois catégories traversent presque tous les processus du commerce de gros. Il y a le travail qu'un système peut reprendre sans intervention, comme le transfert d'une ligne de commande dans le bon format. Il y a le travail où l'IA fait une proposition et une personne évalue cette proposition — une note de crédit qui est proposée, mais approuvée ou renvoyée avec motif par un collaborateur. Et il y a le travail qui reste un travail humain, comme la conversation avec un fournisseur qui ne respecte pas son délai de livraison. La catégorie dans laquelle une tâche se range diffère selon l'entreprise et le système, et change dès que les données ou le processus changent.
Une ambition telle que « notre service client fonctionnera bientôt en grande partie de manière automatisée » suppose que l'entreprise puisse catégoriser les questions des clients, que la connaissance derrière une réponse soit structurée quelque part, et qu'il existe un accord sur le moment où une question est transmise à une personne. Sans ces trois éléments, l'ambition n'est qu'une phrase, pas un plan. Il en va de même pour une ambition liée à la gestion des stocks : elle exige que les données d'achat, de vente et de logistique s'articulent entre elles, et que quelqu'un soit habilité à corriger une recommandation de commande proposée par l'IA.
Le test d'ambition consigne de telles ambitions en quatre couches — vision, vision state, target, target state — et les évalue sur huit dimensions de préparation, avec cinq confidence gates qui indiquent où le plan repose encore sur la confiance plutôt que sur la preuve. Ce même test retraduit le résultat en capabilities : ce que chaque rôle doit savoir faire, et qui obtient le droit de décision lorsqu'un système propose un résultat. Pour les entreprises de commerce de gros qui réfléchissent aussi à la part du bénéfice consacrée au maintien de la part de marché, il vaut la peine de lire comment vous arbitrez la croissance face à la marge dans une stratégie, car une ambition IA sans cet arbitrage devient vite une supposition plutôt qu'un choix.
Le commerce de gros partage beaucoup avec les maillons logistiques qui le précèdent et le suivent. Qui veut faire la comparaison avec un secteur où le travail physique des marchandises est encore plus proche du processus la trouvera dans quelles ambitions IA se manifestent dans le secteur du transport, et qui veut voir comment une même ambition se traduit dans un environnement de production lira quelles ambitions IA se manifestent dans l'industrie manufacturière. Le schéma se répète : les mêmes mots d'ambition, une préparation différente, un résultat différent.
Là où cela touche au personnel — quelles fonctions changent lorsque le travail se déplace — des exigences légales propres s'appliquent, qui sortent du cadre de ce test. Ce que le test d'ambition fait bien, c'est clarifier quelle capacité se libère lorsqu'un travail donné se déplace, en heures et en équivalents temps plein, afin qu'une équipe de direction sache de quoi elle parle avant de parler des personnes.
La question sous-jacente — quel travail dans cette entreprise peut réellement être repris par l'IA — trouve une réponse avec le werkscan de FTE TO AI, tâche par tâche, plutôt que par fonction ou par supposition. Pour une équipe de direction qui veut d'abord savoir si sa propre vision est suffisamment mesurable pour être testée sur cette base, il y a comment rendre une vision mesurable.
Qui veut savoir où se situe sa propre organisation peut faire le contrôle de préparation gratuit : huit questions courtes, une par dimension, avec pour résultat 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 d'élaboration.
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.