Le nettoyage est en grande partie un travail d'exécution sur site : nettoyer des espaces, réapprovisionner le matériel, effectuer des contrôles, signaler des incidents. Autour de cela se trouve une couche de travail de planification, moins visible mais tout aussi déterminante pour les coûts : établir des plannings, organiser des remplacements, traiter les réclamations, planifier des contrôles qualité et faire rapport aux donneurs d'ordre. Les circonstances sur site influencent fortement le résultat : tel bâtiment a une équipe du matin fixe avec peu de rotations, tel autre travaille avec des équipes changeantes, des contrats courts et de nombreux remplaçants ponctuels. Cette variation détermine quelle partie du travail se laisse inscrire dans un schéma et quelle partie reste dépendante de ce que quelqu'un constate sur place.
Ces deux couches — l'exécution sur site et la planification à distance — réagissent différemment à l'IA. Il ne s'agit pas qu'une couche soit « plus intelligente » que l'autre ; c'est plutôt que l'une se laisse mieux saisir dans des données que l'autre.
Au sein de la couche de planification, on constate qu'une partie du travail a déjà basculé. Les plannings établis sur base de schémas fixes, l'enregistrement des heures, la facturation et le reporting qualité de base sont des tâches que l'IA peut reprendre dès que les données sous-jacentes sont structurées. Estimer une pénurie soudaine de personnel en cas de maladie, évaluer une réclamation qui ne rentre pas dans le format prévu, ou négocier avec un donneur d'ordre une modification de contrat : cela reste un travail humain, ou un travail où l'IA formule une proposition qu'un responsable approuve ou refuse, avec motivation.
Sur le terrain, la situation est différente. La technologie de capteurs qui signale quand un espace a réellement été utilisé et doit donc être nettoyé est une forme de soutien IA qui existe déjà, mais qui exige un investissement en équipement et un bâtiment adapté à cet effet. Beaucoup de sites n'en disposent pas. Le nettoyage lui-même reste, sauf déploiement de robots dans des environnements spécifiques, un travail humain.
Pourquoi cela fonctionne-t-il déjà ainsi chez telle entreprise de nettoyage et pas chez telle autre ? La différence réside rarement dans l'ambition elle-même — presque chaque entreprise souhaite planifier plus efficacement et perdre moins de temps avec des plannings manuels. La différence réside dans ce qui sous-tend cette ambition : l'entreprise dispose-t-elle déjà des heures, de l'absentéisme et des réclamations dans un système qu'une application d'IA peut lire, ou tout cela se trouve-t-il encore dans la tête des planificateurs et dans des feuilles de calcul séparées par région.
Une entreprise de nettoyage qui déclare « nous voulons automatiser les plannings » entend par là, dans une organisation, un système qui génère lui-même un planning complet. Dans une autre : un outil qui formule une première proposition, qu'un planificateur ajuste ensuite. Ce sont deux ambitions différentes, avec des exigences différentes en matière de données, de compétences décisionnelles des planificateurs et du degré auquel les donneurs d'ordre doivent approuver les modifications. Tant qu'une équipe de direction n'a pas discuté ensemble de cette différence, elle parle d'automatisation sans savoir de quelle variante il s'agit.
C'est précisément là qu'une ambition structurée en couches — de la vision jusqu'à un état cible concret — fait la différence : elle oblige à préciser ce qui change dans qui a le droit de prendre une décision, et qui en reste responsable. À titre de comparaison, dans d'autres secteurs comportant beaucoup de travail d'exécution sur site, un schéma comparable se retrouve : qui lit comment cela se traduit dans la construction ou dans le secteur de l'installation, y retrouve la même ligne de démarcation entre travail de planification et travail d'exécution, avec des sources de données quelque peu différentes.
L'obstacle le plus souvent cité n'est pas la technique mais l'enregistrement des données. Les heures de service, l'absentéisme, les réclamations et l'utilisation du matériel sont souvent répartis entre systèmes régionaux, formulaires papier et accords oraux entre planificateur et responsable de site. Une application d'IA qui reprend les plannings ou les contrôles qualité a besoin de ces données sous une forme lisible. Sans cette base, une ambition reste une déclaration sans fondement.
Se pose ensuite la question de qui a le droit d'approuver ou de refuser une proposition de l'IA. Dans les entreprises où le planificateur détient aujourd'hui l'entière autorité sur les modifications de planning, une application d'IA qui planifie elle-même change de facto le rôle de ce planificateur en celui de contrôleur. Cela touche à la façon dont les fonctions sont organisées et aux conditions de travail ; pour les décisions qui concernent le personnel, des exigences légales propres s'appliquent et ne sont pas traitées ici.
La question qui sous-tend toutes les ambitions dans ce secteur n'est pas « l'IA peut-elle reprendre le nettoyage » mais « lesquelles de nos tâches sont déjà suffisamment consignées pour qu'une application d'IA puisse les lire, et lesquelles ne le sont pas encore ». Cela varie selon l'entreprise, la région et même le donneur d'ordre, et ne se laisse pas répondre en termes généraux. Ce que cela signifie concrètement, tâche par tâche, pour votre organisation, le scan de travail de FTE TO AI le met en évidence : un aperçu de quel travail se prête déjà aujourd'hui à une reprise, quelle partie exige un contrôle et quelle partie reste un travail humain. Qui souhaite d'abord comprendre comment une ambition se traduit en modèle opérationnel trouvera cela expliqué dans le target operating model en langage clair, et qui souhaite savoir quelles capabilities une ambition spécifique exige peut le lire via les capabilities dont votre organisation a besoin pour cette ambition.
Formuler une ambition pour l'IA dans le travail de nettoyage commence par établir où l'organisation se trouve réellement, et non où la direction espère se trouver. Le contrôle de préparation gratuit de FTE TO AI se compose de huit questions courtes, une par dimension, et fournit un aperçu de là où l'organisation est la plus avancée et là où il reste le plus d'étapes à franchir. Le test d'ambition complet, avec les quatre couches et les cinq confidence gates, est en cours de développement.
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.