Optimisation, IA générative et informatique quantique : des modèles d’optimisation aux décisions liées à la chaîne d’approvisionnement résiliente

Les conversations tenues par les conseils d’administration à propos des chaînes d’approvisionnement sont en train de changer.

La question n’est plus : « Quel est le plan optimal? »

Le sujet de l’heure est : « Quelle est la performance de ce plan, lorsque la réalité diverge des prévisions? »

Dans le premier volet de cette série de billets de blogue, Optimisation, IA générative et informatique quantique : accélérer et simplifier les processus décisionnels complexes liés à la chaîne d’approvisionnement, nous avons exploré comment les processus d’optimisation doivent évoluer d’un modèle « boîte noire » en une capacité transparente et accessible de prise de décision. En période d’incertitude, cette évolution est d’autant plus essentielle.

Les chocs causés par les tarifs douaniers, les tensions géopolitiques, les perturbations climatiques et la volatilité de la demande redéfinissent l’environnement des risques. Au cœur de celui-ci, les leaders ne choisissent plus simplement les « meilleurs » plans. Ils déterminent leur exposition aux risques.

• Quel est le degré d’exposition acceptable aux pertes potentielles?
• Quel montant devrions-nous investir en fonds de réserve?
• Comment pouvons-nous rendre notre réseau plus résilient?

Fondamentalement, il s’agit d’une discussion à propos des périodes d’incertitude et des risques, ce qui nécessite une résilience intégrée au système de prise de décision.

Résoudre l’incertitude au sein de la chaîne d’approvisionnement avec une optimisation stochastique

L’optimisation traditionnelle répond à une question claire : « Quel est le meilleur plan compte tenu des renseignements à notre disposition? » Cette approche fonctionne lorsque le degré de variabilité est limité. Malheureusement, les questions relatives aux chaînes d’approvisionnement complexes ne sont pas aussi tranchées.

Aujourd’hui, l’incertitude est persistante et systémique. Les coûts varient d’un chargement à un autre, les délais d’exécution fluctuent et le volume peut réduire sans avertissement. Des approches d’optimisation robustes conçues pour une variété de paramètres permettent de répondre directement à cette réalité. Plutôt que d’optimiser en fonction d’une seule prévision, elles évaluent la performance selon plusieurs futurs plausibles. Elles permettent aux leaders de comparer :

• un plan tenant compte des moyennes (déterministe) et un plan intégrant la variabilité (stochastique);
• un niveau de service à point unique et une distribution des résultats de service;
• un coût nominal et un coût ajusté en fonction du risque;
• des gains d’efficacité et une exposition aux risques extrêmes.

L’optimisation stochastique permet d’expliciter ces compromis Elle traduit l’incertitude en politiques décisionnelles, en indicateurs de risque et en seuils de déclenchement mesurables.

Concevoir des scénarios crédibles avec l’IA générative pour gérer les risques liés à la chaîne d’approvisionnement

La qualité de ces compromis dépend entièrement de la qualité des scénarios qui les sous-tendent. Une conception naïve de scénario peut mener à deux conclusions :

• effectuer une optimisation en vue d’un futur qui ne se réalisera jamais;
• ajouter des zones tampons et dégrader la performance.

Une modélisation efficace de la recherche opérationnelle exige une création disciplinée de scénarios ancrée dans les données, les jugements des experts et les hypothèses transparentes.

C’est dans cette situation que l’intelligence artificielle (IA) générative démontre sa valeur, non pas comme un substitut à la rigueur, mais comme accélérateur d’une approche structurée.

L’IA générative aide à traduire les discussions concernant les risques en scénarios structurés qui peuvent faire l’objet de conversations et être calibrés. Par exemple, elle peut aider les équipes à concevoir rapidement :

• un catalogue de perturbations plausibles des scénarios;
• des ajustements définis comme des délais d’exécution plus longs, des coûts plus élevés et une capacité réduite;
• des scénarios structurés à phases multiples qui reflètent le déroulement des événements au fil du temps.

Fondamentalement, ces résultats demeurent des ébauches de travail. Les hypothèses doivent toujours être revues, débattues et soutenues par des données. L’IA générative accélère le processus, mais elle ne remplace pas les preuves ni le jugement humain.

Rendre les décisions d’optimisation accessibles aux dirigeants grâce à l’IA générative

Les modèles d’optimisation conçus intelligemment génèrent une valeur lorsque les décideurs peuvent interpréter avec clarté leurs perspectives et agir en conséquence. À mesure que les scénarios se multiplient et que les compromis se complexifient, les réponses des modèles peuvent devenir difficiles à expliquer. Les dirigeants ont besoin de clarté, pas de détails techniques. Ils ont besoin de comprendre dans quelle mesure un changement de politique affecte l’exposition aux risques pour les services, la variabilité des coûts et la stabilité opérationnelle.

L’IA générative peut aider à combler cet écart.

Plutôt que d’attendre une révision d’analyse, les dirigeants peuvent poser des questions structurées dans la langue des affaires :

• « Que se passe-t-il si l’exposition au tarif douanier augmente de 5 %? »
• « Dans quelle mesure les risques liés au niveau de service changent si nous limitons les primes associées au transport? »
• « Quel est le degré d’exposition aux pertes potentielles si nous réduisons nos réserves stratégiques dans la région A? »

Le modèle traduit ces questions en points décisionnels clairs : ce qui a changé, quelles restrictions sont devenues contraignantes, quels domaines ont été affectés par les pénalités et ont constaté une augmentation des risques. Cette transparence permet de renforcer la confiance. C’est cette même confiance qui détermine si les optimisations orientent les décisions ou si elles ne demeurent qu’un exercice analytique.

Utiliser une approche d’architecture hybride évolutive

Comme détaillés dans notre première partie de cette série de billets de blogue, les systèmes de prise de décision évolutifs sont rarement conçus à partir d’une seule technologie. Ils présentent une architecture hybride dès leur conception :

• l’IA et l’apprentissage machine effectuent la prévision de facteurs déterminants comme la demande, les délais d’exécution et les probabilités de perturbation;
• l’IA générative traduit les requêtes non structurées en mises à jour du modèle structuré, en plus d’expliquer les conséquences en langue des affaires;
• le modèle d’optimisation prend des décisions vérifiables et réalistes alignées sur les objectifs;
• une simulation ou des jumeaux numériques réalisent la mise à l’essai des politiques en situation de variabilité des activités;
• une optimisation basée sur l’informatique quantique peut accélérer l’exploration de décisions complexes de planification, de logistique et de compromis du portefeuille à haute dimension.

Chaque composant a un rôle précis. Ensemble, ils créent un écosystème gouverné d’aide à la prise de décision, plutôt qu’un modèle indépendant.

Exemple : Optimisation d’un parc de véhicules face à la complexité liée aux tarifs douaniers, aux délais et aux opérations transfrontalières

Prenez, par exemple, un transporteur qui souhaite tirer le maximum d’un chargement complet au sein d’un réseau international avec des délais de livraison serrés et des tarifs douaniers volatiles. Des milliers de commandes, de chargements, de chauffeurs et de contraintes peuvent générer des millions de combinaisons d’affectations et de trajets.

Un modèle d’optimisation peut attribuer des commandes à des camions et des trajets précis pour maximiser les chargements complets tout en respectant les échéanciers, les contraintes d’équipement ainsi que les contrats des transporteurs. Cependant, pendant que les tarifs douaniers affectent les frais au débarquement, que les délais à la frontière fluctuent et que les transporteurs ajustent leur capacité, le défi prend rapidement de l’ampleur.

Dans des environnements hautement complexes comme celui-ci, l’informatique quantique, particulièrement les approches hybrides quantiques-classiques, peut accélérer la résolution de problèmes combinatoires précis tels que l’attribution des chargements aux camions ou la planification de trajets à travers des réseaux sévèrement restreints. D’un côté, les techniques quantiques peuvent explorer une large quantité de solutions plausibles plus efficacement. De l’autre, l’optimisation classique raffine et valide les options les plus prometteuses.

L’objectif d’affaires n’est pas seulement de réduire les coûts. Il s’agit de réaliser une prise de décision plus robuste et défendable, et ce, plus rapidement lorsque la planification d’échéanciers est restreinte et que la volatilité est extrême.

Parallèlement, l’intention de la direction doit se traduire rapidement en actions concrètes. Les dirigeants présentent les politiques en langage clair :

• privilégier la consolidation des chargements complets du Corridor A;
• limiter l’exposition au tarif douanier à X $ par chargement;
• éviter de traverser la frontière B durant deux semaines;
• réduire la taille de la flotte par X camions ou remorques.

L’IA générative traduit ces directives en mises à jour structurées du modèle (décisions et contraintes), ce qui permet de créer des scénarios que les planificateurs peuvent examiner et approuver. Cette approche permet de réduire considérablement le délai entre les décisions relatives à la politique et à l’application de ses ajustements dans le cours des activités.

L’IA générative explique également ses conclusions en langue des affaires : ce qui a changé, quelles restrictions sont devenues contraignantes, dans quelle mesure l’exposition aux tarifs douaniers a évolué et quels déclencheurs de replanification activer.

La planification du parc de véhicules devient ainsi un système adaptatif en continu, et non un exercice ponctuel d’optimisation.

Bâtir des systèmes sensibles aux risques et résilients d’aide à la prise de décision de la chaîne d’approvisionnement

Nous savons que l’optimisation doit être une fonction gouvernée, plutôt qu’une initiative ponctuelle. Dans les marchés volatils, cette capacité doit s’étendre au-delà de l’efficacité opérationnelle pour devenir une surveillance active des risques, et ce, à l’échelle de l’entreprise.

Aujourd’hui, les décisions relatives à la chaîne d’approvisionnement concernent moins la sélection d’un plan unique optimal et davantage la définition du niveau d’exposition aux risques qui équilibre les coûts, la résilience ainsi que l’exposition avec clarté et discipline.

La combinaison de l’optimisation stochastique, de l’IA générative et de l’informatique quantique rend possible cette transition. Ensemble, elles soutiennent les systèmes d’aide à la décision qui quantifient les incertitudes, explicitent les compromis et les adaptent à grande échelle.

Communiquez avec nos experts pour apprendre comment cette approche peut soutenir votre stratégie de chaîne d’approvisionnement.