Comment l’IA peut transformer l’avenir de la fabrication

Ce webinaire s’adresse directement à la question qu’on pose souvent en coulisses : qu’est-ce que Genius construit vraiment avec l’IA, au-delà du battage médiatique? Dominique Visinard, qui dirige le développement produit chez Genius depuis 25 ans, et Mohamed Ben Salem, directeur d’architecture, présentent où en est rendu le projet — démarré depuis quelques mois dans un cycle d’investissement de 24 mois — en distinguant clairement ce qui est déjà disponible aujourd’hui de ce qui s’en vient dans les 18 prochains mois. Ils structurent la discussion autour de trois axes : automatiser la saisie transactionnelle (Smart Paste, déjà en place depuis la version 16.2), assister l’utilisateur avec un agent conversationnel alimenté par les données d’aide de Genius (et éventuellement celles du client), et prédire les besoins d’approvisionnement en s’inspirant du jugement d’un acheteur expérimenté plutôt que de suivre aveuglément des données parfois imparfaites. Mohamed prend le temps d’expliquer, en des termes accessibles, comment les données d’un client sont protégées (jamais utilisées pour l’entraînement, détruites après chaque requête) et montre des résultats concrets où le modèle de Genius bat déjà la précision d’un acheteur humain. Un sondage en direct en ouverture montre qu’environ 30 % des participants utilisent déjà l’IA dans leur entreprise — signe que cette conversation arrive au bon moment pour beaucoup.

Ce que vous apprendrez dans ce webinaire

Chapitre 1 — Évolution de la communication dans l’application

Avant même d’aborder l’IA, Dominique présente un chantier de communication : d’ici la fin de l’année, la version web de Genius permettra d’envoyer et de recevoir des courriels, d’y répondre et de consulter l’historique complet des communications directement sur n’importe quel document (soumission, commande, projet, etc.). Un plugin Outlook à venir permettra aussi de lier un courriel à un document Genius, avec un rattachement automatique des réponses futures du client ou du fournisseur à ce même historique.

Chapitre 2 — Projets d’intelligence artificielle en cours

Genius a lancé ses projets d’IA il y a quelques mois, dans un cycle d’investissement de 24 mois, avec une équipe interne renforcée et des sous-traitants externes. Au cours des 18 prochains mois, de nouvelles fonctionnalités apparaîtront progressivement dans l’application — la session distingue ce qui est déjà utilisable aujourd’hui de ce qui reste à venir.

Chapitre 3 — Automatisation des transactions avec l’IA

Smart Paste, déjà disponible dans la version 16.2, permet de copier un texte (un courriel, un document) même non structuré et de le coller directement dans une soumission ou une commande — le système en extrait automatiquement les articles, quantités et détails nécessaires, sans avoir besoin d’un format en colonnes. La même fonction s’applique aussi au contenu copié d’un fichier Excel, évitant le traditionnel processus d’import-export.

Chapitre 4 — Fonctionnalités futures et intégration de l’IA

Cette capacité sera étendue à d’autres documents pertinents (bons d’achat, factures, etc.). Démonstration d’un scénario futur : depuis Outlook, un courriel reçu (avec pièces jointes comme des dessins) peut être attaché à une soumission existante, ou, si elle n’existe pas encore, déclencher la création automatique d’une nouvelle soumission — l’IA lit le texte, identifie le contact/client déjà présent dans l’ERP, construit l’en-tête et le détail du document, et pourrait même associer chaque pièce jointe à la bonne ligne si le courriel couvre plusieurs articles ou machines différentes.

Chapitre 5 — Recherche sémantique et amélioration des résultats

Au-delà de la création automatique, Genius ajoute une recherche sémantique capable de faire correspondre la terminologie propre à un client (même avec des fautes ou une formulation différente) à des articles existants. Mohamed précise que ça va plus loin qu’une simple tolérance aux fautes de frappe : le système fait correspondre les termes par leur signification — par exemple, « feuille de métal » retrouve « metal sheet », « back panel » d’une machine peut retrouver une feuille de métal dans la nomenclature, et « tube » peut correspondre à « pipe » et vice versa.

« L’IA va faire correspondre les termes de recherche avec les résultats par leur signification. » — Mohamed Ben Salem

Chapitre 6 — Assistance à l’utilisateur avec un agent conversationnel

Genius prévoit un agent conversationnel indexant l’aide en ligne existante, les vidéos de formation, et éventuellement la documentation interne propre à chaque client (procédures, conventions de codification, étapes de qualité) pour des réponses personnalisées au-delà de l’aide générique de Genius. À plus long terme, l’agent pourrait même exécuter directement une transaction (créer un item, par exemple) plutôt que de se limiter à répondre à des questions. Sur le plan technique, l’agent repose sur un LLM interchangeable (GPT-4, Llama, etc.) enrichi par une base de connaissances Genius (aide en ligne, Académie) convertie en embeddings — cette base n’entraîne jamais le modèle, elle sert seulement à accélérer et préciser les réponses. Les données propres à un client ne sont injectées que dans le contexte de la conversation au moment de la requête, puis immédiatement détruites — elles ne font jamais partie de la base de connaissances partagée ni de l’entraînement. L’agent sera disponible uniquement dans la version web, bien qu’il puisse répondre à des questions concernant toute la plateforme, y compris la version desktop.

Chapitre 7 — Prédiction et réapprovisionnement recommandé

Le module de réapprovisionnement recommandé existe déjà : il analyse les niveaux d’inventaire, les réservations, les minimums/maximums, les fournisseurs qualifiés et les commandes en cours pour proposer un « panier d’achat » (ou de production) et générer des bons automatiquement. Ce module ne fonctionne bien que si toutes les données sous-jacentes sont parfaitement à jour — ce qui est rarement le cas en pratique, poussant les acheteurs expérimentés à compenser manuellement (acheter plus tôt ou en plus grande quantité) alors qu’un utilisateur moins expérimenté qui suit le système à la lettre risque des retards. L’objectif de l’IA est de « réfléchir » comme un acheteur chevronné en apprenant des écarts historiques entre ce qui était planifié et ce qui s’est réellement passé, pour proposer une recommandation plus fine que celle du système actuel — l’utilisateur restant libre de suivre, ignorer, ou éventuellement automatiser la recommandation une fois la confiance établie.

Chapitre 8 — Utilisation de l’IA pour l’optimisation des achats

Le premier cas d’usage ciblé est spécifiquement l’audit des délais d’approvisionnement (production en avance ou en retard, quantités demandées logiques), avant de s’attaquer à d’autres cas comme l’analyse de consommation. En Q&R : l’emplacement de stockage des données (local ou infonuagique, par exemple S3) n’a aucune contrainte technique; connecter ces capacités d’IA à d’autres ERP via une API publique n’est pas prévu dans les prochaines années — le développement cible exclusivement l’application Genius, bien que l’équipe invite quiconque ayant un besoin précis à la contacter directement; et sur la question de savoir si le réapprovisionnement recommandé pourrait un jour passer les commandes de façon entièrement automatique — oui, c’est l’objectif visé à terme, mais toujours avec le contrôle explicite de l’utilisateur, jamais à son insu.

Chapitre 9 — Évaluation des performances du modèle de prédiction

Mohamed explique le processus de construction du modèle : diviser les données historiques pertinentes entre entraînement et évaluation, partir d’un modèle de base, ajuster les hyperparamètres, et améliorer progressivement la performance par rapport à un acheteur moyen — en distinguant la phase d’entraînement (en amont) de la phase de prédiction réelle (en aval, au moment de la requête).

Chapitre 10 — Évaluation des performances du modèle

Présentation des résultats : le modèle de Genius affiche un taux d’erreur nettement plus bas qu’un acheteur humain par rapport à une ligne de référence idéale (zéro erreur), avec des prédictions nettement plus regroupées autour de cette ligne que les décisions humaines — jugées étonnamment erratiques et réactives aux événements les plus récents. Sept modèles candidats différents ont été testés, avec le Random Forest retenu comme base, et le travail se poursuit pour continuer à l’affiner.