Ce blog se concentre sur le rôle de l’IA dans la diligence raisonnable en matière de chaîne d’approvisionnement et aborde à la fois les défis, les limitations et les avantages de l’IA dans un processus de diligence raisonnable holistique, ainsi que son évolution potentielle dans le futur.
Il y a eu beaucoup de discussions et de débats sur l’utilisation de l’IA dans la diligence raisonnable en matière de chaîne d’approvisionnement. Les références à des termes tels que l’Internet des objets (IoT), le big data, le web scraping et les relations déduites ont gagné en popularité dans les médias et dans les discussions concernant la diligence raisonnable en matière de chaîne d’approvisionnement. La société exploite de plus en plus la puissance d’Internet et les développements technologiques pour changer notre façon de vivre et de travailler. Le débat est généralisé, tout comme la confusion autour des capacités des technologies émergentes et de leur capacité à soutenir les pratiques d’approvisionnement durable.
La course vers le zéro net dans tous les secteurs industriels crée une concurrence sans précédent pour les matières premières, l’expertise, les sous-traitants et les fournisseurs. Cette demande croissante a des implications environnementales et sociales. Il existe des cas de travail forcé lié à la fabrication de panneaux solaires, de déforestation liée à la fabrication de turbines éoliennes par Amazon et de dommages aux stocks marins et de poissons en Indonésie dus à l’exploitation minière illégale du nickel.
Il est indéniable que les nouvelles technologies d’IA comme le screening des médias adverses et l’analyse d’images satellites jouent un rôle dans notre capacité à protéger les personnes et la planète, mais lorsqu’il s’agit de problèmes complexes et souvent cachés au sein de la chaîne d’approvisionnement, est-il suffisant de compter sur ces développements?
Qu’est-ce que l’IA?
Tout d’abord, assurons-nous que nous comprenons tous ce que nous entendons par IA. Il existe plusieurs types différents d’IA. Ces termes font référence à différents concepts dans le domaine de l’intelligence artificielle. Peut-être de manière peu utile, ils sont souvent confondus ou utilisés de manière interchangeable – en particulier l’IA étroite, l’IA générative et l’IA générale, qui sont expliquées ci-dessous.
IA étroite (ou IA faible) : Cela fait référence à des systèmes d’IA conçus et entraînés pour une tâche spécifique ou un ensemble restreint de tâches. La plupart des applications d’IA utilisées aujourd’hui, telles que les assistants vocaux comme Siri ou Alexa, les systèmes de reconnaissance d’images et les algorithmes de recommandation, relèvent de la catégorie de l’IA étroite.
IA générative : L’IA générative fait généralement référence à un sous-ensemble de l’intelligence artificielle qui se concentre sur la création de nouveaux contenus ou données plutôt que simplement sur l’analyse ou la classification des informations existantes. Il implique souvent des modèles capables de générer des résultats réalistes et nouveaux, tels que des images, du texte, voire des scénarios entiers, basés sur les modèles et les informations qu’ils ont appris des données d’entraînement.
IA générale (Intelligence Artificielle Générale ou IAG) : En revanche, l’IA générale fait référence à un type d’intelligence artificielle qui possède la capacité de comprendre, d’apprendre et d’appliquer des connaissances dans un large éventail de tâches, similaire à l’intelligence humaine. L’IAG serait capable d’effectuer toute tâche intellectuelle qu’un être humain peut accomplir, de s’adapter à des situations nouvelles et peu familières, et de démontrer une compréhension étendue de divers domaines.
Contrairement à l’IA générative et étroite, qui sont conçues pour des tâches spécifiques, l’IAG est hypothétique et n’existe actuellement pas. Atteindre l’IAG reste un objectif à long terme dans le domaine de la recherche en IA. Pour l’instant, ce blog se concentre donc sur l’IA étroite et générative.
Défis de l’IA
Bien que l’IA générative et étroite puisse offrir des avantages significatifs en termes d’amélioration de l’efficacité, de la précision et de la prise de décision lors de la diligence raisonnable en matière de chaîne d’approvisionnement, il existe également plusieurs défis et problèmes associés à sa mise en œuvre.
Quelques opérateurs sans scrupules recourant au travail forcé, à l’exploitation minière illégale ou à la pollution des mers et des rivières ne divulgueront pas les informations sur leurs activités commerciales là où l’IA générative d’aujourd’hui peut les trouver. Certains des principaux problèmes incluent :
Qualité et Fiabilité des Données : Les systèmes d’IA générative reposent fortement sur les données pour l’entraînement et la prise de décision. Si les données d’entrée sont inexactes, incomplètes ou biaisées, cela peut entraîner des résultats et une prise de décision erronés.
Confidentialité et Sécurité des Données : Les données de la chaîne d’approvisionnement incluent souvent des informations sensibles sur les entreprises, les fournisseurs et les clients. Garantir la confidentialité et la sécurité de ces données est crucial pour prévenir les accès non autorisés, les violations ou les abus.
Complexité des Réseaux de Chaîne d’Approvisionnement : Les chaînes d’approvisionnement peuvent être complexes et impliquer de nombreux acteurs, ce qui rend difficile leur modélisation et leur analyse. Les algorithmes d’IA générative peuvent avoir du mal à capturer toute la complexité des réseaux mondiaux de chaîne d’approvisionnement.
Manque de Normalisation : L’absence de formats de données normalisés et de protocoles à travers la chaîne d’approvisionnement peut entraver l’intégration et l’interopérabilité des systèmes d’IA. Différentes entreprises peuvent utiliser différents systèmes, rendant difficile la création d’une solution universelle.
Risques Interconnectés : Les risques de la chaîne d’approvisionnement sont souvent interconnectés, et l’IA générative peut avoir du mal à analyser et à prédire les effets en cascade. Par exemple, une perturbation dans une partie de la chaîne d’approvisionnement peut avoir des répercussions dans l’ensemble du réseau.
Préoccupations Éthiques : L’utilisation de l’IA dans la diligence raisonnable en matière de chaîne d’approvisionnement soulève des préoccupations éthiques, telles que le biais algorithmique et le potentiel de conséquences non intentionnelles, comme le récent cas de l’IA Gemini de Google. Les systèmes d’IA peuvent involontairement perpétuer des biais existants ou prendre des décisions ayant des impacts sociaux ou environnementaux négatifs.
Nature Dynamique des Chaînes d’Approvisionnement : Les chaînes d’approvisionnement sont dynamiques, avec des changements constants dans la demande, l’offre, la réglementation et les facteurs géopolitiques. Les systèmes d’IA peuvent avoir du mal à s’adapter rapidement à ces changements, ce qui conduit à des informations obsolètes ou inexactes.
Validité des Données Sensibles au Temps : Certains processus de diligence raisonnable en matière de chaîne d’approvisionnement reposent sur la collecte de données d’entreprise disponibles publiquement qui peuvent être contenues dans des rapports financiers ou de durabilité annuels. En raison du cycle de rapport rétrospectif des entreprises qui divulguent ces informations, elles peuvent souvent être obsolètes ou non pertinentes au moment de leur collecte et de leur analyse.
Accès aux Informations de Niveau Inférieur : De nombreux fournisseurs dans le monde complexe de la chaîne d’approvisionnement d’une entreprise ne publient pas ou ne divulguent pas publiquement d’informations. Souvent, les micro et petites entreprises conservent les informations sous forme imprimée ou sur leurs serveurs d’entreprise, ce qui rend presque impossible pour les solutions d’IA d’y accéder.
Le rôle bénéfique de l’IA générative
Malgré ces défis, l’IA peut et jouera un rôle de plus en plus important dans l’amélioration de la diligence raisonnable en matière de chaîne d’approvisionnement et de la pensée fondée sur les risques lorsqu’elle est mise en œuvre de manière réfléchie. Elle est déjà utilisée quotidiennement et continuera à évoluer pour inclure :
Assurance Qualité des Données : Prioriser la qualité des données en mettant en place des processus de validation et de nettoyage des données. Utiliser des algorithmes d’IA pour identifier et rectifier les incohérences, les erreurs et les valeurs aberrantes dans les données.
Analyse Avancée pour la Complexité du Réseau : Utilisation d’analyses avancées et d’algorithmes d’apprentissage automatique pour modéliser et analyser les réseaux de chaîne d’approvisionnement complexes. Ces outils aident à fournir des informations sur les dépendances, les vulnérabilités et les risques potentiels dans l’ensemble du réseau.
Surveillance de la Conformité Réglementaire : Les outils d’IA peuvent être utilisés pour surveiller et garantir la conformité aux réglementations pertinentes.
Gestion Intégrée des Risques : Systèmes de gestion des risques intégrés pilotés par l’IA qui tiennent compte des risques interconnectés. Cela peut impliquer la simulation et l’analyse de différents scénarios pour identifier les effets en cascade potentiels et développer des stratégies d’atténuation proactives.
Visibilité et Traçabilité de la Chaîne d’Approvisionnement : Utiliser des technologies d’IA telles que la blockchain et l’IoT (Internet des objets) pour améliorer la visibilité et la traçabilité de la chaîne d’approvisionnement. Cela peut améliorer la précision des données et fournir des informations en temps réel sur le mouvement des marchandises dans toute la chaîne d’approvisionnement.
Ces cas d’utilisation ne feront que croître à mesure que la technologie deviendra plus mature et établie. Par exemple, l’IA Adaptative ou l’IA capable de s’adapter à la nature dynamique des chaînes d’approvisionnement avec des mécanismes d’apprentissage continu permettra finalement une évolution et une mise à jour basées sur les changements de demande, d’approvisionnement et de facteurs externes.
L’IA et le web scraping pour la gestion de la chaîne d’approvisionnement des PME
Aujourd’hui, pour les PME, des solutions entièrement automatisées et de type web scraping peuvent fournir une solution de gestion de la chaîne d’approvisionnement rentable, notamment là où les risques sociaux et environnementaux, les exigences de conformité et la complexité de la chaîne d’approvisionnement sont moindres.
Le rôle de l’IA dans les secteurs à haut risque et complexes
Dans les secteurs fortement réglementés, complexes et à haut risque dans lesquels Achilles se spécialise, il est cependant difficile d’imaginer un scénario où l’IA seule fournirait la transparence requise – pour un temps considérable à l’avenir, voire peut-être jamais.
Ici, le rôle de l’IA, pour l’instant, est et sera comme un complément à des méthodes plus approfondies et détaillées. Celles-ci ne sont peut-être pas aussi à la mode que l’IA. Elles font appel à de vraies personnes, à leurs yeux, à leurs oreilles et à de nombreuses années d’expérience internationale et à une véritable compréhension des problèmes complexes en jeu pour identifier les menaces qui se cachent dans l’ombre de la chaîne d’approvisionnement d’aujourd’hui.
Exemples concrets
Chez Achilles, nous avons la chance de soutenir des clients à toutes les étapes de leur parcours de diligence raisonnable, de l’évaluation des risques à la divulgation. Une partie de ce processus comprend nos audits sur site et les entretiens avec les travailleurs. Il s’agit d’activités de type “sur le terrain”, dans certains des endroits les plus inaccessibles et les plus exigeants de la planète. Nos équipes d’auditeurs utilisent leurs yeux, leurs oreilles et leur vaste expérience pour aller encore plus loin.
Un exemple récent est les cas potentiels de travail forcé identifiés sur un site à Singapour. Notre client, une société énergétique multinationale qui ignorait que des travailleurs migrants employés par le biais d’une agence se voyaient demander de verser de gros dépôts pour obtenir un emploi et, dans certains cas, se voyaient retirer leurs documents d’identité. Malheureusement, ce n’est pas un cas isolé. Que ce soit des produits chimiques déversés dans les cours d’eau ou des déductions de salaire comme forme de punition financière, nos équipes voient et entendent ces problèmes de leurs propres yeux et oreilles.
Aujourd’hui, pour appliquer une diligence raisonnable efficace et se conformer à une législation de plus en plus rigoureuse en matière de diligence raisonnable comme Apenhetsloven, Bill S211, BRSR Core, CSDDD, Lieferkettengesetz et la Modern Slavery Act, il faut adopter une approche large en utilisant tous les outils disponibles pour une entreprise. Heureusement pour nos clients, nous avons exploité ces outils et avons l’expérience nécessaire pour savoir quand et comment les déployer.
Trouver un équilibre entre l’automatisation et l’expertise humaine est crucial. Un trop grand recours à l’IA sans surveillance humaine peut et va entraîner des angles morts et des subtilités manquées, tandis qu’une automatisation insuffisante peut entraîner des inefficacités. À une époque où le monde est confronté à une augmentation des atteintes aux droits de l’homme, du travail des enfants, du travail forcé et de la pollution environnementale, et lutte pour réduire les émissions et faire face au changement climatique, nous devons utiliser tous les outils à notre disposition pour créer de la transparence et aborder les impacts négatifs de nos transactions commerciales. Les régulateurs, les investisseurs et les clients auraient tort d’accepter moins que cela.