Large Language Models (LLM) pour l'approvisionnement automatisé en matériaux : des assistants numériques au BTP

Les LLM élargissent considérablement les possibilités de traitement du langage basé sur l'IA. Les grands modèles linguistiques utilisent des techniques d'apprentissage en profondeur et sont entraînés, à l'aide de milliards de jeux de données, à reconnaître les modèles et les relations entre les mots et les phrases. Cela leur permet de traiter, de comprendre et de générer du langage humain.

Approvisionnement automatisé

Les organisations d'achat basées sur SAP bénéficient de plus en plus des avantages des grands modèles linguistiques. Ainsi, une série de bots LLM performants sont disponibles pour automatiser les processus d'achat opérationnels. Les bots d'approvisionnement, comme le bot d'approvisionnement d'Apsolut, qui soutient l'achat indirect de matériel, en sont un exemple. Si, par exemple, un nouveau bureau est nécessaire, le robot d'approvisionnement demande de manière ciblée la finition souhaitée, comme la couleur, les dimensions et le matériau. Ensuite, il crée automatiquement une demande d'achat dans les systèmes d'achat productifs, que ce soit SAP ECC, S/4 Hana ou SAP Ariba. Un processus similaire est suivi lorsque, par exemple, un poste de travail doit être créé pour une nouvelle collaboratrice du marketing. Le robot d'approvisionnement détermine alors de quel équipement de bureau cette collaboratrice a concrètement besoin pour exercer son travail et fait des propositions appropriées au demandeur sur la base des données du catalogue.

Les robots de négociation LLM pour les commandes Tail-Spend constituent un autre groupe d'assistants d'achat numériques. En raison du faible volume individuel des commandes Tail-Spend, la plupart des organisations d'achat estiment qu'il n'est pas rentable d'employer du personnel pour les négociations. Pourtant, même si les commandes Tail-Spend, prises individuellement, n'entraînent que de faibles coûts, le volume total peut s'accumuler de manière considérable.

Les bots de négociation LLM permettent d'exploiter le potentiel d'économies des commandes tail-spend, car ils automatisent l'ensemble du processus de négociation : de la sélection des commandes à négocier à la mise en œuvre de la commande, en passant par la détermination de la stratégie de négociation et la conduite de la négociation avec le fournisseur.

Détermination des groupes de marchandises

Un troisième exemple actuel est celui des robots LLM innovants pour la détermination automatique du groupe de marchandises, comme ceux mis à disposition par SAP Buying 360 - une nouvelle fonction de SAP Ariba Buying et S/4 Cloud, édition publique. Dans ce cas d'application également, l'utilisation de l'IA allège considérablement la charge de travail des acheteurs, car la détermination du groupe de marchandises fait partie des tâches principales qui prennent beaucoup de temps dans le travail quotidien. 

Les bots LLM offrent aux services d'achat une série d'avantages clés. Outre les économies de tail-spend, la réduction du temps et des coûts grâce à l'automatisation des processus d'achat opérationnels vient en tête de liste. Les tâches monotones et répétitives étant prises en charge par des machines, les acheteurs peuvent se concentrer sur des tâches stratégiques et innovantes. Cela augmente leur motivation et contribue à ce que le service des achats puisse se consacrer davantage à l'amélioration des processus d'approvisionnement et de la gestion des fournisseurs. Ainsi, les exigences réglementaires telles que la loi sur les obligations de vigilance de la chaîne d'approvisionnement (LkSG) et les pénuries de livraison croissantes exigent aujourd'hui plus que jamais un suivi complet de la chaîne d'approvisionnement et une gestion des risques.

Services personnalisés

Alors que les demandeurs dépendent sinon de l'assistance manuelle des collaborateurs des achats - souvent surchargés -, les bots de FAQ et de négociation accèdent directement aux systèmes backend et peuvent traiter immédiatement chaque demande et chaque requête. À cela s'ajoute l'optimisation de la qualité des données d'achat. Pour que les bots LLM puissent travailler de manière fiable, les enregistrements dans les systèmes back-end SAP doivent être à jour, complets, exempts d'erreurs, cohérents et distincts. Cela oblige les acheteurs à gérer les données en permanence. Les demandeurs doivent également veiller à ces critères de qualité lors de la saisie des données, afin de pouvoir répondre de manière satisfaisante à leurs demandes. Une qualité élevée des données permet de réduire considérablement les taux d'erreur dans les processus d'achat opérationnels.

L'introduction de bots LLM modernes dans les organisations d'achat basées sur SAP devrait suivre une feuille de route claire. Il s'agit ensuite de transmettre ces questions au modèle d'IA génératif en utilisant des méthodes d'ingénierie prompt de manière à ce que celui-ci fournisse des résultats pertinents et de haute qualité. Comme les grands modèles linguistiques peuvent être entraînés à reconnaître immédiatement l'intention de la personne qui pose la question et à l'associer au cas d'utilisation correspondant, l'effort de développement et d'implémentation est nettement moins important que pour les chatbots traditionnels. Car dans ce cas, il faut encore construire des chemins spécifiques pour chaque cas d'utilisation. En revanche, un seul bot LLM permet de couvrir de nombreuses tâches et interventions différentes au sein d'une organisation d'achat. 

Il est important de commencer très tôt dans le projet avec des mesures de gestion du changement afin d'augmenter l'acceptation des utilisateurs. Ce n'est qu'ainsi que les demandeurs et les fournisseurs seront préparés à interagir avec les nouveaux robots de texte lorsque ceux-ci seront déployés et mis en service.