Un acheteur de pièces détachées compare des prix. Un acheteur de matières premières compare des paris. Chez un confiseur de cinquante-cinq salariés que nous accompagnons, la même noisette peut coûter du simple au double selon l’origine, le calibre, le mois d’achat et l’humeur d’une récolte à l’autre bout de la Méditerranée, et ce prix ne dit rien du rendement qu’elle donnera en torréfaction. C’est précisément ce nœud que l’IA pour la gestion des fournisseurs de matières premières aide à démêler : relier ce qu’on paie, ce qu’on reçoit et ce que l’atelier en fait réellement.
Trois variables réduites à une seule ligne de facture
Le prix d’achat au kilo est l’indicateur le plus regardé et le moins informatif. Une matière moins chère qui perd trois points de rendement en fabrication coûte plus cher que la matière chère. Une matière conforme au cahier des charges mais livrée avec quinze jours d’irrégularité oblige à gonfler le stock, donc à immobiliser de la trésorerie que personne n’impute au fournisseur concerné.
Trois dimensions cohabitent : le coût, la régularité qualitative, la disponibilité dans le temps. Dans la plupart des PME, la première est suivie au centime près par le contrôle de gestion, la deuxième vit dans les classeurs du laboratoire, la troisième dans la tête du responsable production. Aucun système ne les met en face l’une de l’autre. Le résultat est prévisible : on renégocie le prix chaque année et on subit le reste.
Se construire une mémoire des lots
Le chantier le plus rentable ne commence pas par un modèle prédictif. Il commence par rassembler, matière par matière et lot par lot, ce que vous savez déjà sans pouvoir le consulter : les bulletins d’analyse à réception, les taux d’humidité, les calibres, les non-conformités ouvertes, la date et l’origine, le prix payé, et surtout le rendement observé en production sur ce lot précis.
Ces documents arrivent en désordre. Certificats d’analyse en PDF, mails du fournisseur, relevés manuscrits du chef d’atelier, exports du système de pesée. Un moteur de lecture documentaire couplé à un modèle de langage sait aujourd’hui extraire ces valeurs de façon fiable dès lors que les documents sont lisibles, et les ranger dans une base unique. Chez le confiseur, neuf matières critiques ont été traitées de cette manière sur un historique de deux campagnes.
Ce qui est sorti de ce croisement n’avait rien de spectaculaire, et c’est précisément ce qui l’a rendu crédible : deux fournisseurs de noisettes présentaient des prix quasi identiques, mais l’un livrait des lots dont l’écart de rendement d’une livraison à l’autre était deux fois plus important. Sur une année, l’écart de coût réel dépassait largement les quelques centimes discutés en négociation annuelle. Personne n’avait jamais fait ce calcul, faute d’avoir les deux informations dans le même fichier.
Suivre les cours sans se prendre pour un trader
Beaucoup de dirigeants imaginent que l’IA appliquée aux matières premières consiste à prédire les cours. Décevons tout de suite : elle n’y arrive pas mieux que les marchés eux-mêmes, et une PME qui construit sa politique d’achat sur une prévision de prix à six mois prend un risque qu’elle n’a pas les moyens de porter.
L’usage utile est plus modeste. Agréger automatiquement les indices publics de vos matières, les mettre en regard de vos propres prix d’achat, et déclencher une alerte quand l’écart entre les deux se creuse anormalement. Un fournisseur qui ne répercute pas une baisse de marché pendant quatre mois se repère en trois secondes sur un graphique et jamais dans une facture. Même logique côté hausse : quand l’indice monte, vous savez si la demande d’augmentation que vous recevez est légitime dans son ampleur ou opportuniste. Les méthodes d’analyse prédictive en temps réel servent ici à détecter des ruptures de tendance, pas à deviner le prix de juin prochain.
Une limite honnête : pour les matières sans indice public, ce qui est fréquent dans les spécialités et les ingrédients transformés, il ne reste que votre propre historique et les prix communiqués par vos concurrents indirects. C’est maigre. Mieux vaut l’admettre que se raconter des histoires.
Qualifier une seconde source avant d’en avoir besoin
C’est le sujet sur lequel nous insistons le plus, parce qu’il ne se règle jamais dans l’urgence. Qualifier un nouveau fournisseur de matière première prend des mois : échantillons, essais en production, validation qualité, parfois mise à jour de l’étiquetage ou du dossier client. Le jour où votre source unique fait défaut, ce délai vous tombe dessus d’un coup.
L’apport de l’automatisation est ici surtout un apport de veille. Un agent qui parcourt annuaires professionnels, salons, bases d’entreprises et publications sectorielles produit en quelques heures une liste de candidats crédibles par matière, avec taille, implantation et certifications apparentes. Le travail humain reste entier derrière, mais il démarre avec vingt noms au lieu de trois. Notre conseil pratique : maintenez pour chaque matière critique un candidat qualifié à froid, avec un essai industriel réalisé, même si vous ne lui achetez rien. Le coût de cet essai est ridicule comparé à un arrêt de gamme.
Cette anticipation se raccorde naturellement au reste de vos flux amont, comme nous l’évoquons dans notre article sur l’optimisation de la chaîne logistique.
Données, budget et point de départ
Comptez quatre mois entre la décision et un dispositif qui tourne seul, dont la moitié consacrée à la seule reprise des documents qualité. Le budget récurrent se situe entre 400 et 1 200 euros par mois pour une PME de ce gabarit, hébergement et maintenance compris. Les aides à la transformation numérique recensées par France Num et les dispositifs portés par BPI France couvrent selon les cas et les régions une part comprise entre 30 et 50 % de l’investissement initial, à condition de monter le dossier avant de dépenser.
Ne traitez pas les quatre-vingts références de votre nomenclature. Prenez les cinq matières qui pèsent le plus dans votre prix de revient, plus celles pour lesquelles vous n’avez qu’un fournisseur. Six à huit lignes suffisent à couvrir l’essentiel du risque dans la plupart des ateliers que nous voyons. Une IA pour la gestion des fournisseurs de matières premières se juge sur ce périmètre restreint avant d’être élargie.
Le confiseur a changé un fournisseur et en a gardé deux qu’il pensait remplacer. Sa négociation annuelle dure désormais moins longtemps, parce qu’elle porte sur des chiffres que l’interlocuteur en face ne conteste pas. Voilà ce que produit concrètement l’IA pour la gestion des fournisseurs de matières premières dans une PME : moins d’intuition, plus de dossier. Si vos achats de matières se décident encore au feeling et au tarif affiché, l’équipe MINOBIA peut examiner avec vos responsables qualité et production ce que vos propres lots ont à raconter.
Questions fréquentes
Nos bulletins d’analyse sont en PDF et parfois manuscrits, est-ce exploitable ?
Les PDF et les scans propres, oui, sans difficulté particulière. Le manuscrit reste aléatoire selon les écritures. Prévoyez une relecture humaine la première année, puis demandez à vos fournisseurs un format numérique stable.
Peut-on vraiment mesurer le rendement par lot ?
À condition que la traçabilité relie le lot entrant aux ordres de fabrication. Beaucoup d’ateliers l’ont pour des raisons réglementaires sans jamais s’en servir pour analyser leurs achats.
Faut-il révéler ces analyses à nos fournisseurs ?
Sur la régularité, oui : un fournisseur sérieux corrige ce qu’on lui montre. Sur vos rendements internes et vos marges, non, cela ne le regarde pas et cela affaiblit votre position.
Une TPE de dix personnes a-t-elle intérêt à s’y mettre ?
Rarement sous cette forme. Avec deux ou trois matières et autant de fournisseurs, un tableau tenu sérieusement fait le travail. L’automatisation devient rentable quand le volume de documents dépasse ce qu’une personne peut relire.
Que faire des matières dont le cours n’est publié nulle part ?
Suivez un indice de substitution, celui de la matière brute dont elle dérive par exemple, et complétez par vos propres séries de prix. L’approximation vaut mieux que l’absence de repère, à condition de savoir que c’en est une.
Prêt à concrétiser votre projet IA ?
À propos de l’auteur
Joël Obitz est entrepreneur et fondateur de MINOBIA, cabinet spécialisé dans l’intégration stratégique de l’intelligence artificielle au sein des PME et ETI. Fort de 20 ans d’expérience dans le B2B industriel, il accompagne les entreprises dans leur transformation numérique, avec une approche directe, pragmatique et orientée résultats.
Contactez-nous : contact@minobia.ai
Suivez-nous sur LinkedIn et Facebook
MINOBIA – Activateur France Num https://www.francenum.gouv.fr/activateurs/minobia
