L’IA comme levier et comme discipline

La semaine passée, on a montré notre première vraie prévision de demande de pièces à un comité de direction. Trois mois de travail sur un modèle de saisonnalité, des graphiques propres, un beau tableau de bord. Pis dans la salle, la question que j’attendais est tombée: « C’est fiable à combien? ». J’ai répondu honnêtement: « Sur la moitié de nos dealers, oui. Sur l’autre moitié, le modèle hallucine. » Pas très vendeur comme phrase dans une réunion de direction. Mais c’est exactement là que se joue tout le dossier IA chez nous.

Le levier, lui, personne ne le conteste. Pour un dealer de vélos, savoir trois semaines d’avance qu’il va manquer de plaquettes de frein Shimano avant le rush du printemps, ça vaut de l’or. Prévoir la demande, recommander les bons produits, éviter la rupture: c’est du concret, ça touche le tiroir-caisse de la boutique. La direction comprend ça tout de suite. C’est le reste qui est plus dur à faire passer.

Pourquoi le modèle hallucinait

Le problème n’était pas le modèle. Il était dans l’historique qu’on lui donnait à manger. Quand on a fusionné les deux entreprises, une partie des ventes a été migrée dans Dynamics AX avec des dates de transaction toutes écrasées au premier jour du mois d’import. Résultat: pour ces dealers-là, AX racontait que 80 % de leurs ventes annuelles arrivaient le 1er janvier, pis rien le reste de l’année. Le modèle, lui, ne ment pas: il voyait un pic monstrueux en janvier pis du désert ensuite. Il recommandait donc de tout commander en décembre. Pour un magasin de vélos. En hiver.

-- Le symptome qu'on a fini par trouver:
-- des milliers de ventes datees au 1er du mois, pas a la vraie date
SELECT
    CONVERT(date, TransDate)      AS jour_vente,
    COUNT(*)                       AS nb_lignes
FROM   SalesLine
WHERE  DataAreaId = 'HLC'
GROUP  BY CONVERT(date, TransDate)
HAVING COUNT(*) > 2000            -- un seul jour avec 2000+ lignes = anormal
ORDER  BY nb_lignes DESC;
-- 2019-01-01 : 41 230 lignes  <-- migration ecrasee
-- 2020-01-01 : 38 902 lignes  <-- meme probleme

Personne n’avait fait exprès. C’est une migration faite vite, sous pression, deux ans plus tôt, par du monde qui pensait reporting financier pis pas modèle prédictif. À l’époque, la vraie date de vente, dans un ERP, on s’en fout un peu pour sortir un état des résultats. Mais pour entraîner une prévision, c’est la colonne la plus importante de toute la table. Oh non, j’ai pensé en voyant le résultat. On a passé trois mois à régler un problème de 2020.

Ce que ça change dans mon rôle

C’est là que je comprends mieux mon vrai métier de directeur cette année. Mon job, ce n’est pas de vendre l’IA. C’est de protéger la chaîne qui la rend possible — pis cette chaîne commence loin en amont, dans la façon dont on a saisi pis migré une date de transaction il y a deux ans.

flowchart TD
    A[Saisie / migration AX] --> B[Historique de ventes]
    B --> C{Donnees fiables?}
    C -->|Dates ecrasees| D[Modele qui hallucine]
    C -->|Dates reelles| E[Prevision utile]
    E --> F[Dealer commande au bon moment]
    D --> G[On perd la confiance du comite]

Concrètement, ça veut dire que je dépense autant d’énergie à parler de gouvernance de données plate qu’à parler de modèles excitants. Quand je présente un budget IA, la moitié de la demande, c’est du nettoyage, de la validation, des règles de qualité sur AX. Ce n’est pas glamour. Personne ne fait de communiqué de presse là-dessus. Mais sans ça, le reste est du théâtre.

Mes études en IA m’ont appris ça avant même que j’aie l’exemple sous les yeux: dans un vrai projet, la portion « modèle » est minuscule. Le gros du travail, c’est de comprendre d’où viennent les données, de réparer ce qui est croche, pis de surveiller que ça reste propre. Le cours te vend des réseaux de neurones. Le terrain te vend des GROUP BY pour trouver des dates aberrantes.

Ce que je retiens

Je ne dis plus à la direction que l’IA va nous transformer. Je dis qu’elle va nous donner un avantage le jour où nos données seront dignes de confiance — pis qu’on n’y est pas encore tout à fait. C’est moins sexy, mais ça tient la route, pis ça évite de promettre un miracle qui va nous sauter au visage au premier comité.

Pour les dealers chez qui les dates étaient bonnes, la prévision marche déjà, pis on commence à voir des commandes mieux synchronisées avec leur saison. Pour les autres, on remonte l’historique, transaction par transaction. C’est long, c’est plate, c’est invisible. Mais c’est exactement ce travail-là, pas le modèle, qui va décider si notre IA vaut quelque chose dans un an.