Une relance fournisseur préparée en quelques secondes. Un écart de stock repéré automatiquement. Une proposition de réapprovisionnement calculée sans ouvrir cinq fichiers.
Pour une direction Supply Chain, ces possibilités ont une valeur évidente. Elles peuvent réduire les manipulations, accélérer les analyses et libérer du temps. Puis arrive une question, souvent très vite : combien de postes peut-on supprimer ?
Le raisonnement paraît simple. Si une technologie absorbe une partie du travail, l’organisation devrait pouvoir fonctionner avec moins de personnes. Mais entre une tâche automatisée et un poste devenu inutile, il reste tout un métier à examiner.
C’est cette précipitation que pointe Gartner. Dans un communiqué publié le 9 septembre 2026, le cabinet prévoit que, d’ici 2029, 30 % des salariés licenciés parce que remplacés par l’IA devront être réembauchés, souvent à un coût sensiblement supérieur. Cette projection ne garantit pas que chaque entreprise rappellera ses anciens collaborateurs. Elle invite à regarder ce qui disparaît réellement lorsqu’un poste est supprimé.
Dans la Supply Chain, la question mérite une attention particulière : une partie de la valeur des équipes se voit surtout lorsque les opérations cessent de fonctionner comme prévu.
Un poste contient davantage que les tâches que l’on mesure
Prenons un exemple fictif. Une entreprise équipe son service approvisionnement d’un outil capable de suivre les commandes ouvertes, de détecter les retards et de préparer les relances. Une partie du travail quotidien devient plus rapide. La direction envisage alors de réduire l’équipe.
Pour évaluer cette décision, il faut comprendre ce que faisaient les approvisionneurs en dehors des relances.
L’un savait qu’un fournisseur confirmait systématiquement des délais trop optimistes. Une autre connaissait les références pouvant être remplacées, après validation technique, sans bloquer la production. Un troisième entretenait le contact nécessaire pour obtenir une réponse fiable lorsqu’une commande devenait urgente.
Ces connaissances peuvent être documentées et certaines intégrées aux outils. Encore faut-il les avoir identifiées avant le départ des personnes.
Le risque apparaît lorsqu’on mesure précisément le temps consacré à une activité visible, tout en laissant hors du calcul les arbitrages, les vérifications et les relations qui rendaient cette activité efficace.
Traiter une alerte et résoudre le problème sont deux étapes différentes
Un système peut signaler qu’un composant arrivera en retard. La décision qui suit peut mobiliser plusieurs fonctions : faut-il changer le programme de production, acheter ailleurs, payer un transport express ou décaler une livraison client ?
Pour répondre, il faut connaître les alternatives et leurs conséquences. Un fournisseur de remplacement dispose-t-il réellement de capacité ? La matière est-elle qualifiée ? Le client acceptera-t-il une livraison partielle ? Qui peut autoriser le surcoût ?
L’IA peut aider à réunir ces informations, comparer des scénarios et préparer une recommandation. Son utilité dépend cependant des données accessibles, des règles définies et de la possibilité de vérifier ses propositions.
Réduire l’équipe avant d’avoir organisé ces décisions peut déplacer le travail vers les personnes restantes. Elles reçoivent davantage d’alertes, doivent contrôler les recommandations et conservent la responsabilité des arbitrages.
Le temps économisé sur la préparation ne devient alors pas intégralement du temps disponible.
Le calcul économique doit inclure le travail restant
Une suppression de poste produit une économie facile à inscrire dans un budget. Les conséquences opérationnelles peuvent être plus dispersées : davantage d’heures supplémentaires, un recours ponctuel à des consultants, des décisions retardées ou une charge accrue pour les managers.
Aucune de ces conséquences n’est automatique. Mais elles doivent entrer dans l’évaluation du projet.
Une comparaison utile porte sur le coût complet du processus après transformation : technologie, intégration, maintenance, contrôle des résultats, traitement des exceptions et compétences nécessaires.
Elle doit aussi suivre la qualité de service. Une équipe traite-t-elle davantage de commandes sans augmenter les erreurs ? Les ruptures diminuent-elles ? Les urgences sont-elles résolues plus vite ? Les gains résistent-ils aux périodes de forte activité ?
Sans ces vérifications, une économie de masse salariale peut masquer une dégradation du fonctionnement.
L’expérience mérite d’être transmise, puis mise à l’épreuve
Préserver les connaissances métier ne signifie pas considérer que toutes les habitudes existantes sont bonnes.
Un collaborateur expérimenté peut connaître les fragilités d’un fournisseur. Il peut aussi appliquer une marge de sécurité devenue excessive ou maintenir une procédure dont la raison a disparu. L’expérience apporte du contexte ; elle gagne à être confrontée aux données.
Un projet d’IA peut justement servir à rendre ces pratiques discutables et transmissibles.
Pourquoi augmente-t-on ce stock avant certaines périodes ? Pourquoi cette commande nécessite-t-elle une validation particulière ? Sur quels éléments repose le choix d’un transporteur ?
En formulant ces raisons, l’entreprise peut distinguer les contraintes toujours valables des habitudes à revoir. Elle enrichit ses règles de décision et réduit sa dépendance à quelques personnes.
Cette démarche demande du temps avec les équipes. Elle fait partie du projet, au même titre que le paramétrage technique.
Que deviennent les juniors si les tâches d’entrée disparaissent ?
L’automatisation pose également une question de formation.
Rapprocher des commandes, analyser des écarts et préparer un planning sont des activités répétitives. Ce sont aussi des occasions de comprendre les produits, les fournisseurs et les contraintes du réseau.
Si ces activités sont largement automatisées, il faut organiser d’autres chemins d’apprentissage. Sinon, l’entreprise risque d’attendre des nouveaux arrivants qu’ils sachent directement contrôler des recommandations et gérer des situations complexes.
On peut leur confier l’analyse d’exceptions accompagnée par un référent, la comparaison entre une recommandation et son résultat, ou la documentation de décisions réelles.
Le temps libéré devient alors un investissement dans les compétences nécessaires pour superviser le processus.
Transformer le travail avant de redimensionner l’équipe
Une démarche prudente commence par un périmètre clair : quelles tâches l’outil prend-il en charge, avec quel niveau de fiabilité et quelles limites ?
Il faut ensuite définir qui vérifie les résultats, qui traite les exceptions et qui décide lorsqu’une recommandation dépasse les règles habituelles. Puis observer le fonctionnement sur une période représentative, comprenant si possible un pic d’activité ou une perturbation.
Cette observation permet de discuter des effectifs sur une base plus solide. Selon les cas, les gains peuvent absorber une croissance, réduire une surcharge, permettre un redéploiement ou conduire à une réduction du besoin de personnel.
Les conclusions peuvent donc varier. Ce qui compte est de mesurer la capacité réelle de l’organisation après transformation.
La question à poser avant un départ est très concrète : lorsque le prochain incident surviendra, qui saura comprendre la recommandation du système, la contester si nécessaire et prendre la responsabilité de la suite ?
C’est cette capacité que l’entreprise pourrait devoir reconstruire demain.
