Demandez à un directeur supply chain combien de pilotes IA il a lancés l’an dernier. Puis demandez-lui combien tournent encore en production. L’écart entre ces deux chiffres constitue la ligne budgétaire la plus coûteuse de la technologie en entreprise aujourd’hui, et presque personne ne l’inscrit au budget.
Des chercheurs du MIT ont analysé les déploiements d’IA en entreprise et conclu qu’environ 95% ne produisent aucun retour mesurable. Non pas parce que les modèles sont faibles. Parce que faire fonctionner un modèle dans une entreprise réelle, avec ses exceptions non documentées et son équipe sécurité méfiante, reste très difficile. La plupart des organisations n’ont personne capable de le faire.
Cet écart a créé un intitulé de poste que vous allez beaucoup entendre, forward deployed engineer. Si vous dirigez les achats, la logistique ou la planification, ce rôle vous concerne plus qu’il ne concerne votre DSI. Les processus les plus désordonnés de l’entreprise se trouvent dans votre périmètre. C’est précisément là que ces profils justifient leur salaire.
Le modèle n’est plus le problème
Il y a cinq ans, l’accès à une IA avancée constituait un avantage concurrentiel. Aujourd’hui votre concurrent peut acheter le même modèle que vous, aux mêmes conditions, le même après-midi. L’intelligence est devenue un intrant banalisé, facturé au token.
Ce qui n’a pas été banalisé, c’est le travail d’intégration de cette intelligence dans une opération vivante. Prenez un processus d’audit de factures de transport. Le modèle sait lire une facture. Il ne sait pas que votre équipe de Rotterdam applique une tolérance de surestaries différente de celle de Singapour, que cette tolérance n’a jamais été écrite, et que la personne qui l’avait fixée est partie à la retraite en 2023. Il ne sait pas lesquels de vos 400 codes de frais annexes sont réellement utilisés. Il n’obtiendra pas d’accès en lecture au TMS sans une revue de sécurité de onze semaines.
Un forward deployed engineer fait tout cela. Mi-ingénieur, mi-consultant, intégré à l’opération, et responsable du fonctionnement du système après son départ. C’est ce dernier point qui élimine la majorité des candidats.
Suivez l’argent
Les capitaux qui affluent vers ce rôle racontent l’histoire mieux qu’aucune offre d’emploi.
OpenAI a créé une filiale dédiée au déploiement et y a placé plus de quatre milliards de dollars. Son premier geste a été de racheter un cabinet de conseil en IA appliquée, essentiellement pour intégrer environ 150 de ces ingénieurs du jour au lendemain. Anthropic a lancé sa propre structure, valorisée à plus d’un milliard et demi, avec Blackstone et Goldman Sachs au capital, conçue pour intégrer des ingénieurs dans des entreprises du mid-market et des sociétés détenues par des fonds de private equity, afin de reconstruire leur façon de travailler.
Relisez cette dernière phrase. Deux des plus grandes institutions financières mondiales financent une opération dont la prémisse est que le goulot d’étranglement de la valeur créée par l’IA se situe au niveau du déploiement dans les entreprises ordinaires. Pas dans la capacité des modèles. Dans le déploiement. C’est un pari sur exactement le problème que vos équipes opérationnelles rencontrent chaque trimestre.
La rémunération suit la rareté. Les salaires de base affichés chez OpenAI vont de 162 000 à 280 000 dollars, plus l’equity. Anthropic se situe autour de 200 000 à 300 000 dollars. Vous entendrez circuler des chiffres à un million. Ils existent, au sommet de l’échelle, chez des profils seniors dont l’equity s’est déjà appréciée. Ce n’est pas le point d’entrée.
Pour un dirigeant supply chain, le chiffre pertinent est ailleurs. Si un ingénieur de déploiement compétent supprime 20 000 heures de traitement manuel d’exceptions dans votre processus order-to-cash, le salaire devient une variable d’ajustement. Si vous recrutez un fabricant de démos, vous paierez la même somme pour un jeu de slides.
Pourquoi la supply chain est le meilleur terrain d’apprentissage
Voici l’argument que la presse technologique passe généralement sous silence. La compétence rare n’est pas le code. N’importe quel ingénieur compétent sait appeler une API. La compétence rare consiste à comprendre un processus opérationnel désordonné assez finement pour savoir où placer une règle et où placer du jugement.
Votre fonction déborde de ces processus.
Prenez l’onboarding fournisseurs. Le processus documenté compte huit étapes. Le processus réel compte huit étapes plus quarante exceptions qui vivent dans la tête de trois personnes de votre centre de services partagés. Prenez la classification des codes SH pour les besoins douaniers. Les tables de référence sont publiques. L’interprétation des produits ambigus ne l’est pas, et une erreur crée une exposition douanière que votre directeur financier remarquera. Prenez les litiges transport. Les règles sont contractuelles, mais la décision de poursuivre ou de passer en perte dépend d’un contexte relationnel qu’aucune base de données ne contient.
Ce sont des cas de déploiement idéaux. Volume élevé, coût élevé, forte densité de règles avec une couche de jugement au-dessus, et un indicateur avant-après clair. C’est aussi la raison pour laquelle vos meilleurs planificateurs et acheteurs sont peut-être plus proches de ce rôle que n’importe quel ingénieur logiciel recruté à l’extérieur.
L’expertise métier est la partie difficile à acquérir. L’ingénierie s’apprend.
À quoi ressemble le travail réel
Les profils qui réussissent dans ce rôle suivent un schéma reconnaissable. Il vaut la peine de le comprendre, que vous prévoyiez de recruter ou de former en interne.
La semaine un est un audit, pas un développement. Cartographier l’existant en observant les gens travailler, pas en lisant la procédure. Répertorier les exceptions que la procédure n’a jamais documentées. Établir une base de référence chiffrée, temps de cycle et taux d’erreur. Définir les critères de succès et, surtout, définir explicitement ce qui ne sera pas fait.
La semaine deux construit la fondation déterministe. Infrastructure réelle, base de données réelle, authentification réelle, tests réels. Pas encore d’IA. La plupart de ce qui ressemble à un problème d’IA se révèle être un problème d’intégration de données déguisé.
La semaine trois ajoute du jugement IA uniquement là où les règles échouent. Sorties structurées avec score de confiance et références sources. Validation humaine pour toute action à conséquence. Traçabilité complète. Aucune étape irréversible sans intervention humaine.
La semaine quatre construit le système d’évaluation. Un jeu de données de référence de 75 à 100 cas réels, y compris les plus pénibles. Mesurer la précision, le taux de validation erronée, le taux d’escalade, le coût par exécution et la latence au pire cas. Pas la latence médiane. Le pire cas. Vos équipes opérationnelles vivent dans la queue de distribution.
La semaine cinq déploie prudemment. Mode shadow d’abord, où le système tourne en parallèle des humains et où ses sorties sont comparées sans être exécutées. Puis un pilote limité. Puis la production avec points de validation. Gestion des droits, supervision, retour arrière, et procédure d’incident.
La semaine six transforme le travail en preuve. Schéma d’architecture, rapport d’évaluation, métriques avant-après, note d’une page pour le comité de direction.
L’élément le plus convaincant de cette liste n’est pas le code. C’est le court document expliquant ce que l’ingénieur a délibérément choisi de ne pas construire. Ce document est le moyen le plus rapide de distinguer un opérateur discipliné d’une machine à dérive de périmètre.
La partie inconfortable
Les offres réelles pour ce poste prévoient 25% à 50% de déplacements. Une grande partie du travail consiste à être le seul profil technique dans une pièce remplie de gens qui ne vous font pas encore confiance, à démêler des jeux politiques dont personne ne vous a averti. Et il faut livrer en production. Une démo soignée qui n’atteint jamais un flux réel ne vaut rien.
Ce profil disqualifie beaucoup d’excellents ingénieurs. Il décrit aussi beaucoup d’excellents chefs de projet supply chain, ceux qui ont passé des années à entrer dans des entrepôts où le plan sur le papier ne correspondait pas au plan sur le terrain.
Si vous recrutez, cherchez des preuves plutôt que des descriptions. Demandez au candidat de dérouler un système qu’il a construit de bout en bout. Demandez ce qui a cassé en production et ce qu’il a fait. Demandez ce qu’il a choisi de ne pas automatiser. S’il ne peut que décrire les étapes sans montrer les livrables, vous recrutez un coordinateur de mise en œuvre. Utile, mais ce n’est ni le même rôle ni le même salaire.
Deux enseignements pour les dirigeants supply chain
Premièrement, arrêtez d’acheter de l’intelligence et commencez à acheter de la capacité de déploiement. Votre évaluation des fournisseurs doit pondérer l’implémentation et la conduite du changement au-dessus des performances des modèles. Les laboratoires d’IA eux-mêmes dépensent des milliards pour résoudre le déploiement, ce qui vous indique où se situe la contrainte. Demandez à chaque fournisseur combien de ses clients ont la solution en production douze mois après la signature. Demandez le chiffre, pas l’étude de cas.
Deuxièmement, développez cette capacité depuis l’intérieur de votre fonction. La connaissance métier nécessaire pour repérer où s’arrête la règle et où commence le jugement demande des années. Les compétences d’ingénierie demandent des mois. Identifiez deux ou trois personnes de votre équipe qui maîtrisent déjà en profondeur un processus douloureux, donnez-leur un problème réel, six semaines et le mandat de livrer avec une base de référence mesurée. Vous en apprendrez plus sur votre maturité IA qu’avec n’importe quel audit de cabinet.
La fenêtre est ouverte parce que la pénurie est aiguë. Elle se refermera à mesure que la formation rattrapera son retard. Les organisations qui construisent ce muscle dans les dix-huit prochains mois dépenseront bien moins que celles qui le loueront plus tard.
Quel processus de votre opération confieriez-vous en premier à un forward deployed engineer, et qu’est-ce qui vous empêche de commencer ce trimestre ? Avez-vous vu un pilote IA de votre fonction atteindre réellement la production, et qu’est-ce qui a fait la différence ?
Continuez la discussion sur Chain.NET, la communauté mondiale des professionnels de la supply chain, https://www.chain.net. Vous pouvez y poser vos questions, rejoindre des événements et débats, et accéder à des ressources exclusives réservées aux membres.