L'IA dans les achats : 5 exemples pour en comprendre les impacts

Dans les achats, les frictions ne naissent presque jamais d'une seule mauvaise décision, mais d'une accumulation : des demandes éparpillées entre e-mails et ERP, des données fournisseurs en double, des documents fournisseurs incomplets, des approbations qui bloquent sur une étape anodine, des rapports de dépenses qui arrivent quand le problème a déjà généré des surcoûts. C'est dans cet espace, très opérationnel et peu futuriste, que l'intelligence artificielle commence vraiment à entrer.

Parler d'IA dans les achats ne signifie pas imaginer un logiciel qui remplace les acheteurs et les category managers. Le plus souvent, cela signifie doter le processus d'une capacité nouvelle : lire de grands volumes de données, reconnaître des schémas, signaler des anomalies, suggérer des priorités et alléger le travail manuel qui ralentit le cycle. Selon la 2025 Global Chief Procurement Officer Survey de Deloitte, les organisations les plus matures sur le plan digital dépassent plus souvent leurs objectifs en matière d'économies, de satisfaction interne et de performance fournisseurs, tandis que la visibilité sur la supply chain et la collaboration avec les fournisseurs figurent parmi leurs priorités de réduction des risques.

Pourquoi l'IA entre dans les processus achats

Les achats deviennent une fonction de plus en plus exposée : ils doivent maîtriser les dépenses, absorber la volatilité et les retards, travailler sur une base de données plus large et répondre à des exigences croissantes de traçabilité. Le contexte réglementaire va lui aussi dans ce sens. La Commission européenne, dans le cadre de la Corporate Sustainability Due Diligence, demande aux entreprises concernées d'identifier et de traiter les impacts négatifs tout au long de leurs chaînes d'activités : sans données fiables sur les fournisseurs, les documents et les contreparties, il est beaucoup plus difficile de le faire de manière systématique.

L'IA devient donc utile lorsque le processus est déjà digitalisé, au moins dans ses fondamentaux, et qu'il doit franchir une étape supplémentaire : moins de tâches répétitives, plus de capacité à lire la donnée et à intervenir plus tôt, avant qu'une exception ne devienne un problème de coût, de risque ou de conformité.

1. Spend analysis et identification des inefficacités

La spend analysis est l'un des domaines où l'IA démontre sa valeur presque immédiatement. Dans de nombreuses entreprises, les dépenses indirectes et une partie des dépenses directes restent réparties entre ERP, fichiers Excel, systèmes locaux, centres de coûts et descriptions d'articles non homogènes. Le résultat est une vision partielle : les mêmes fournisseurs enregistrés de différentes manières, des catégories peu lisibles, des contrats sous-exploités, des achats ponctuels qui échappent aux volumes négociés.

L'IA peut normaliser les noms des fournisseurs, classer les lignes de dépenses, regrouper les postes similaires et faire émerger des signaux qui, à l'œil nu, demanderaient des jours de travail. Un acheteur peut ainsi voir où se concentre le maverick spending, quelles catégories fragmentent la demande et où il existe des marges pour consolider les volumes. L'impact n'est pas seulement analytique : il s'agit de parvenir plus rapidement à des décisions de sourcing fondées sur des éléments factuels, plutôt que sur des extractions manuelles toujours en retard.

2. Supplier onboarding et vérification documentaire

L'onboarding fournisseur est souvent présenté comme une phase administrative, mais en réalité il conditionne tout ce qui suit. Si les données de référence, les documents fiscaux, les certifications, les coordonnées bancaires et les rôles d'autorisation ne sont pas correctement collectés et vérifiés dès l'entrée, le problème réapparaît sur les commandes, les factures, les paiements et les audits.

L'IA aide surtout à deux niveaux. Le premier est la collecte, où elle peut guider le fournisseur dans la saisie, repérer les champs manquants, lire les documents téléchargés et orienter immédiatement les demandes de compléments. Le second est la vérification, puisqu'elle permet de comparer les données déclarées avec les pièces jointes et de contrôler la cohérence entre raison sociale, numéro de TVA, IBAN, certifications et dates d'échéance. Dans un processus B2B réel, cela réduit les allers-retours entre achats, finance et fournisseurs, raccourcit les délais d'activation et diminue le risque d'intégrer dans le système un fournisseur incomplet ou erroné.

3. Évaluation du risque fournisseur

L'évaluation du risque ne se limite plus à la seule solidité économique et financière. Aujourd'hui, comptent aussi la continuité opérationnelle, la qualité de service, l'exposition géographique, la concentration de la dépendance, la ponctualité des livraisons, la solidité documentaire et, de plus en plus souvent, la capacité à répondre aux exigences ESG et de conformité tout au long de la chaîne d'approvisionnement.

Un moteur d'IA peut croiser données internes et externes, hiérarchiser les alertes et distinguer ce qui mérite un examen approfondi de ce qui n'est que du bruit. En pratique, au lieu de produire une scorecard statique une fois par an, les achats peuvent s'appuyer sur une surveillance plus continue : fournisseurs critiques qui changent de comportement, documents arrivant à échéance, anomalies dans les délais de livraison, signaux de concentration excessive sur une catégorie ou un pays. Le bénéfice est ici très concret : moins de surprises, plus de capacité à intervenir plus tôt, avant que le risque n'affecte la continuité de l'activité.

4. Gestion des commandes et des approbations

Dans le cycle achats, une part importante du temps se perd dans des activités qui n'apportent pas de réelle valeur : contrôles formels, routages, vérifications du budget et des centres de coûts, demandes de compléments, relances aux responsables des approbations. Ce sont des étapes nécessaires, mais encore souvent trop dépendantes des e-mails, de la mémoire opérationnelle et des vérifications manuelles.

L'IA peut intervenir en rendant ces étapes plus fluides. Elle peut préremplir des champs à partir de demandes antérieures ou de catalogues, signaler des incohérences avant l'envoi, proposer le bon workflow d'approbation en fonction du montant, de la catégorie et de la structure organisationnelle, et mettre en évidence les véritables exceptions. Cela ne supprime pas le contrôle humain : il le déplace là où il est vraiment nécessaire. Celui qui approuve reçoit moins de demandes ambiguës, celui qui achète travaille avec moins de reprises, et le processus devient plus traçable même lorsque les volumes augmentent.

5. Aide à la décision d'achat

Un acheteur ne décide pas uniquement sur la base du prix. Il doit prendre en compte à la fois les délais, l'historique du fournisseur, la qualité, les conditions contractuelles, la disponibilité, les impacts logistiques, le risque et les besoins internes. Lorsque ces informations proviennent de systèmes différents, la décision repose souvent sur une reconstitution partielle.

L'IA peut fonctionner comme une couche d'aide, et non comme un décideur automatique. Elle peut comparer des scénarios, suggérer des alternatives cohérentes avec les politiques et les objectifs, expliquer pourquoi un choix paraît plus solide qu'un autre et faire apparaître des variables qui resteraient autrement cachées. Par exemple : un fournisseur apparemment moins cher mais avec un historique de retards, ou une solution au coût unitaire légèrement supérieur mais avec un impact moindre sur les délais, les urgences et les coûts indirects. La valeur réside dans la qualité de la décision, et non dans la simple rapidité.

Quels impacts attendre sur les délais, les erreurs et la gouvernance

Lorsque l'intelligence artificielle s'intègre bien dans les achats, le premier effet visible est la réduction du travail manuel : moins de reclassements, moins de contrôles répétitifs, moins de relances pour compléter données et documents. Le deuxième est une réduction des erreurs évitables, surtout celles qui naissent de données de référence incohérentes, d'approbations mal routées ou de vérifications documentaires incomplètes. Le troisième, souvent le plus intéressant, est le renforcement de la gouvernabilité : plus de visibilité sur le processus, plus de traçabilité des exceptions, plus de cohérence dans l'application des règles.

Il y a toutefois une condition à ne pas contourner : l'IA ne résout pas à elle seule des achats désorganisés. Si les données de départ sont fragiles, si les workflows ne sont pas clairs ou si les systèmes ne communiquent pas entre eux, le risque est d'automatiser la confusion. C'est pourquoi les impacts les plus solides apparaissent lorsque l'intelligence artificielle est appliquée à des processus déjà structurés avec un minimum de discipline digitale et des objectifs précis : spend visibility, onboarding plus rapide, supplier risk plus lisible, approbations moins lentes, décisions mieux documentées.

Au fond, c'est là que l'IA devient vraiment intéressante pour les achats : non pas lorsqu'elle promet des achats autonomes, mais lorsqu'elle rend le processus plus lisible, plus gouvernable et beaucoup moins dépendant d'activités manuelles qui absorbent du temps sans améliorer les décisions.