L'AI dans les achats : ce qui change réellement du sourcing au paiement

Que signifie réellement AI dans le domaine des achats ?

Enlevez le jargon des fournisseurs et AI dans les achats est la reconnaissance de formes et la génération de texte appliquées aux étapes entre une demande d'achat et une facture payée : qualification des fournisseurs, rédaction de documents RFx, normalisation et notation des offres, analyse des contrats, classification des dépenses, rapprochement des factures. Le traitement évalué par les pairs situe précisément la frontière — non pas dans automatisation des tâches répétitives mais dans analyses avancées soutenant les décisions d'achat stratégiques, telles que la classification des dépenses, où la sortie d'un modèle alimente une décision que l'acheteur doit toujours assumer.

Où en est l'adoption de AI dans les achats aujourd'hui ?

L'attention est presque universelle ; l'échelle est rare. Dans la recherche sur les problèmes clés 2026 de The Hackett Group, 80% des cadres des achats ont identifié la technologie AI comme la tendance la plus transformationnelle affectant la fonction au cours des cinq prochaines années — tandis que dans cette même étude, 43% des organisations poursuivent activement le déploiement de AI, soit près du double de l'année précédente, et seulement 12% déclarent une implémentation à grande échelleL'enquête distincte 2024 de Deloitte sur plus de 100 CPO a posé une question différente à une population différente — l'intention, pas l'échelle : 92% planifiaient et évaluaient les capacités génératives d'AI.

La manière dont les organisations adoptent est aussi importante que le fait qu'elles adoptent : dans l'étude Hackett, 69% accèdent à AI grâce à des fonctionnalités intégrées à leurs plateformes d'approvisionnement existantes, concentré en gestion des contrats, intelligence de marché et analyse des dépensesLa première décision AI est généralement une évaluation de ce que votre pile existante contient déjà.

Quelles sont les étapes d'approvisionnement que AI a réellement prises en charge ?

Les cas d'utilisation qui se sont réellement répandus se regroupent au milieu du cycle d'approvisionnement, là où l'information est dense. L'analyse du cycle de l'engouement de 2025 nomme le modèle commun : automatisation du texte vers le processus et des flux de travail, prenant en charge des tâches telles que l'automatisation de la gestion des contrats, la définition de la portée des projets, les recommandations de fournisseurs et la génération automatique de documents "Demande de" (RFx).

Notez ce que cela prouve et ne prouve pas : cela montre où les organisations déploient, pas combien de temps ou de coûts elles récupèrent. La découverte de fournisseurs suit la même logique — élargir l'entonnoir au-delà des titulaires connus, une étape que notre guide du processus de découverte de fournisseurs couvre en détail.

Notez ce qui est absent de cette liste : rien dans celle-ci ne décide. La rédaction d'un RFx ne signifie pas son attribution ; recommander un fournisseur ne signifie pas accepter le risque qu'il représente. Ce qui est automatisé, c'est la préparation, pas le jugement.

Quels changements AI apporte-t-elle aux opérations source-to-pay ?

En aval de l'approvisionnement, le cas le plus étudié est la classification des dépenses — décider ce qu'une entreprise a réellement acheté, ligne par ligne, par rapport à une taxonomie telle que l'UNSPSC ou son propre arbre de catégories, comme base pour analyse des dépenses et stratégie de catégorie. La recherche de cas du Journal of Purchasing and Supply Management propose modèles d'intelligence hybride qui combinent les capacités humaines et AI, en tirant parti de l'expertise humaine pour valider les résultats de AI. La forme se généralise au rapprochement des factures et à l'analyse des contrats : le modèle propose à grande échelle ; une personne dispose des exceptions.

L'investissement suit la même logique. Dans l'enquête de Deloitte, près de 11% des organisations dépensaient déjà plus de $1 million de dollars de leurs budgets annuels en capacités génératives AI pour l'approvisionnement et les achats en 2024 — de l'argent réel, bien que ce dossier n'indique pas à quoi ce budget était destiné.

Quelles décisions d'approvisionnement restent humaines ?

Pour les systèmes que l'UE classe comme à haut risque, cette limite n'est plus seulement une bonne pratique — c'est une loi. L'article 14 de la loi AI exige que ces systèmes peuvent être efficacement supervisés par des personnes physiques pendant la période où ils sont utilisés, y compris l'autorité de décider, dans une situation particulière, de ne pas utiliser le système à haut risque AI.

La plupart des outils d’approvisionnement ne relèvent pas de cette classification. L’orientation du raisonnement réglementaire est néanmoins sans équivoque : l’humain est l’opérateur responsable, et non un recours.

Les directives d'achat du gouvernement établissent un parallèle du côté des achats : le mémorandum d'acquisition 2025 de l'OMB des États-Unis (M-25-22) stipule que les agences doivent s'assurer que les systèmes AI qu'elles acquièrent sont adaptés à l'usage prévu et produisent des résultats cohérents qui préservent la confiance du public. Aucun document ne légifère qui signe un bon de commande — mais lus ensemble, ils correspondent à la façon dont la responsabilité des achats fonctionne déjà : l'attribution, la position de négociation et l'acceptation des risques incombent à la personne responsable.

Où AI a-t-il sous-performé dans les achats ?

Honnêtement : à de nombreux endroits, et le dossier de l'analyste le dit. La publication de Gartner de juillet 2025 est intitulée Gartner déclare que l'IA générative AI pour les achats est entrée dans la phase de désillusion — de nombreuses organisations connaissent un retour sur investissement inégal ou ne parviennent pas à atteindre leurs objectifs. Le mécanisme importe plus que l'étiquette : des données fragmentées et de mauvaise qualité dans les systèmes d'approvisionnement peuvent entraver des résultats précis, et l'intégration de solutions GenAI autonomes est souvent complexe.

Du point de vue de l'adoption, l'explication la plus probable n'est pas un manque technologique, mais un manque de données fondamentales. Un modèle lisant des données de dépenses fragmentées produit des réponses erronées et sûres plus rapidement que ne le faisait le tableur — ce qui est une inférence du mécanisme nommé par Gartner, et non une conclusion mesurée.

Une séquence d'adoption qui respecte la limite

1. Corrigez les données avant le modèle. Les modes de défaillance documentés proviennent de données d'approvisionnement fragmentées ; la classification des dépenses et le nettoyage du fichier fournisseurs sont des tâches ingrates, mesurables et préalables.
2. Automatisez d'abord le travail documentaire, mais pas uniformément. La rédaction et la synthèse sont peu coûteuses à corriger tant que l'artefact est encore interne ; c'est le véritable point de contrôle, car une fois qu'une sollicitation est émise, la correction signifie un amendement formel à tous les soumissionnaires et les critères modifiés créent une exposition à l'égalité de traitement. La normalisation des offres n'a pas du tout sa place à ce niveau : l'égalisation des offres sur une base commune construit la comparaison sur laquelle repose l'attribution, elle nécessite donc une traçabilité ligne par ligne de chaque offre soumise et une vérification des hypothèses par une deuxième personne. Automatisez la séquence en fonction du coût d'une mauvaise sortie, et non de la présence nominale d'un humain dans la boucle.
3. Instrumenter la limite. Pour chaque étape assistée par AI, nommez la personne responsable et ce qu'elle vérifie avant que le résultat ne devienne une action.
4. Achetez AI comme le service des achats achète n'importe quoi d'autre. Preuves adaptées à l'objectif, résultats mesurés, conditions de sortie — la norme désormais imposée aux agences américaines est une solide valeur par défaut privée.
5. Échelle par la preuve, pas par la feuille de route. N'étendez les pilotes que si vos propres données mesurées de temps de cycle ou de précision le justifient.

Comment les agents AI modifient-ils le travail d'approvisionnement ?