L’intelligence artificielle entre rapidement dans l’agenda achats. Elle promet un sourcing plus rapide, une meilleure visibilité sur les dépenses, un contrôle contractuel renforcé, une détection automatisée des risques fournisseurs et une prise de décision plus prédictive. Pour les dirigeants, l’opportunité est significative. Les achats se situent au croisement des coûts, des risques, de la résilience, de la durabilité, de l’innovation fournisseurs et de la gouvernance. Peu de fonctions concentrent une telle richesse de données critiques pour l’organisation.
Pourtant, c’est précisément là que le défi commence.
La plupart des organisations ne manquent pas de données achats. Elles en ont trop — fragmentées entre ERP, plateformes eProcurement, feuilles de calcul, portails fournisseurs, référentiels contractuels, systèmes financiers, bases de données ESG et archives d’e-mails. Le problème n’est pas le volume. Le problème est l’utilité.
L’IA ne peut créer de la valeur à partir des données achats que lorsque ces données sont fiables, structurées, contextualisées, connectées et gouvernées. Sans cette fondation, l’IA accélérera le bruit, pas l’intelligence.
Pourquoi cet enjeu est important aujourd’hui ?
Les achats sont soumis à une pression croissante pour faire davantage avec des ressources limitées. McKinsey souligne que les dépenses achats gérées par équivalent temps plein sont désormais 50 % plus élevées qu’il y a cinq ans, tandis que les agents IA pourraient rendre les achats 25 à 40 % plus efficaces s’ils sont correctement mis en œuvre. L’enquête Global CPO Survey 2025 de Deloitte montre que les « Digital Masters » consacrent jusqu’à 24 % de leur budget aux technologies achats et obtiennent environ 3,2 fois le retour sur investissement de leurs investissements en GenAI.
Cependant, l’écart entre ambition et maturité reste important. The Hackett Group a constaté que 49 % des équipes achats avaient expérimenté la GenAI en 2024, mais que seulement 4 % avaient atteint un déploiement à grande échelle ; la qualité des données, la confidentialité et la réglementation figuraient parmi les principales préoccupations. Gartner a également alerté sur le fait que la GenAI appliquée aux achats entre dans le « creux de la désillusion », les données achats fragmentées et de faible qualité freinant la fiabilité des résultats.
Le message est clair : les organisations ne réussiront pas l’IA appliquée aux achats en achetant simplement davantage d’outils. Elles doivent d’abord rendre leurs données achats prêtes pour l’IA.
Des référentiels de données à l’intelligence achats
Des données achats prêtes pour l’IA ne sont pas simplement des « données propres ». Ce sont des données capables de soutenir de meilleures décisions.
Une fondation utile de données achats doit permettre de répondre à des questions telles que : où se situent nos opportunités d’économies ? Quels fournisseurs génèrent le niveau de risque le plus élevé ? Quels contrats contiennent des pertes de valeur ? Où sommes-nous exposés à des risques réglementaires, géopolitiques ou climatiques ? Quelles catégories peuvent soutenir nos objectifs de durabilité ? Quels fournisseurs peuvent contribuer à l’innovation, à la résilience ou à la transformation des coûts ?
Pour répondre à ces questions, les données achats doivent être organisées autour de cinq domaines d’intelligence.
Le premier est l’intelligence des dépenses. Cela requiert des noms fournisseurs harmonisés, des taxonomies catégories cohérentes, des données transactionnelles propres, des conditions de paiement, des canaux d’achat et une visibilité sur les dépenses hors contrat. Sans cela, l’IA ne peut pas identifier de manière fiable les économies, les pertes de valeur ou les schémas de demande.
Le deuxième est l’intelligence fournisseurs. Les données de base fournisseurs devrait inclure la propriété, les localisations, les certifications, les notations de risque, les historiques de performance, les indicateurs de diversité, le statut ESG et la criticité de la relation. Cela permet à l’IA de soutenir la segmentation, l’onboarding, le suivi des risques et le développement fournisseurs.
Le troisième est l’intelligence contractuelle. Les contrats sont souvent l’une des sources de valeur achats les moins structurées. L’IA peut aider à extraire les clauses, les obligations, les dates de renouvellement, les mécanismes de prix, les clauses de responsabilité et les engagements de durabilité, mais seulement si les documents sont accessibles, classifiés et dûment gérés.
Le quatrième est l’intelligence des risques et de la résilience. Les données fournisseurs internes doivent être enrichies par des signaux externes : santé financière, exposition géopolitique, cyberrisque, sanctions, vulnérabilité climatique, perturbations logistiques et indices de marché. Accenture souligne l’importance de combiner données internes et externes pour le sourcing, l’analyse des dépenses et la détection des risques fournisseurs.
Le cinquième est l’intelligence de durabilité. L’IA appliquée aux achats doit pouvoir relier les données fournisseurs et catégories au carbone, à la circularité, aux droits humains, à la conformité réglementaire et aux engagements d’achats responsables. Cela est particulièrement important en Europe, où les décisions achats s’inscrivent de plus en plus dans des attentes ESG et réglementaires plus larges.
La gouvernance est la clé de voûte
Plus l’IA devient puissante, plus la gouvernance devient importante. KPMG indique que 62 % des organisations considèrent l’absence de gouvernance des données comme un frein majeur aux initiatives d’IA, et recommande une responsabilité au niveau de la direction générale, une gouvernance fédérée, une discipline autour des métadonnées et l’intégration de types de données variés.
Pour les achats, cela signifie une responsabilité claire. Qui détient les données de base fournisseurs ? Qui valide les taxonomies catégories ? Qui approuve les sources externes de données de risque ? Qui définit les clauses contractuelles que l’IA peut extraire ? Qui décide si les recommandations de l’IA peuvent être exécutées automatiquement ou nécessitent une validation humaine ?
Dans les institutions publiques et les organisations internationales, l’exigence de gouvernance est encore plus forte. L’OCDE note que l’IA peut améliorer la supervision, la responsabilité et la gestion des risques dans les marchés publics, mais qu’une gouvernance robuste des données et une mise en œuvre centrée sur les utilisateurs sont essentielles. En Europe, l’AI Act renforce l’importance de la qualité des données, de l’enregistrement, de la documentation, de la supervision humaine, de la robustesse et de la cybersécurité pour les systèmes d’IA à plus haut risque.
L’IA appliquée aux achats doit donc être conçue pour l’auditabilité, et pas seulement pour l’efficacité.
Une feuille de route pratique pour les dirigeants
Les équipes dirigeantes devraient commencer par la valeur, et non par la technologie. La première question n’est pas « Quel outil d’IA devons-nous acheter ? », mais « Quelles décisions achats doivent devenir plus rapides, meilleures ou plus fiables ? »
Les leaders achats devraient ensuite prioriser un nombre limité de cas d’usage à forte valeur : classification des dépenses, suivi des risques fournisseurs, visibilité contractuelle, contrôle du tail spend, prévision de la demande, intelligence du pipeline d’économies ou conformité ESG. Chaque cas d’usage devrait définir les données nécessaires, la responsabilité, le niveau de qualité attendu, le modèle de gouvernance et la valeur métier attendue.
Ensuite, les organisations devraient créer un modèle de données achats qui relie les données relatives aux dépenses, aux fournisseurs, aux contrats, aux risques et à la durabilité. Cela ne nécessite pas toujours un grand programme de transformation. Les équipes achats peuvent commencer par une « une base de données minimale viable » pragmatique : fournisseurs critiques, principales catégories, contrats actifs et zones de dépenses à haut risque.
Enfin, l’IA doit rester pilotée par l’humain. Les professionnels des achats doivent valider les recommandations, challenger les hypothèses, interpréter les arbitrages et gérer les relations fournisseurs. L’IA peut traiter les données à grande échelle, mais le jugement humain dans la gestion des achats demeure essentiel.
L’opportunité pour les dirigeants
L’IA appliquée aux achats n’est pas la destination. De meilleures décisions achats sont la destination.
Les organisations qui rendent leurs données achats utiles seront mieux positionnées pour réduire les coûts, protéger les marges, renforcer la résilience, améliorer la conformité, faire progresser la durabilité et créer des écosystèmes fournisseurs plus stratégiques. Celles qui ne le font pas resteront piégées dans des projets pilotes, des outils fragmentés et des insights peu fiables.
L’avenir des achats n’appartiendra pas aux organisations qui possèdent le plus de données. Il appartiendra à celles qui savent transformer les données achats en intelligence fiable.
Pour OPTIMA, c’est là que commence une IA appliquée aux achats réellement porteuse de sens : avec un diagnostic conduit par des experts, des fondations de données disciplinées, une gouvernance pratique et une attention claire portée à la création de valeur.
