Zebra mise sur l’IA pour moderniser les opérations en Asie-Pacifique

L’intelligence artificielle ne transforme pas seulement les bureaux et les logiciels de création. Dans le commerce, la logistique ou l’industrie, son intérêt se joue souvent au plus près du terrain : repérer un rayon à réapprovisionner, transmettre une consigne à un employé, coordonner une tâche avec un système automatisé ou éviter qu’une information reste bloquée entre l’entrepôt et le siège. C’est sur ce terrain que Zebra Technologies veut accélérer en Asie-Pacifique.

À la date du 6 février 2025, le groupe, connu pour ses solutions destinées aux activités de première ligne, présente l’IA comme un levier pour automatiser les processus, mieux exploiter les données opérationnelles et améliorer l’expérience client. Sa stratégie ne consiste pas seulement à ajouter un assistant conversationnel à des outils existants. Elle repose sur une articulation entre appareils utilisés par les salariés, traitement local de certaines données, applications d’IA générative et flux de travail robotisés.

L’enjeu est concret. Une entreprise peut disposer de milliers de relevés de stocks, de livraisons, de mouvements de produits ou d’interactions clients. Sans données fiables ni outils capables de les traduire rapidement en actions, cette masse d’informations ne garantit ni de meilleurs délais ni moins d’erreurs. L’IA devient alors utile lorsqu’elle s’insère dans un processus précis, avec une responsabilité humaine claire.

De la donnée captée sur le terrain à une action opérationnelle

La promesse mise en avant par Zebra est celle d’une chaîne plus fluide entre l’observation et la décision. Dans un magasin, un entrepôt ou un site de production, les travailleurs de première ligne utilisent des terminaux mobiles, des appareils portables ou des outils de capture de données. Les informations recueillies peuvent ensuite alimenter des logiciels de gestion des stocks, de planification ou de suivi des commandes.

L’IA peut ajouter une couche d’analyse à cet ensemble. Elle peut par exemple aider à identifier une situation nécessitant une intervention, hiérarchiser des tâches ou formuler une consigne exploitable par un employé. Cela ne signifie pas qu’un algorithme prend seul toutes les décisions : sa valeur dépend de la qualité des données reçues, des règles définies par l’entreprise et de la validation des équipes lorsqu’une situation sort du cadre prévu.

Zebra évoque le cas d’une collaboration avec un détaillant nord-américain. Grâce à des capacités d’IA générative, ce distributeur a pu analyser rapidement les étagères et générer automatiquement des tâches. L’exemple illustre un cas d’usage simple à comprendre : plutôt que de demander à un responsable de parcourir manuellement toutes les remontées du terrain, le système transforme une détection en liste d’actions à réaliser.

Cette approche peut réduire le temps passé à rechercher une information ou à transmettre plusieurs fois la même instruction. Elle ne dispense toutefois pas d’un travail préalable : les données de référence doivent être cohérentes, les règles de réapprovisionnement doivent être définies et les équipes doivent pouvoir corriger une recommandation inadaptée.

Pourquoi connecter appareils portables et automatisation robotique ?

Tom Bianculli, directeur technique de Zebra Technologies, présente l’automatisation intelligente comme un changement profond dans l’organisation du travail. Le point central de cette vision est la connexion entre les technologies portables utilisées par les employés et les flux de travail robotiques.

Concrètement, l’objectif est de ne plus traiter les salariés et les systèmes automatisés comme deux univers séparés. Un système peut détecter une anomalie, puis transmettre au bon moment une tâche contextualisée à la personne qui se trouve sur place. En retour, l’employé peut confirmer l’exécution, signaler une exception ou remonter une information que l’automatisation ne pouvait pas interpréter seule.

Zebra cite des améliorations opérationnelles pouvant aller jusqu’à une réduction des besoins en personnel de 25 %. Ce chiffre ne doit pas être lu comme une promesse universelle, ni comme la preuve d’un effet identique dans chaque entreprise. Il reflète des situations où l’automatisation réduit le volume de tâches manuelles nécessaires. Les résultats dépendent notamment du degré de numérisation initial, de la configuration des flux de travail, du niveau de formation et de la nature des opérations concernées.

L’expression « réduction des besoins en personnel » recouvre par ailleurs des réalités différentes. Une entreprise peut absorber davantage de volume sans recruter, redéployer des salariés vers le conseil client ou le contrôle qualité, ou réorganiser certains postes. Mesurer l’impact réel suppose donc de regarder aussi la qualité de service, les erreurs évitées, les conditions de travail et les possibilités de montée en compétences.

Les investissements IA en Asie-Pacifique se concentrent sur trois priorités

L’Asie-Pacifique, souvent désignée par l’acronyme APAC, ne constitue pas un marché homogène. Elle rassemble des économies, des réglementations, des infrastructures et des niveaux de maturité numérique très différents. Mais les données de recherche d’IBM citées par Zebra montrent une attente commune : 54 % des entreprises de la région anticipent des bénéfices de l’IA en matière d’innovation et de génération de revenus.

Les priorités budgétaires annoncées pour 2025 renseignent sur les usages que les organisations jugent immédiatement rentables ou stratégiques.

La première place de l’expérience client rappelle que l’IA n’est pas envisagée uniquement comme un moyen de réduire les coûts. Dans la distribution ou l’e-commerce, une erreur de stock, une préparation tardive ou une information inexacte peut directement dégrader l’expérience d’achat. Améliorer l’efficacité en coulisses peut donc avoir un effet visible pour le client final.

La deuxième priorité, l’automatisation des processus, est particulièrement liée à l’offre présentée par Zebra. Les entreprises cherchent à fluidifier la circulation de l’information entre les systèmes et les personnes, afin que les équipes ne passent pas leur temps à ressaisir des données ou à vérifier des statuts dispersés dans plusieurs outils.

L’edge computing, un pilier de l’approche de Zebra

Zebra décrit une architecture reposant sur des appareils à « architecture neuronale native », capables d’assurer un traitement des données sur place. Cette logique est généralement désignée par le terme edge computing, ou informatique en périphérie : plutôt que d’envoyer systématiquement toutes les informations vers des serveurs distants, une partie de l’analyse est effectuée au niveau de l’appareil ou à proximité de la source des données.

Dans des activités de terrain, ce choix peut présenter plusieurs intérêts : obtenir une réponse plus vite, continuer certains traitements lorsque la connectivité est limitée et limiter les transferts de données qui ne sont pas nécessaires. Il ne supprime pas le rôle du cloud, qui reste adapté au stockage à grande échelle, à l’entraînement de modèles ou à la coordination de données provenant de nombreux sites.

Zebra met également en avant des expériences dites multimodales. L’idée est de permettre des interactions combinant différents types d’informations, par exemple des données captées sur le terrain, des images, du texte ou des commandes vocales. La comparaison avec la cognition humaine employée par l’entreprise décrit une ambition d’interaction plus naturelle, mais elle ne signifie pas que le système comprend le monde comme une personne.

Enfin, l’entreprise évoque des agents d’IA générative capables d’optimiser la répartition des charges de travail entre le cloud et l’edge. Dans ce contexte, un agent désigne un logiciel qui peut enchaîner des étapes pour accomplir une tâche définie : collecter des informations, appliquer des règles, préparer une recommandation et transmettre une action à un utilisateur ou à un autre système. Son autonomie réelle doit rester encadrée par les droits d’accès, les règles métier et des mécanismes de contrôle.

Une adoption qui varie fortement entre l’Inde et le Japon

Les dynamiques économiques nationales comptent dans le rythme d’adoption de l’IA. Zebra souligne les contrastes au sein de l’Asie-Pacifique à travers deux exemples. En Inde, les projections citées font état d’une croissance du PIB de 6,6 % et d’une expansion de la fabrication de 7 % par an. Dans un contexte d’industrialisation et de hausse des volumes, les entreprises peuvent avoir intérêt à déployer des outils de suivi, de planification et d’automatisation pour accompagner leur développement.

Au Japon, les projections mentionnées sont plus modestes, avec une croissance du PIB de 1,2 %. Zebra estime que cette situation complique les initiatives d’automatisation. Une croissance économique plus faible peut rendre les arbitrages d’investissement plus exigeants, surtout lorsqu’un projet implique le renouvellement d’équipements, l’intégration avec des systèmes historiques et la formation de nombreux salariés.

Ces écarts rappellent qu’il n’existe pas de recette APAC unique. Une même solution peut répondre à des besoins différents selon les pays : augmenter les capacités dans un marché en expansion, faire face à des contraintes de main-d’œuvre, améliorer la qualité de service ou moderniser un parc informatique vieillissant. Les entreprises doivent aussi tenir compte de leurs règles locales de protection des données et de leurs propres pratiques de cybersécurité.

Les conditions d’un déploiement utile à grande échelle

Passer de l’expérimentation à un déploiement de grande ampleur est souvent l’étape la plus difficile. Une démonstration peut montrer qu’un modèle produit une réponse convaincante. L’exploitation quotidienne exige davantage : données à jour, intégration aux logiciels existants, gestion des accès, procédures en cas d’erreur et accompagnement des équipes.

Pour les organisations qui souhaitent appliquer l’IA aux activités de première ligne, quatre questions sont particulièrement utiles :

• Quelle tâche précise doit être améliorée, et comment mesurer le résultat ?
• Les données disponibles sont-elles suffisamment fiables, complètes et accessibles ?
• Qui valide une recommandation de l’IA lorsqu’elle a une conséquence sur un client, un stock ou une opération ?
• Les salariés disposent-ils du temps et de la formation nécessaires pour s’approprier le nouvel outil ?

La qualité logicielle et la gouvernance des données sont déterminantes. Un système qui reçoit de mauvaises informations peut accélérer une erreur au lieu de résoudre un problème. De même, un traitement local des données peut contribuer à limiter certains transferts, mais il ne garantit pas à lui seul la sécurité ou la confidentialité. Les organisations doivent définir les données collectées, leur durée de conservation, les personnes autorisées à y accéder et les contrôles applicables aux fournisseurs comme aux appareils.

Ce qu’il faut surveiller d’ici 2027

La notion de main-d’œuvre « augmentée » devrait prendre davantage de place dans les stratégies technologiques. Gartner prévoit que, d’ici 2027, 25 % des directeurs des systèmes d’information mettront en œuvre des initiatives visant à créer ce type de main-d’œuvre. L’expression décrit des organisations où des outils numériques et d’IA assistent les salariés dans leurs décisions et leurs gestes professionnels, plutôt que de se limiter à automatiser des tâches isolées.

Zebra se positionne déjà sur cette trajectoire avec un outil qu’elle désigne comme son compagnon de mots Z, fondé sur l’IA générative et les grands modèles de langage. Des déploiements pilotes auprès de clients sélectionnés sont annoncés à partir du deuxième trimestre 2025. À ce stade, il s’agit donc de projets à venir, dont il faudra évaluer les usages effectifs et les résultats sur le terrain.

La capacité de Zebra à accompagner cette évolution reposera aussi sur son réseau. L’entreprise indique compter plus de 10 000 partenaires et disposer d’une présence mondiale dans 120 bureaux. Pour les clients, cette présence peut faciliter l’intégration et le support, mais elle ne remplace pas le travail de transformation interne : choix des cas d’usage, adaptation des processus, formation et gouvernance restent à la charge de chaque organisation.

Le véritable test ne sera pas la capacité à faire dialoguer un terminal mobile avec un modèle de langage. Il sera de démontrer, dans des magasins, des entrepôts et des sites industriels, que ces systèmes apportent des décisions plus rapides, des opérations plus fiables et un travail réellement amélioré pour les équipes qui les utilisent.