Jabil exploite plus de 100 sites industriels répartis dans plus de 30 pays, avec des niveaux de maturité numérique très inégaux d’un site à l’autre. Avant de connecter l’intelligence artificielle à cette mécanique mondiale, le sous-traitant électronique a choisi d’assainir sa plomberie de données. Harish Manohar, directeur SAP du groupe, résume l’arbitrage : simplifier d’abord, innover ensuite. Ce choix, documenté par MIT Technology Review le 2 septembre 2026, éclaire un dilemme que traverse toute entreprise industrielle tentée par l’IA générative.
Ce qu’il faut retenir 1. Jabil exploite plus de 100 sites dans plus de 30 pays, avec des niveaux de maturité numérique très inégaux. 2. Harish Manohar, directeur SAP du groupe : « Toute innovation sans simplification va ajouter plus de complexité. » 3. Le groupe migre ses systèmes vers RISE with SAP pour engager ce qu’il appelle un « clean-core journey ». 4. L’objectif affiché : un « single system of record » qui connecte les processus de bout en bout de la chaîne d’approvisionnement. 5. Selon Manohar, toute modernisation « doit ajouter une valeur commerciale mesurable » — avant même de parler d’intelligence artificielle.
Cent sites, cent façons de faire tourner l’usine
Un sous-traitant électronique de la taille de Jabil ne pilote pas une usine mais un réseau. Chaque site a grandi à son rythme, sur ses propres systèmes hérités, avec ses propres contournements. Certains outils datent de plusieurs décennies, d’autres viennent d’être installés. Le résultat, décrit dans l’article de MIT Technology Review, est un patchwork où chaque usine parle sa propre langue numérique.
C’est cette hétérogénéité qui rend la promesse de l’IA générative plus compliquée qu’elle n’y paraît pour un groupe industriel mondial. Un algorithme entraîné sur des données propres à un site ne se généralise pas automatiquement aux 99 autres. Sans un socle commun, chaque déploiement d’IA redevient un projet sur mesure, à répéter site par site — l’inverse de l’effet d’échelle recherché.
Face à ce constat, Jabil a formulé une doctrine simple à énoncer, plus difficile à appliquer : un « esprit simplify-first, then-innovate », c’est-à-dire simplifier avant d’innover. Harish Manohar la justifie sans détour : « Toute innovation sans simplification va ajouter plus de complexité. » La phrase inverse l’ordre dans lequel beaucoup d’entreprises abordent l’IA, en la traitant comme une couche technologique qu’on superpose plutôt que comme un système qu’on prépare à recevoir.
Concrètement, cela signifie standardiser les processus communs à plusieurs sites, consolider les outils redondants, et construire ce que l’article décrit comme une base de données plus cohérente à travers l’organisation. Rien de spectaculaire dans cette liste : elle ressemble davantage à un chantier de plomberie qu’à une annonce produit. C’est justement le point de friction pour les directions générales pressées d’afficher des résultats visibles avec l’IA.
RISE with SAP : la bascule après des années de sur-mesure
Pendant des années, Jabil a personnalisé ses systèmes SAP au fil des besoins locaux, site par site, service par service. Chaque personnalisation résolvait un problème ponctuel, mais l’empilement a fini par créer un système difficile à faire évoluer globalement. Manohar le formule sans détour : « You know what? We have customized so much so far, but now we are moving our systems into RISE, which would enable a clean-core journey in the future. » Autrement dit : nous avons tellement personnalisé jusqu’ici, mais nous migrons désormais nos systèmes vers RISE, ce qui permettra à l’avenir un parcours de « noyau propre ».
RISE with SAP est l’offre par laquelle SAP pousse ses clients vers une version cloud standardisée de son ERP (le logiciel de gestion intégrée qui pilote finance, production et chaîne logistique). Le principe du « clean core » consiste à limiter les personnalisations du cœur du système et à isoler les besoins spécifiques dans des extensions séparées. L’objectif n’est pas esthétique : un cœur propre se met à jour plus facilement, se connecte plus simplement à des outils tiers, et surtout expose des données dans un format prévisible — un prérequis technique pour qu’un modèle d’IA puisse les exploiter sans traitement artisanal préalable.
Le maillage interne — clean core, le nouveau mantra de l’ERP documente une tendance plus large chez les grands groupes industriels : after des années à empiler des modules sur mesure, beaucoup reviennent vers des socles standardisés, quitte à sacrifier certaines fonctionnalités spécifiques. Jabil s’inscrit dans ce mouvement, mais avec un objectif affiché qui dépasse la simple maintenance logicielle : obtenir ce que l’article nomme un « single system of record », un système de référence unique. Concrètement, il s’agit de faire en sorte qu’une seule version de la vérité existe pour chaque donnée — un numéro de commande, un niveau de stock, un statut de production — plutôt que plusieurs versions divergentes selon le site consulté.
Manohar pose la question qui structure cette bascule en des termes de projection à long terme, pas de confort immédiat : « Okay, where is Jabil going to be two years, three years down the line? Would this suffice for that scale? » Où sera Jabil dans deux ans, dans trois ans, et le système actuel tiendra-t-il à cette échelle ? La question inverse la logique habituelle du projet IT, qui part souvent du problème du trimestre en cours. Ici, l’architecture se choisit en fonction d’une trajectoire de croissance projetée, pas d’un besoin immédiat.
| Approche | Avant (systèmes personnalisés) | Après (RISE, clean core) |
|---|---|---|
| Personnalisation | Empilée site par site, au fil des besoins locaux | Limitée au cœur, isolée dans des extensions séparées |
| Référence des données | Multiple, divergente selon les sites | Système de référence unique (« single system of record ») |
| Mise à jour | Complexe, chaque personnalisation freine l’évolution | Facilitée par un noyau standardisé |
| Compatibilité IA | Nécessite un retraitement des données par site | Données exposées dans un format prévisible |
Ce tableau ne prétend pas résumer un cas universel : il traduit la logique décrite par Manohar pour Jabil, transposable à toute organisation confrontée à un empilement de personnalisations ERP.
Silos, tableurs et conformité : le vrai coût de la fragmentation
Un système fragmenté ne se contente pas de ralentir les projets IT. Il génère des coûts silencieux que l’article documente sous forme de constat opérationnel : des flux de données interrompus par des tableurs intermédiaires, des contournements manuels qui comblent les trous entre systèmes, et des silos qui empêchent une vision transverse de la chaîne d’approvisionnement. Chacun de ces contournements a été créé pour résoudre un problème réel, à un moment donné — leur accumulation est ce qui pose problème aujourd’hui.
Pour un groupe qui opère dans des secteurs réglementés, cette fragmentation ajoute une couche de risque supplémentaire. L’article mentionne des exigences de conformité additionnelles pour les entreprises soumises à régulation — un contexte qui touche directement un sous-traitant électronique fournissant des industries comme la santé ou l’aérospatiale, où la traçabilité des composants et des processus de fabrication n’est pas négociable. Un système de référence unique ne simplifie pas seulement le travail quotidien des équipes : il facilite aussi la démonstration de conformité lors d’un audit, puisque l’origine d’une donnée devient traçable plutôt que reconstituée après coup.
C’est dans ce contexte que Jabil formule son objectif de connecter les processus de bout en bout à travers sa chaîne d’approvisionnement, pour bâtir une base capable de tenir à travers les régions. L’enjeu dépasse la seule informatique interne : une chaîne d’approvisionnement mondiale qui fonctionne sur des données fiables réagit plus vite à une rupture d’approvisionnement, un changement de fournisseur ou une variation de la demande, parce que l’information circule sans devoir être reconstituée manuellement entre systèmes.
Comment les fabricants industriels préparent leurs données pour l’IA générative rappelle que cette étape de nettoyage n’est ni rapide ni spectaculaire — elle précède presque toujours, dans les cas documentés, le déploiement effectif de cas d’usage IA visibles pour les métiers.
Une innovation ne compte que si elle produit une valeur mesurable
La discipline affichée par Jabil s’étend au-delà de l’architecture technique : elle fixe une règle d’arbitrage pour juger chaque projet de modernisation. Manohar la formule ainsi : « Any modernization or transformation should add measurable business value » — toute modernisation ou transformation doit ajouter une valeur commerciale mesurable. Cette exigence agit comme un filtre appliqué avant même que l’IA n’entre dans la discussion : un projet qui ne peut pas démontrer un gain chiffrable — temps de traitement réduit, erreurs évitées, délai de livraison raccourci — ne franchit pas l’étape de validation.
Ce critère change la nature des projets qui obtiennent un feu vert. Un tableau de bord alimenté par IA qui ne s’appuie sur aucune donnée fiable ne produit pas de valeur mesurable, quelle que soit la sophistication du modèle utilisé derrière. À l’inverse, un chantier de standardisation moins visible en interne, mais qui réduit concrètement le nombre de reprises manuelles entre deux systèmes, remplit le critère même s’il ne porte pas l’étiquette « intelligence artificielle ».
Cette hiérarchie explique pourquoi Jabil présente sa stratégie IA comme un chantier de fondations plutôt que comme un catalogue de cas d’usage. L’IA reste l’objectif final, mais elle est traitée comme la dernière étape d’une chaîne, pas comme le point de départ.
Les données, ossature de l’organisation avant l’IA
Manohar résume la logique d’ensemble par une formule qui situe la donnée au centre de l’équation, avant tout algorithme : « the backbone of any contemporary or modern organization is data » — l’ossature de toute organisation contemporaine ou moderne, ce sont les données. Cette phrase ne relève pas d’une déclaration de principe abstraite : elle décrit un ordre de priorités opérationnel, où la qualité et la circulation des données conditionnent tout ce qui en dépend en aval, y compris l’intelligence artificielle.
Selon l’article, Jabil n’a pas encore atteint 100 % de cet objectif de circulation transparente des données à travers ses sites — mais le groupe affirme travailler en ce sens, en construisant des flux de travail cohérents, des pipelines de données et une gouvernance commune à travers ses sites. Cette formulation mérite d’être prise au sérieux pour ce qu’elle est : un objectif en cours de réalisation, pas un résultat acquis. Elle contraste avec la tentation, répandue dans les communications d’entreprise, de présenter une transformation en cours comme déjà achevée.
Cette gouvernance commune touche un point souvent sous-estimé dans les discussions sur l’IA en entreprise : qui décide du format d’une donnée, qui la valide, qui en porte la responsabilité en cas d’erreur. Sans réponse claire à ces questions, un pipeline de données reste fragile, quelle que soit la qualité technique de l’infrastructure qui le porte. Gouvernance des données : le chantier oublié des projets IA traite plus largement de cette dimension organisationnelle, rarement mise en avant dans les annonces produit.
L’approche de Jabil illustre une tension que rencontrent la plupart des grands groupes industriels engagés dans une transformation numérique : l’IA générative avance vite dans les discours et les démonstrations, mais sa mise en production à l’échelle d’une centaine de sites dépend d’un travail d’infrastructure plus lent, moins visible, et rarement mis en avant dans les communications externes. SAP RISE : la bascule cloud de tous les industriels documente ce même décalage chez d’autres groupes engagés dans une trajectoire comparable.
Ce qu’il faut retenir pour un projet de transformation
Le cas Jabil ne fournit pas de recette universelle, mais il rend visible une séquence : standardiser les processus, consolider les systèmes, établir une référence unique de la donnée, puis seulement ensuite superposer des cas d’usage d’IA. Sauter une étape de cette séquence ne fait pas gagner de temps — elle déplace le problème vers l’aval, où il coûte plus cher à corriger.
Pour une direction technique qui évalue sa propre trajectoire, la question posée par Manohar reste transposable telle quelle : le système actuel suffira-t-il dans deux ou trois ans, à l’échelle visée ? Une réponse honnête à cette question, avant tout achat de licence IA, évite souvent le chantier de rattrapage qui suit un déploiement précipité.
FAQ
Pourquoi Jabil retarde-t-elle certains projets d’IA plutôt que de les accélérer ?
Parce qu’un modèle d’IA branché sur des données incohérentes entre 100 sites produit des résultats peu fiables. Harish Manohar, directeur SAP du groupe, explique que toute innovation sans simplification préalable ajoute de la complexité plutôt que d’en retirer — d’où le choix de standardiser d’abord.
Qu’est-ce que le « clean core » vers lequel Jabil migre avec RISE with SAP ?
C’est une approche qui limite les personnalisations du cœur de l’ERP et les isole dans des extensions séparées, plutôt que de les empiler dans le système central. Cela facilite les mises à jour et rend les données plus faciles à exploiter par des outils tiers, y compris des modèles d’IA.
Sources citées
- Facilitating AI integration with simplicity at scale, MIT Technology Review, 2 septembre 2026 — lien
- MIT Technology Review le 2 septembre 2026 — technologyreview.com
