알림 목록

Zone d'analyse :  ville métropolitaine d'Ulsan

Zones centrales :  Buk-gu, Dong-gu, Nam-gu, Ulju-gun

Ordre du jour : Préparation à la transformation numérique, diffusion et écarts de profit entre les grandes entreprises et les fournisseurs locaux

Type de période faste : Risque de polarisation de la chaîne d'approvisionnement

Date de référence : 28/08/2026

Version : Regional AX Golden Time Intelligence v3.2
 

Hyundai Motor développe ses usines pilotées par logiciel, qui combinent intelligence artificielle, robots et jumeaux numériques, tandis que HD Hyundai poursuit le développement de ses usines entièrement automatisées (FOS) afin d'améliorer la productivité des chantiers navals de 30 % et de réduire les délais de construction de 30 % d'ici 2030. Bien que la concurrence dans l'industrie manufacturière d'Ulsan se soit déplacée des installations individuelles vers un système d'exploitation de données et d'IA pour l'ensemble de l'usine, les taux d'adoption de l'IA et les niveaux de connectivité des données de processus des fournisseurs ne sont pas divulgués au niveau régional. Si les normes de livraison des maîtres d'œuvre évoluent vers des données en temps réel sur la qualité, le carbone et les délais de livraison entre 2026 et 2028, les fournisseurs incapables de s'adapter se retireront des relations commerciales, quelle que soit leur capacité de production.  Le fossé technologique à Ulsan a dépassé le stade d'un simple écart technologique pour devenir un enjeu crucial pour la survie de la chaîne d'approvisionnement.

Le gouvernement a augmenté le budget alloué à l'intelligence artificielle industrielle (IAI) pour 2026, le faisant passer de 565,1 milliards de wons en 2025 à 1 134,7 milliards de wons, et a également porté le budget des usines dotées d'IA de 158,2 milliards de wons à 220 milliards de wons. Bien que la politique industrielle se soit recentrée sur le développement de l'IA pour la production autonome  plutôt que sur la construction d'usines intelligentes, on ne comptait que 26 usines autonomes dotées d'IA à l'échelle nationale en 2024. Si le déploiement reste concentré sur les entreprises leaders au cours des deux à trois prochaines années, un écart persistera entre l'augmentation du budget et l'adoption effective par les entreprises partenaires locales. Si les investissements nationaux dans l'IAI se sont accélérés, le déploiement sur site chez les entreprises partenaires n'en est qu'à ses débuts.

Dans sa Stratégie IA pour le secteur manufacturier à l'horizon 2025, le ministère des PME et des Startups s'est fixé pour objectif la création de 12 000 usines intelligentes axées sur l'IA afin d'atteindre un taux d'adoption de l'IA de 10 % parmi les PME manufacturières. Cet objectif révèle le faible niveau actuel d'utilisation de l'IA dans le secteur, et le taux d'adoption calculé séparément pour les entreprises partenaires basées à Ulsan n'a pas été vérifié. Si le nombre d'entreprises adoptant l'IA reste minoritaire entre 2026 et 2028, l'écart entre le rythme de transition des donneurs d'ordre et le rythme moyen de transition de la chaîne d'approvisionnement se creusera davantage. Par conséquent, l'adoption de l'IA dans le  secteur manufacturier est considérée comme étant encore au stade de la diffusion initiale plutôt qu'au stade de l'adoption massive.

Les grandes entreprises possèdent des données propriétaires et des équipes d'IA qui connectent la conception, l'approvisionnement, la production, la logistique, les produits et la gestion. Bien que les entreprises partenaires échangent des informations sur les commandes et la qualité via le système du maître d'œuvre, leur niveau d'autonomie en matière de stockage, d'analyse et d'exploitation des modèles de données n'est pas divulgué. Si l'IA du maître d'œuvre est appliquée à la sélection des partenaires et à l'évaluation des prix unitaires et des délais de livraison d'ici deux à trois ans, les entreprises ne disposant pas de capacités de production de données seront soumises à une évaluation, mais n'auront pas accès aux modèles d'évaluation.  Il est fort probable que les grandes entreprises joueront le rôle d'opérateurs d'AX, tandis que la majorité des entreprises partenaires resteront de simples fournisseurs de données AX.

La production automobile, navale et pétrochimique d'Ulsan repose sur une structure où de grands conglomérats et des sous-traitants à plusieurs niveaux partagent les processus, la livraison, la maintenance et la logistique. Si la compétitivité des produits finis dépend des délais de livraison et de la qualité de l'ensemble de la chaîne d'approvisionnement, les investissements en intelligence artificielle sont initialement pilotés par les donneurs d'ordre, qui concentrent leurs capitaux, leurs données et leurs effectifs. Les niveaux d'intelligence artificielle à chaque étape de la sous-traitance et la localisation des entreprises constituant des goulots d'étranglement ne sont pas divulgués. Si les réseaux de sous-traitants de niveau inférieur ne sont pas interconnectés d'ici 2028, la croissance de la productivité interne des grands conglomérats sera limitée par la volatilité des achats externes.  L'unité réelle d'intelligence artificielle dans la production d'Ulsan n'est pas le grand conglomérat, mais la chaîne d'approvisionnement à plusieurs niveaux, et l'unité de mesure actuelle est plus restreinte.

Les revenus des entreprises partenaires sont liés aux variations du volume de production, des types de véhicules et de navires, ainsi que des plans de maintenance du maître d'œuvre. Aucune donnée publique ne permet de savoir comment les gains de productivité générés par les investissements dans les technologies de l'aviation civile (AX) sont répartis entre les entreprises partenaires : prix unitaire, volume ou contrats à long terme. Si les bénéfices sont concentrés entre les mains du maître d'œuvre pendant deux à trois ans, tandis que les coûts d'investissement sont supportés par les entreprises partenaires, le risque de non-retour sur investissement augmente pour ces dernières lors de leur transition vers les AX.  À Ulsan, l'écart technologique pourrait se creuser davantage en raison de la structure de répartition des gains de productivité que de la propriété de la technologie.

Hyundai Motor intègre ses sites de production, ses robots logistiques, ses systèmes de contrôle qualité et ses jumeaux numériques, et développe ses systèmes de production de véhicules autonomes et électrifiés. Bien que la concurrence automobile se soit déplacée de la qualité d'assemblage vers l'intégration des logiciels, des batteries et des données de contrôle électronique, les ventes de logiciels et les taux de conversion à l'électrification des fournisseurs régionaux de pièces pour moteurs à combustion interne restent incertains. Si la configuration des pièces pour les nouveaux modèles est fixée entre 2026 et 2028, les opportunités de transition pour les fournisseurs de pièces existants seront reportées à la plateforme suivante.  La phase AX (Automotive Advanced Technology) pour les véhicules finis est en phase d'accélération, tandis que pour la chaîne d'approvisionnement des pièces existantes, la survie des entreprises est en jeu.

Les véhicules électriques et les véhicules autonomes s'accompagnent d'une réduction du nombre de pièces et d'une augmentation de la part de l'électronique et des logiciels. Alors que la demande de pièces mécaniques fournies par les partenaires actuels diminue et que les normes en matière de transmission des données, de traçabilité et de cybersécurité se sont renforcées, aucun indicateur intégré ne permet d'évaluer la capacité des fournisseurs de pièces d'Ulsan à s'adapter. Si la réduction du nombre de pièces coïncide avec l'augmentation des coûts de certification numérique d'ici deux à trois ans, les revenus et la capacité d'investissement diminueront, en commençant par les micro-entreprises.  Le défi pour les équipementiers automobiles concerne non seulement l'automatisation des usines, mais aussi le risque d'obsolescence des produits fournis.

HD Hyundai promeut les systèmes d'exploitation flexibles (FOS), qui incluent la conception par IA, les jumeaux numériques, les robots et les agents experts. Bien que la production navale soit passée d'une coordination sur site par des ouvriers qualifiés à la prédiction basée sur les données et à l'exploitation autonome, l'utilisation indépendante de l'IA par les sous-traitants dans les domaines de la construction de blocs, de la tuyauterie, du soudage et de la peinture n'a pas encore fait ses preuves. Si seuls les processus du maître d'œuvre sont automatisés d'ici 2028, les variations de qualité dues au travail manuel des sous-traitants resteront un goulot d'étranglement sur la durée totale de la construction.  Les portefeuilles de technologies de l'information (TI) des grands chantiers navals sont complets, tandis que ceux des réseaux de coopération régionaux sont partiellement connectés.

L'industrie de la construction navale renforce ses effectifs de production en recourant à la main-d'œuvre étrangère et en proposant des formations locales. Bien que la structure des effectifs ait évolué vers des équipes multinationales, le pourcentage de sous-traitants utilisant des normes de travail, la vidéo et les données qualité dans un système numérique multilingue reste à confirmer. Si le départ de travailleurs qualifiés coïncide avec un renouvellement des effectifs sur une période de deux à trois ans, les risques liés aux reprises, à la sécurité et aux délais de livraison augmentent en premier lieu pour les entreprises dépourvues de compétences numériques.  Le déficit de compétences numériques chez les sous-traitants de la construction navale résulte de la combinaison de la pénurie de main-d'œuvre et de l'incapacité à reproduire les savoir-faire.

Les grandes entreprises pétrochimiques d'Ulsan utilisent depuis longtemps des systèmes de contrôle distribués, l'optimisation des procédés et des technologies de maintenance prédictive. Bien que Process AX ait atteint un stade intégrant le rendement, l'énergie et la maintenance, l'étendue de la connectivité des données pour les sous-traitants impliqués dans la maintenance, l'inspection, la logistique et la gestion environnementale reste confidentielle. Avec la réduction des installations et la restructuration des activités prévues entre 2026 et 2028, les sous-traitants dépendants du système du maître d'œuvre seront confrontés simultanément à une diminution de leur clientèle et à l'impossibilité de rentabiliser leurs investissements dans Process AX. Le problème pour les sous-traitants pétrochimiques ne réside pas dans l'adoption de la technologie, mais dans le manque de visibilité des données relatives à la restructuration du maître d'œuvre.

Les normes de compétitivité des produits chimiques se sont étendues du prix et de la qualité à l'empreinte carbone et à la traçabilité des matières premières. Si les grandes entreprises ont la capacité de collecter des informations sur le carbone au niveau du produit, la vérification de l'ensemble de la chaîne d'approvisionnement reste impossible sans l'intégration des données d'émissions des entreprises de transport, de maintenance et de traitement des déchets. Si les exigences de vérification des clients sont renforcées d'ici deux à trois ans, les fournisseurs ne disposant pas de données seront considérés comme des risques pour la chaîne d'approvisionnement, indépendamment de leurs émissions réelles.  Le manque de données sur le carbone, initialement lié à l'évaluation environnementale, se traduit désormais par une inégalité d'accès aux marchés.

Le projet de déploiement d'usines intelligentes a étendu la gestion de la production, la connectivité des équipements et la collecte de données de qualité aux petites et moyennes entreprises manufacturières. Cependant, l'IA industrielle suppose la qualité des données collectées, des périodes d'accumulation adéquates et une standardisation des processus ; la simple connectivité des équipements ne permet pas d'établir des prédictions autonomes. Les données publiques ne distinguent pas le taux d'utilisation effectif des usines intelligentes d'Ulsan ni le taux de fonctionnement des modèles d'IA. Si la numérisation de base et les opérations d'IA sont considérées comme une seule et même réalisation pour la période 2026-2028, l'écart entre les deux disparaît des statistiques.  Les données relatives à la mise en œuvre des usines intelligentes témoignent de la préparation à l'IA, mais ne constituent pas une preuve de son fonctionnement.

Le ministère des PME et des Startups a proposé un taux d'utilisation des usines intelligentes de 85 % et le développement des usines intelligentes dotées d'IA dans le cadre du Projet d'innovation pour la fabrication intelligente 2026. Bien que les critères politiques aient évolué, passant du nombre d'installations aux taux d'utilisation et aux performances de l'IA, les problèmes liés aux systèmes non opérationnels, aux pertes de données et à la dépendance des entreprises d'Ulsan vis-à-vis de la maintenance des fournisseurs restent à résoudre. Si le taux d'utilisation du système demeure faible pendant deux à trois ans, tout investissement supplémentaire dans l'IA risque d'amplifier les erreurs dans les données existantes.  Pour AX, entreprise partenaire d'Ulsan, le principal obstacle réside dans le niveau d'utilisation réel de l'usine intelligente existante, plutôt que dans le modèle d'IA lui-même.

Les grandes entreprises possèdent des données de conception, de production, de qualité et de relation client pour les véhicules, les navires et les produits chimiques finis, tout au long de leur cycle de vie. Si les fournisseurs ne possèdent généralement que les données relatives aux processus dont ils sont responsables ou les saisissent dans le système du maître d'œuvre sans en acquérir le droit de réutilisation, les droits d'utilisation des données par contrat ne sont pas divulgués. Si une IA, entraînée pendant deux à trois ans sur les données du maître d'œuvre, remplace la prise de décision en production, les fournisseurs perdent les bases d'apprentissage nécessaires à la construction de leurs propres modèles. Le principal problème d'Ulsan AX réside dans l'accès aux données industrielles, et non dans le nombre de serveurs détenus.

Les donneurs d'ordre peuvent sélectionner le fournisseur optimal en comparant les données de qualité et de livraison de plusieurs sous-traitants. Cependant, les sous-traitants n'ont pas accès aux données comparatives et aux prévisions de la demande détenues par les donneurs d'ordre et se basent sur les commandes passées pour leurs investissements et l'affectation de leurs effectifs. Si cette asymétrie d'information persiste jusqu'en 2028, la précision des prévisions des donneurs d'ordre s'améliorera, tandis que les risques liés aux stocks et aux installations inutilisées pour les sous-traitants augmenteront.  Il est désormais établi que l'IA appliquée à la chaîne d'approvisionnement risque d'exacerber l'asymétrie du pouvoir de négociation plutôt que de faciliter une optimisation conjointe.

De grands conglomérats d'Ulsan investissent dans la conception par IA, les jumeaux numériques, la robotique et la maintenance prédictive dans les secteurs de l'automobile, de la construction navale et de la pétrochimie. Si le champ d'application de ces technologies s'étend désormais à tous les aspects de l'activité des entreprises, les taux d'adoption, d'utilisation et d'investissement en IA des entreprises partenaires ne sont pas documentés par les statistiques régionales. Faute de mesures adéquates d'ici deux à trois ans, il sera impossible de déterminer si les objectifs de soutien correspondent aux goulets d'étranglement de la chaîne d'approvisionnement.  Le niveau de préparation des grands conglomérats est qualifié d'« avancé », tandis que celui des entreprises partenaires est « partiellement numérisé » ou « non confirmé ».

Un taux d'adoption de l'IA de 10 % parmi les PME manufacturières a été fixé comme objectif politique. En 2024, on recensait 26 usines autonomes de fabrication utilisant l'IA à travers le pays. Si cela indique que l'infrastructure actuelle est concentrée entre les mains de quelques entreprises leaders, la répartition des entreprises partenaires d'Ulsan par secteur et par taille n'est pas divulguée. Si l'adoption de l'IA reste concentrée chez les partenaires de premier plan d'ici 2028, le niveau de préparation du réseau des entreprises de second rang restera inchangé.  Le niveau de préparation moyen de la chaîne d'approvisionnement est estimé comme étant nettement inférieur à celui des grandes entreprises leaders.

Les grandes entreprises appliquent l'IA et la robotique dans la production, le contrôle qualité, la logistique et la conception. Si leur utilisation s'est étendue des processus individuels aux systèmes d'exploitation des usines, la diffusion de cette technologie aux usines partenaires reste à confirmer. Si cette diffusion se limite aux usines des donneurs d'ordre pendant deux ou trois ans, les disparités de vitesse de traitement au sein de la chaîne d'approvisionnement engendreront des goulots d'étranglement dans les livraisons. Bien que  la diffusion interne au sein des grandes entreprises soit en progression, la diffusion entre entreprises demeure incertaine.

Le gouvernement s'est fixé pour objectif de créer plus de 500 usines de fabrication autonomes dotées d'intelligence artificielle d'ici 2030, mais en 2024, on n'en comptait que 26. L'écart entre l'objectif d'expansion et l'infrastructure actuelle est d'environ 19 fois, et le volume alloué et sélectionné pour Ulsan n'a pas encore été confirmé. Les deux à trois prochaines années constituant la phase initiale d'expansion pour atteindre cet objectif, l'écart se creusera d'abord pour les entreprises exclues des projets phares. Bien que le développement des usines d'IA ait commencé, il n'a pas encore atteint le stade où il englobe l'ensemble du réseau de coopération d'Ulsan.

Les grandes entreprises disposent d'organisations dédiées à l'IA et de réseaux de collaboration avec des sociétés technologiques externes, des universités et des plateformes internationales. Bien qu'une enquête de l'Agence nationale de la société de l'information (NIA) ait confirmé les difficultés rencontrées par les PME pour acquérir les technologies de pointe, recruter du personnel spécialisé et les intégrer à leurs processus de production, le nombre de spécialistes en IA au sein des entreprises partenaires à Ulsan n'est pas divulgué. Si ce manque de personnel persiste pendant deux à trois ans, la vitesse d'amélioration des modèles et de réponse aux incidents variera, même avec une solution identique.  À Ulsan, ce manque de main-d'œuvre est dû à l'absence d'une organisation capable d'assurer un fonctionnement continu de l'IA, et non aux coûts de mise en œuvre.

Dans les entreprises partenaires, le savoir-faire sur site est concentré entre les mains des PDG, des directeurs d'usine et des ouvriers qualifiés. Malgré le vieillissement de la main-d'œuvre et le recours accru à la main-d'œuvre étrangère, le pourcentage d'entreprises ayant formalisé leur savoir-faire en données, règles et modèles reste incertain. Si la perte de main-d'œuvre qualifiée dépasse la création d'organisations AX d'ici 2028, le savoir-faire nécessaire à la numérisation disparaîtra en premier.  Le risque lié à l'AX pour les entreprises partenaires est tel qu'une pénurie de talents en IA et la disparition du savoir-faire industriel surviennent simultanément.

Les grandes entreprises disposent des ressources et des données nécessaires pour réaliser des réductions de coûts intégrées en matière de productivité, de qualité, de stocks et d'énergie grâce à l'IA. Bien que les fournisseurs supportent les coûts de mise en œuvre, les gains de productivité se traduisant par une augmentation des prix unitaires, des volumes ou de la durée des contrats ne sont pas systématiquement constatés au niveau régional. En l'absence de structure de partage des bénéfices pendant deux à trois ans, la rentabilité des investissements dans l'IA varie entre les maîtres d'œuvre et les fournisseurs. Par conséquent,  la diffusion des bénéfices de l'IA au sein de la chaîne d'approvisionnement est considérée comme moins avancée que la diffusion de la technologie elle-même.

Bien que le soutien aux usines intelligentes et à l'IA industrielle réduise certains coûts de mise en œuvre, les coûts de maintenance, d'amélioration des données et de mise à jour des modèles demeurent récurrents. On constate un manque de données publiques concernant les taux d'exploitation autonome et les délais de retour sur investissement après la fin du soutien. Avec l'accumulation des coûts de remplacement des systèmes et d'abonnement entre 2026 et 2028, les fournisseurs à faible marge seront contraints de choisir entre cesser leurs activités ou devenir dépendants de fournisseurs externes.  La vulnérabilité des fournisseurs réside dans leurs structures de revenus, qui ne permettent pas de couvrir les coûts récurrents, mais plutôt les coûts d'adoption initiaux.

La restructuration des activités liées aux véhicules autonomes et à l'électrification, à la construction navale (FOS) et à la pétrochimie est prévue dans le calendrier de modification des chaînes d'approvisionnement entre 2026 et 2028. Bien que les transitions de produits et de processus des maîtres d'œuvre précèdent celles des sous-traitants en matière d'investissements et de personnel, les délais de réponse de chaque entreprise ne sont pas communiqués. Une fois la restructuration des types de véhicules, de navires et d'installations finalisée, le temps sera insuffisant pour la certification des nouveaux fournisseurs et le retour sur investissement.  La période optimale pour les sous-traitants d'Ulsan ne s'achève pas avec la fin de la restructuration du maître d'œuvre, mais avant la nouvelle sélection des fournisseurs.

Bien que le budget du gouvernement alloué à AX ait été augmenté, le soutien aux usines d'IA et à leur développement reste concentré sur un petit nombre d'entreprises sélectionnées après un processus rigoureux. Si ces entreprises sont systématiquement choisies pendant deux ou trois ans, les données et les indicateurs de performance s'accumulent au sein de ces sociétés leaders, creusant ainsi un écart exponentiel avec les entreprises non sélectionnées. Une fois le projet terminé, ces dernières doivent démarrer avec un niveau technologique plus élevé. Le risque temporel lié au soutien d'AX réside dans le fait que la période de non-sélection elle-même engendre un retard concurrentiel.

La précision des modèles d'IA s'améliore avec l'accumulation des données de production, de défauts et de maintenance. Si les grandes entreprises et les principaux fournisseurs instaurent en premier un système de circulation des données, les entreprises qui arrivent plus tard sur le marché doivent faire face à un déficit de données d'entraînement s'étalant sur plusieurs années, en plus du coût d'adoption des équipements. Si l'accumulation des données ne commence pas d'ici 2028, il sera difficile d'atteindre le niveau de performance des modèles des entreprises leaders par le seul biais d'investissements.  Ce retard en matière d'IA dans le secteur manufacturier représente un risque irréversible, alimenté par l'accumulation des données qui s'accroît avec le temps.

La chaîne d'approvisionnement numérique du maître d'œuvre évalue en temps réel la qualité, les délais de livraison, les émissions de carbone et la sécurité, et intègre ces résultats dans la sélection des fournisseurs. Lorsqu'une entreprise quitte la chaîne d'approvisionnement, elle perd la capacité d'investir dans la gestion active des approvisionnements (GAA) en raison de la baisse de ses revenus et ne parvient pas à collecter les données nécessaires à sa recertification. Si ce départ intervient dans un délai de deux à trois ans, le fossé technologique et le fossé transactionnel s'aggravent mutuellement.  L'échec d'une entreprise partenaire en matière de GAA ne se limite pas à un simple refus d'adopter le système ; il est irréversible et entraîne son exclusion définitive de la chaîne d'approvisionnement.

Jugement sur la compression : Le point crucial d’Ulsan Supply Chain AX est de savoir si les entreprises partenaires peuvent aller au-delà de la simple fourniture de données à l’IA du maître d’œuvre et obtenir simultanément des droits de réutilisation des données, des capacités opérationnelles indépendantes et des gains de productivité.

L’AX des grandes entreprises d’Ulsan est considérée comme étant à un stade avancé en termes d’investissement, de données, de personnel et d’application sur le terrain , tandis que l’AX des entreprises partenaires locales est considérée comme étant à un stade initial et non identifié, à l’exclusion de la numérisation de base et de certaines entreprises leaders .

Le fossé actuel ne se limite pas à une simple différence de niveaux technologiques. Il s'agit d'une structure asymétrique où les grandes entreprises jouent le rôle d'acteurs clés dans la prévision et l'évaluation de la chaîne d'approvisionnement, tandis que les entreprises partenaires fournissent leurs propres données mais n'ont pas accès à des informations comparatives ni à des prévisions de la demande.

Si cet écart persiste jusqu'en 2028, Ulsan risque fort de perdre la valeur ajoutée et le nombre d'entreprises de son écosystème de coopération régionale au lieu de garantir la compétitivité AX des grandes usines industrielles.

Analyse du moment opportun : Accélération de la transformation numérique des entreprises et risque de polarisation de la chaîne d'approvisionnement

Sources de preuves

• Ministère du Commerce, de l'Industrie et de l'Énergie, Budget et objectifs de construction de l'usine industrielle AX·AI à l'horizon 2026
• Ministère des PME et des Startups, Stratégie d'innovation 3.0 pour une fabrication intelligente basée sur l'IA
• Ministère des PME et des Start-ups, Projet de soutien à l'innovation en matière de fabrication intelligente 2026
• L'Institut national d'analyse de l'intelligence artificielle (NIA) analyse l'état actuel et les défis de l'utilisation de l'IA dans les entreprises.
• NIA, Mesures visant à utiliser l'IA physique pour renforcer la compétitivité du secteur manufacturier national
• Système de gestion d'entreprise pour usine intelligente
• HD Hyundai établit un futur chantier naval FOS
• Ministère du Commerce, de l'Industrie et de l'Énergie, Sous-comité du complexe industriel AX et Cluster M.AX

Analyse structurelle — À mesure que la grande entreprise AX prospère, l'indépendance de ses fournisseurs risque de s'affaiblir.

Dans les grandes entreprises, l'IA collecte simultanément des données sur les prix, la qualité, les délais de livraison et les défauts auprès de multiples fournisseurs. Grâce à l'accumulation de ces données, les donneurs d'ordre peuvent anticiper l'ensemble de la chaîne d'approvisionnement avec une plus grande précision et remplacer les fournisseurs plus rapidement. À l'inverse, les fournisseurs ne disposent que de leurs propres données ou ne peuvent même pas exploiter de manière indépendante les données qu'ils saisissent dans le système du donneur d'ordre.

Dans cette asymétrie, la connectivité numérique d'un partenaire ne se traduit pas par une capacité d'architecture d'entreprise. Les entreprises connectées à la plateforme du maître d'œuvre participent à la génération de données, mais n'ont pas accès à la propriété des modèles, aux informations comparatives ni à la prise de décision. Il en résulte un paradoxe : la dépendance vis-à-vis du maître d'œuvre augmente avec le niveau de connectivité.

Si l'IA du maître d'œuvre accroît la productivité, il devient économiquement avantageux d'exploiter un système de livraison avec moins de fournisseurs et une plus grande précision. En revanche, si le soutien d'AX par les entreprises partenaires ne permet pas d'atteindre une compétitivité indépendante, l'IA sert alors à sélectionner uniquement les entreprises les plus performantes, au lieu de développer l'ensemble de la chaîne d'approvisionnement.

Par conséquent, le risque structurel à Ulsan ne réside pas uniquement dans l'adoption tardive de l'IA par les entreprises partenaires.  Un risque plus important encore est l'enracinement d'une structure où, bien que les entreprises partenaires fournissent davantage de données en participant à AX, leur capacité de prédiction et leur pouvoir de négociation restent inchangés.