Ce que l'IA peut vraiment faire dans l'exploitation d'une usine aujourd'hui
DBR77 Team8 min de lecture
Sur cette page
Aujourd'hui, l'IA dans l'exploitation d'une usine fonctionne le mieux comme assistant des équipes de l'atelier. Elle repère des comportements inhabituels dans les données machines et procédés, propose les causes probables des arrêts et des défauts, classe le travail ouvert, propose des séquences de planning, résume les notes d'équipe et répond aux questions à partir des documents de l'usine. Les personnes décident toujours de tout ce qui modifie la ligne, le produit ou la sécurité. Une usine qui tourne toute seule, ce n'est pas la situation de la plupart des usines, et ce n'est pas le bon premier objectif.
C'est important parce que les budgets IA sont souvent fixés par la promesse, pas par ce que l'usine pourra utiliser au prochain trimestre.
Ce que disent les données sur l'IA dans l'exploitation
L'usage de l'IA est désormais courant. L'enquête State of AI 2026 de McKinsey, menée auprès de 1 719 participants, montre que près de neuf sur dix déclarent utiliser régulièrement l'IA dans au moins une fonction de l'entreprise. Les répondants de l'industrie de pointe, comme l'automobile et les semi-conducteurs, déclarent utiliser des agents IA dans la supply chain, les stocks et le processus de fabrication.
Les résultats restent en retrait par rapport à l'usage. Dans la même enquête, 37 % des répondants attribuent à l'IA au moins un certain effet sur l'EBIT, un chiffre qui a à peine bougé par rapport à l'année précédente. Les entreprises qui tirent le plus de l'IA ont tendance à repenser le processus de travail autour d'elle, au lieu d'ajouter l'IA à l'ancien.
Les usines ont déjà connu ce schéma. En 2018, McKinsey constatait que moins d'un tiers des industriels avaient fait passer des cas d'usage numériques critiques au déploiement à grande échelle, et appelait cet écart le « purgatoire des pilotes ». Le rapport du World Economic Forum sur les usines phares indique que les usines les plus avancées ne souffrent plus du « purgatoire des pilotes », mais s'attaquent à un « essoufflement du passage à l'échelle » à travers les réseaux et les chaînes de valeur. Même les meilleures en sont encore à étendre des cas d'usage éprouvés.
La détection d'anomalies signale les valeurs qui s'écartent de la normale, et le technicien ou le chef d'équipe agit.
Six usages qui fonctionnent en usine aujourd'hui
Chaque usage fonctionne quand les conditions de la troisième colonne sont réunies.
| Usage | Ce que fait l'IA | Ce qu'il faut | Qui décide |
|---|---|---|---|
| Détection d'anomalies | Signale les valeurs machine ou procédé qui s'écartent de la normale | Des données machines propres, rattachées aux équipements | Le technicien ou le chef d'équipe vérifie et agit |
| Suggestion de causes | Classe les causes probables quand un arrêt ou un défaut est saisi | Des causes d'arrêt et des enregistrements qualité avec leur contexte | L'ingénieur ou le responsable qualité confirme la cause |
| Priorisation du travail | Ordonne les ordres de travail et les tâches ouverts selon leur impact | La criticité des équipements, le travail ouvert, le plan | Le planificateur maintenance ou le chef d'équipe |
| Suggestions de planning | Propose des séquences d'ordres qui réduisent le temps de changement de série | Les gammes, les temps de réglage, l'état machine en temps réel | Le planificateur valide le plan |
| Résumés de fin d'équipe | Transforme les journaux d'équipe, les notes et les observations en un court résumé | Des journaux écrits dans un seul système | Le chef d'équipe entrant lit et confirme |
| Réponses tirées des documents | Répond aux questions à partir des modes opératoires, des manuels et des réparations passées | Des documents chargés et tenus à jour | La personne qui pose la question, qui vérifie la source |
Chacun d'eux garde une personne dans la boucle et réduit le temps passé à chercher la valeur anormale, la cause probable, le bon document ou le problème resté ouvert depuis la nuit dernière.
Là où l'IA reste faible
- Elle invente. Le NIST parle de « confabulation » quand des systèmes d'IA générative produisent et présentent avec assurance un contenu erroné ou faux, ce qu'on appelle aussi hallucination. Une valeur de couple de serrage erronée donnée par un chatbot est un risque qualité.
- Elle n'a pas vu les événements rares. Un modèle entraîné sur deux ans de fonctionnement normal n'a pas grand-chose à dire sur une panne qui survient une fois tous les cinq ans.
- Elle ne voit pas le monde physique. Elle sait ce que disent les données, pas qu'un protecteur est desserré ou qu'une palette bloque une allée.
- Elle se périme. Un nouveau produit, un nouvel outil ou un nouveau fournisseur change les schémas. Les modèles ont besoin d'enregistrements récents et clôturés pour rester utiles.
- Elle ne peut pas être responsable. Quand une décision compte, une personne nommée doit l'assumer.
Exemple illustratif : un opérateur demande à un assistant IA les étapes du changement de série sur une remplisseuse. La réponse liste sept étapes et cite le mode opératoire. Une étape vient d'une ancienne version du document, remplacée le mois dernier. Si l'assistant montre sa source, l'opérateur repère l'ancienne date de révision. Sinon, l'erreur arrive sur la ligne. Fonder les réponses sur des documents à jour, et montrer la source, voilà la protection.
La plupart de ces faiblesses viennent des données, et Pourquoi l'IA d'usine échoue sans données opérationnelles reliées explique pourquoi les pilotes échouent sans elles.
Comment choisir un premier cas d'usage
Un bon premier cas d'usage passe quatre tests :
- La décision est fréquente. Elle se présente chaque jour ou à chaque équipe, pas une fois par an.
- Les données existent déjà dans un système, avec leur contexte, pas dans un classeur.
- Une mauvaise suggestion coûte peu. Une personne peut la vérifier en une minute, et le coût d'une erreur est faible.
- Quelqu'un est responsable du résultat. Un rôle nommé reçoit la suggestion et agit, comme décrit dans Du signal à la tâche puis à la clôture.
Les résumés de fin d'équipe et le classement des ordres de travail passent en général les quatre tests. Le pilotage autonome d'un procédé échoue en général au troisième. Quand l'IA doit recommander et quand les personnes doivent décider explique comment fixer le niveau auquel l'IA se contente d'observer, conseille ou agit seule.
Comment cela fonctionne dans DBR77 IRIS
DBR77 IRIS comporte deux types d'IA, qui travaillent toutes deux sur les données que les modules collectent déjà. L'assistant IRIS est un panneau latéral présent sur chaque écran. Il répond aux questions en langage clair à partir des données de l'usine en temps réel et de bases de connaissances alimentées par la documentation des machines, l'historique de maintenance, les processus et les produits. Data & AI confronte aux règles les données de tous les modules, propose des recommandations et entraîne des modèles simples et explicables sur les données de la plateforme : régression linéaire et logistique, k-means et règles de seuil. Dans le module IoT, les scores de santé machine sont calculés à partir des tendances et des écarts des dernières mesures des capteurs, et IRIS QMS ajoute des constats qualité issus de règles.
L'assistant ne fait que lire. Il ne crée, ne clôture et ne modifie aucun enregistrement, et quand vous lui demandez d'agir, il vous indique l'écran à utiliser. Chaque chiffre de sa réponse vient du résultat d'un outil dans cette conversation, et il répond dans la limite des droits de votre rôle. Chaque recommandation affiche la base de son score, et une personne l'applique, l'approuve, la rejette ou la reporte. Voir l'IA dans IRIS pour en savoir plus.
Questions fréquentes
Une usine autonome est-elle réaliste aujourd'hui ?
Pas pour la plupart des usines. Certaines étapes peuvent se faire sans un clic, mais les décisions de planification, de libération qualité et de sécurité demandent toujours une personne. Commencez par l'assistance et gagnez l'étape suivante avec des preuves.
Faut-il des data scientists pour commencer ?
Pas pour les premiers usages. Les résumés de fin d'équipe, le classement des causes et les réponses tirées des documents peuvent fonctionner sur les enregistrements existants. La data science compte davantage pour les modèles de prédiction sur mesure.
L'IA générative est-elle sûre en atelier ?
Elle l'est quand les réponses viennent de vos propres documents à jour, montrent leur source, et qu'une personne vérifie tout ce qui modifie le procédé.
Conclusion
Commencez par une décision que vos chefs d'équipe ou vos planificateurs prennent au cours de chaque équipe, faites-lui passer les quatre tests, et donnez un responsable nommé à ce qu'elle produit. Les résumés de fin d'équipe et le classement des ordres de travail passent en général ; le pilotage autonome d'un procédé échoue en général sur le coût d'une mauvaise suggestion. Gardez une personne sur tout ce qui modifie la ligne, le produit ou la sécurité, et n'élargissez le rôle de l'IA que lorsque les preuves le justifient.
Sources
- McKinsey & Company, The state of AI in 2026: On the road to ROI, 2026
- McKinsey & Company, How digital manufacturing can escape "pilot purgatory", 2018
- World Economic Forum, Manufacturing Lighthouses and the Path to Impact: Adopting AI at Speed and Scale, 2023
- NIST, AI 600-1: Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile, 2024