Pour créer de la valeur dans l’industrie, l’intelligence artificielle ne peut rester isolée dans un modèle ou une application. Elle doit s’intégrer aux systèmes existants et transformer une information issue de la machine en action utile pour les équipes.
On parle beaucoup de prédiction, de modèles de langage et d’agents. Dans une usine, la question est pourtant plus simple : que fait l’équipe quand une information importante apparaît sur une machine ? C’est là que se joue la différence entre une démonstration d’IA et un outil industriel.
Une ligne, deux matins
Prenons une ligne existante. Des capteurs, des automates, une supervision, un MES, une GMAO, un ERP. Trois équipes se relaient. À 5 h du matin, un palier commence à chauffer. Dans une usine classique, l’opérateur voit l’alarme ou remarque le problème lors d’un contrôle. Il la note, la garde en tête ou la transmet au changement d’équipe. L’information reste dans la supervision. L’ordre de fabrication continue. Le magasin possède peut-être la pièce, l’ERP le sait, mais personne n’a encore demandé de la sortir. Quarante-huit heures plus tard, le palier casse.
Dans une usine mieux connectée, la mesure de vibration est analysée au plus près de la machine. Un modèle détecte une dérive par rapport au comportement habituel. Il ne « comprend » pas le palier, il reconnaît un signal inhabituel. Le résultat arrive dans la GMAO, déclenche une demande d’intervention et remonte dans le MES. Le planning regarde quand intervenir et le magasin vérifie la pièce. La ligne s’arrête vingt minutes mardi après-midi au lieu d’une journée vendredi matin. C’est cette chaîne qui crée la valeur, pas le modèle pris isolément.
Le seul chiffre qui compte est le vôtre
Il faut se méfier des pourcentages annoncés dans les études sur la maintenance prédictive ou la vision industrielle. Prenez une de vos lignes : combien coûte une heure d’arrêt ? Combien coûterait une intervention planifiée de vingt minutes ? Quel investissement faut-il pour détecter le problème suffisamment tôt ? Si l’écart ne justifie pas le projet, mieux vaut le savoir avant de commencer.
Trois technologies, trois niveaux de risque
L’IA industrielle existe depuis longtemps. Une caméra qui détecte un défaut, un modèle qui analyse une vibration ou un système qui repère un lot hors norme ne sont pas des nouveautés. Les modèles de langage répondent à d’autres besoins. Ils sont utiles pour retrouver une procédure, résumer un incident ou préparer une passation entre équipes. Ils produisent du texte à partir des informations disponibles. Ils ne doivent pas devenir le système qui décide si un roulement va casser : pour ce problème, le signal de la machine reste la donnée centrale.
L’agent ajoute une autre difficulté, puisqu’on lui permet d’enchaîner des actions. Créer un ticket GMAO n’est pas modifier une consigne automate. Lire un ordre de fabrication n’est pas en créer un. Les droits doivent donc être séparés et les actions tracées. Les fonctions de sécurité de la machine restent indépendantes du logiciel.
« Nous n’avons pas d’historique de pannes »
C’est une objection fréquente. Une usine possède rarement un historique parfait de ses défaillances. Une première approche consiste à apprendre le fonctionnement normal de la machine et à signaler les écarts. Pendant quelques semaines, le système observe, puis l’équipe confirme ou infirme les alertes. Ce retour construit progressivement l’historique. Le premier objectif n’est donc pas forcément de prédire « le roulement cassera jeudi à 14 h », mais de signaler assez tôt que la machine ne se comporte plus comme d’habitude. Les promesses de prédiction parfaite dès le premier jour doivent, elles, inspirer la prudence.
Faire avec l’usine qui existe
Le vrai sujet est souvent l’existant. Les équipements viennent de plusieurs fournisseurs, certains ont quinze ans, le MES est déjà installé, la GMAO aussi. Il faut donc faire circuler l’information entre ces systèmes. Une IA qui prédit une casse mais ne crée aucun événement dans la GMAO produit une alerte de plus. Une pièce disponible dans l’ERP ne sert à rien si la maintenance ne sait pas qu’elle doit la réserver. Le travail d’intégration est moins spectaculaire qu’une démonstration de chatbot, mais il est déterminant.
Même chose pour le cloud. Une détection qui doit suivre le rythme de la machine se traite souvent au plus près de l’équipement. Un bilan hebdomadaire peut être traité ailleurs. Le choix dépend de la contrainte industrielle, pas de la mode du moment.
Commencer par une ligne
Une ligne, un problème mesurable, trois mois. C’est souvent suffisant pour savoir si le projet mérite de continuer. Choisissez un indicateur que l’usine connaît déjà et définissez un critère d’arrêt. Si le comportement de l’équipe ne change pas, si les alertes arrivent trop tard ou si personne ne les utilise, il faut arrêter le pilote.
Et donnez le sujet à quelqu’un qui connaît l’atelier. Une équipe digitale saura construire une solution. Elle ne verra pas forcément toutes les contraintes d’un changement d’équipe à 5 h du matin ou d’une maintenance qui ne peut pas attendre.
Les cinq questions à poser avant de signer
De quelle IA parle-t-on : prédiction, modèle de langage ou agent ? Sur quelles données fonctionne-t-elle et ont-elles le droit de sortir du site ? Que pourra-t-elle faire : proposer, écrire dans un système ou agir sur une consigne ? Qui valide et pourra-t-on retrouver les données, la version du modèle et l’action réalisée ? Enfin, est-ce que la solution tient réellement en 3x8, avec les contraintes de production ?
Tant que ces réponses restent floues, on a un essai. Ce n’est pas un problème, à condition de le traiter comme tel. Dans l’industrie, une IA devient utile lorsque l’information née sur la machine arrive assez tôt jusqu’à la personne qui doit agir.
La mission de PEI est de fournir à ses lecteurs des informations sur les nouveaux produits et services liés au secteur de l'industrie et qui sont disponibles sur le marché français. 
