Réponse courte, pour ceux qui n'ont que trente secondes. Dans une PME industrielle, l'IA générative est utile aujourd'hui pour quatre choses : transformer une description en texte libre en brouillon structuré (une gamme, une checklist), rédiger le résumé d'une équipe à partir de chiffres déjà calculés, retrouver un document, et reformuler une non-conformité ou un rapport. Dans les quatre cas, elle propose et quelqu'un relit.
Elle devient un gadget, ou un risque, quand on lui demande de calculer (votre TRS ne doit pas sortir d'un modèle de langage), quand on la pose sur des données vides, quand on promet du « prédictif » sans capteurs ni historique, et quand on la laisse décider à la place de quelqu'un.
J'écris ce tri après cinq ans dans des équipes MES industrielles, et en développant aujourd'hui un logiciel d'atelier qui utilise l'IA pour deux choses, pas plus. Je dis lesquelles à la fin.
D'abord, ce qu'un modèle de langage sait faire (et ce qu'il ne sait pas faire)
Quand on parle d'intelligence artificielle en production aujourd'hui, on parle presque toujours d'IA générative : un modèle de langage, celui qui est derrière les assistants conversationnels. Il a appris, sur d'énormes quantités de texte, à produire la suite la plus plausible d'un texte. C'est tout, et c'est déjà beaucoup.
Ce qu'il fait bien : comprendre une phrase mal tournée, la ranger dans une structure, résumer, reformuler, passer d'un vocabulaire à un autre. Ce qu'il fait mal : compter, garantir qu'un chiffre est juste, savoir ce qu'il ne sait pas. Il ne connaît pas votre atelier. Il ne sait pas que la presse 3 a un vérin qui fuit depuis mardi. S'il n'a pas l'information, il peut écrire quelque chose de plausible quand même, avec le même aplomb que quand il a raison.
Donc la règle de base tient en une ligne : un modèle de langage est un très bon assistant de rédaction et un très mauvais calculateur. Tout le tri qui suit découle de là.
Quatre usages qui rendent vraiment service dans un atelier
Transformer un texte libre en brouillon structuré
C'est l'usage le plus rentable, et le moins spectaculaire. Le savoir-faire d'un atelier tient souvent en phrases : « débit scie, tournage, fraisage du méplat, ébavurage, contrôle dimensionnel, traitement de surface sous-traité ». Le passer dans un logiciel, c'est remplir des formulaires étape par étape, et personne n'a le temps. Un modèle de langage peut transformer cette phrase en liste d'étapes typées, prête à relire : une gamme de fabrication, une checklist de maintenance, une instruction de poste.
Pourquoi ça marche : le résultat est un brouillon, relu par quelqu'un qui connaît la pièce, et une erreur se voit tout de suite (une étape dans le mauvais ordre saute aux yeux d'un méthodes). Le gain se compte en minutes de saisie, pas en miracles. J'ai détaillé cet usage dans créer une gamme de fabrication avec l'IA.
Rédiger le résumé d'une équipe à partir de chiffres déjà calculés
À la relève de poste, tout le monde veut savoir la même chose : ce qui a été produit, ce qui s'est arrêté, ce qui a été rebuté, et par quoi commencer. Les chiffres, un logiciel de suivi les a déjà. Ce qui manque, c'est la phrase qui dit l'essentiel. Un modèle de langage peut écrire ces trois phrases à partir d'un résumé chiffré calculé ailleurs. Le mot important est « ailleurs » : il rédige autour des chiffres, il ne les produit pas. Détails dans le bilan de fin d'équipe écrit par une IA.
Retrouver un document
Le mode opératoire du changement de série, la notice du variateur, la procédure de consignation : ils existent, quelque part. Une recherche qui comprend la question (« comment on purge le circuit de la presse 2 ») plutôt que le nom exact du fichier fait gagner du temps. La condition : que la réponse renvoie vers le document source, pour qu'on lise la vraie procédure. Pour une consigne de sécurité, un résumé ne suffit jamais.
Reformuler une non-conformité ou un rapport
Le rapport d'intervention rempli en fin de journée, de mémoire, dit « chgt roulement, ok ». Un modèle de langage sait transformer des notes brèves en texte propre : une description de non-conformité claire, un rapport de maintenance lisible. La personne qui a fait le travail relit, parce qu'elle seule sait ce qui s'est passé, et l'IA ne doit rien ajouter qui ne soit dans les notes.
Quatre gadgets, dont certains sont des risques
L'IA qui « calcule » votre TRS
C'est le piège le plus courant. On exporte les données de la semaine, on les colle dans un assistant, on demande « quel est mon TRS ? » et on obtient un chiffre. Parfois juste, parfois non, et rien dans la réponse ne permet de le savoir. Un TRS se calcule à partir de temps et de quantités, avec une définition (la norme NF E60-182 en donne une), et un calcul doit pouvoir se refaire à l'identique : il doit sortir d'une requête sur vos données, pas d'un modèle de langage. La méthode est dans calculer son TRS pas à pas, et elle tient dans un tableur.
Quelqu'un a collé l'export de la semaine dans un assistant et lit la réponse à voix haute : TRS moyen de 74 %. Le responsable maintenance a fait le calcul de son côté, il trouve 68 %. Personne ne sait lequel est juste, et la réunion passe vingt minutes à débattre du chiffre au lieu de parler des arrêts.
Le chatbot posé sur des données vides
« Posez vos questions à votre usine en langage naturel. » La démo est impressionnante, sur des données de démo. Chez vous, si les arrêts ne sont pas qualifiés et si les rebuts sont déclarés en fin de semaine, le chatbot répondra avec aplomb sur des données qui ne veulent rien dire. Le problème d'une PME est rarement de ne pas savoir interroger ses données. C'est de ne pas en avoir de fiables. Apprendre à saisir les motifs d'arrêt sans faire perdre de temps aux opérateurs rapporte plus qu'une interface conversationnelle.
Le « prédictif » sans capteurs ni historique
La maintenance prédictive est une vraie discipline : elle demande des mesures régulières (vibrations, température, courant), des mois d'historique et des pannes passées documentées. Si vos machines n'ont pas de capteurs et que l'historique des pannes est dans la mémoire du responsable maintenance, aucun modèle ne prédira rien. Quelqu'un qui vous vend du prédictif sans vous demander d'abord ce que vous mesurez vous vend une courbe. Le bon ordre : un plan de maintenance préventive tenu, des rapports d'intervention complets, puis des capteurs sur les machines qui comptent.
L'IA qui décide au lieu de proposer
Replanifier seule les OF, valider seule une pièce, clôturer seule une action corrective : dès que l'IA agit sans validation, une erreur devient une conséquence. Et une erreur de modèle est plausible, bien rédigée : personne ne la conteste. Dans un atelier, la personne responsable doit rester une personne. L'IA prépare, quelqu'un signe.
Le test en une question : si l'IA se trompe, qui s'en rend compte, et combien ça coûte ?
C'est la question que je pose devant chaque usage qu'on me présente. Si la réponse est « la personne qui relit, tout de suite, et ça coûte deux minutes de correction », l'usage est sain. Si la réponse est « personne, ou le client, trois semaines plus tard », il faut s'arrêter.
| Usage | Si l'IA se trompe, qui s'en rend compte ? | Ce que coûte l'erreur |
|---|---|---|
| Brouillon de gamme à partir d'un texte | Le méthodes, à la relecture | Quelques minutes de correction |
| Résumé de fin d'équipe | Le chef d'équipe, qui a les chiffres à côté | Une phrase corrigée à l'oral |
| Reformulation d'un rapport | La personne qui a fait l'intervention | Une relecture |
| TRS « calculé » par un modèle | Personne, sauf si quelqu'un refait le calcul | Des décisions prises sur un faux chiffre |
| Pièce validée par une IA sans contrôle | Le client | Une réclamation, un tri, parfois un rappel |
Le test a un deuxième intérêt : il vous oblige à savoir qui relit. Si personne n'a le temps de relire, ce n'est pas un usage de l'IA, c'est un pari.
Cinq règles pour une IA honnête dans un atelier
- L'IA propose, une personne valide. Une gamme générée reste un brouillon jusqu'à ce que le méthodes la publie. Un résumé est lu par le chef d'équipe avant de devenir une consigne.
- Les chiffres ne passent jamais par l'IA. Quantités, temps, TRS, taux de rebut : tout est calculé par le logiciel, à partir de la base. Le modèle peut reprendre un chiffre dans une phrase, mais il le recopie d'un résumé calculé ailleurs, et les vrais chiffres sont affichés à côté.
- Tout doit marcher sans l'IA. Si le service d'IA est coupé demain, l'atelier doit tourner pareil : on saisit la gamme à la main, on fait la relève à l'oral. L'IA fait gagner du temps, elle ne doit être la condition de rien.
- Le coût est visible. Chaque appel à un modèle consomme des tokens, donc de l'argent. Un outil honnête montre ce que coûte chaque génération, et ne régénère pas ce qu'il a déjà produit.
- Vous savez quelles données partent, et vers qui. Un modèle de langage tourne en général chez un fournisseur. Vous devez savoir ce qui lui est envoyé (une description ? un résumé chiffré ? vos plans ?), chez qui, et si ces données servent à autre chose.
On n'appelle pas IA ce qui est une règle
Beaucoup de choses vendues comme de l'IA sont des règles. « Si le TRS passe sous 60 %, afficher une alerte. » « Si une machine a deux interventions correctives en sept jours, la signaler. » Ce sont des seuils écrits par quelqu'un, et c'est très bien : une règle est prévisible, explicable, et donne le même résultat à chaque fois.
L'appeler IA n'ajoute rien, sauf de la confusion. Le jour où une recommandation surprend quelqu'un, il doit pouvoir demander « pourquoi ? » et obtenir une réponse du type « parce que la disponibilité est sous 85 % ». Une règle répond à cette question. Un modèle, beaucoup moins bien.
Donc quand un fournisseur vous montre une fonction « IA », demandez simplement : c'est une règle ou un modèle ? S'il ne sait pas répondre, vous avez appris quelque chose.
Par où commencer dans une PME
Une IA posée sur un suivi papier ressaisi le vendredi ne produira que des phrases bien tournées sur des chiffres faux. Donc l'ordre que je conseille :
- Capter des données fiables, au moment où elles se produisent : pièces déclarées au poste, arrêts qualifiés, rebuts avec un motif. Sur une machine ancienne, un capteur de courant suffit souvent à savoir si elle tourne (voir connecter des machines anciennes).
- Calculer les indicateurs de façon reproductible : des formules, pas des estimations.
- Ajouter l'IA là où il y a du texte à écrire. Pas avant.
Une IA bien rangée, c'est une IA dont on n'a pas à se méfier : elle fait gagner un peu de temps, et tout le monde sait d'où viennent les chiffres. L'objectif reste un atelier tranquille, pas un atelier à la mode.
Ce que nous en avons fait dans cleartrak (lisez en sachant qui écrit)
Je développe cleartrak, un logiciel de suivi de production, de traçabilité et de maintenance pour les PME industrielles. Voici comment nous avons appliqué ce qui précède.
L'IA y fait deux choses, pas plus. La première : générer une gamme à partir d'une description. Le modèle reçoit votre texte et la liste de vos capacités et machines ; toute étape qui ne correspond à rien chez vous redevient une activité manuelle « à requalifier ». Vous relisez, vous corrigez, vous publiez. La seconde : le bilan d'équipe. Le logiciel calcule tout en base, en tire un résumé compact, et le modèle écrit un titre, deux ou trois phrases et les trois actions à traiter en premier. Machines, défauts, OF et actions lui sont passés sous forme de références courtes que le logiciel retraduit : il ne peut pas citer une machine qui n'existe pas.
Les chiffres ne passent jamais par l'IA. Un bilan est enregistré, donc le relire ne coûte rien, et s'il a moins de 15 minutes on vous le réaffiche au lieu d'en payer un nouveau. Le nombre de tokens consommés est affiché. De petits modèles peu coûteux suffisent pour ce travail. Et si l'IA n'est pas activée, ces deux fonctions sont simplement indisponibles, et le reste du logiciel fonctionne exactement pareil.
Et nos recommandations machine (« TRS sous 60 % », « disponibilité sous 85 % ») sont des règles à seuils. Ce n'est pas de l'IA, et nous le disons.
Tout est décrit sur la page intelligence artificielle dans cleartrak. Si vous préférez juger sur pièce : 20 minutes sur site, vous me montrez votre suivi actuel, je vous montre l'équivalent en temps réel, IA comprise si le sujet vous intéresse. Prendre ces 20 minutes.
