Les PME manufacturières belges ont rarement besoin d’une usine de science-fiction. Elles ont généralement besoin de moins d’e-mails tardifs de fournisseurs, d’un tri plus rapide des non-conformités, de dossiers de maintenance mieux tenus et d’une équipe de production qui puisse se fier à l’instruction suivante affichée à l’écran. L’automatisation par l’IA est utile lorsqu’elle facilite ces flux de travail en s’appuyant sur des éléments probants, et non lorsqu’elle tente de remplacer les personnes qui connaissent la ligne de production.
L’analyse de rentabilité devient plus réaliste, car les entreprises belges expérimentent déjà l’IA. Statbel indique que l’utilisation de l’IA par les entreprises en Belgique a progressé, les applications liées au langage, aux documents et aux processus métier figurant parmi les usages courants. Pour une PME manufacturière, cela ne signifie pas qu’il faut commencer par des décisions de production autonomes. Il s’agit d’utiliser l’IA lorsque les données d’entrée sont peu structurées, tout en maintenant une intervention humaine au niveau de la décision : notes relatives à la qualité, ordres de travail, réponses des fournisseurs, réclamations des clients, journaux de maintenance, documentation de sécurité et exceptions dans l’ERP.
Ce guide s’adresse aux responsables des opérations, de la qualité et des sites de production qui travaillent avec une petite équipe informatique et un environnement hétérogène : ERP, feuilles de calcul, boîtes aux lettres partagées, logiciels de maintenance, formulaires papier et connaissances des opérateurs. La meilleure première automatisation n’est pas la plus spectaculaire. C’est le flux de travail dans lequel la perte de contexte coûte déjà du temps chaque semaine.
La place de l’IA dans le flux de travail d’une usine belge
La plupart des discussions sur l’automatisation industrielle passent directement aux robots ou à la maintenance prédictive. Ces sujets pourront avoir leur importance ultérieurement, mais de nombreuses PME belges ont d’abord besoin d’automatiser la coordination autour du processus de production. Un problème de qualité peut apparaître sur un poste d’inspection, être documenté au moyen de photos et de notes, rester en attente de l’intervention d’un superviseur, nécessiter des éléments probants de la part du fournisseur et aboutir à une action corrective dans un système de gestion de la qualité. Lorsque les transferts s’effectuent par e-mail et entre différents onglets de feuilles de calcul, il en résulte des retards et de l’incertitude.
L’IA peut contribuer à lire, classer, résumer et acheminer des informations non structurées, ainsi qu’à vérifier si les champs obligatoires sont présents. Cela ne revient pas à laisser l’IA décider si un lot est sûr, si une machine peut fonctionner ou si un produit peut être expédié. Ces décisions doivent rester encadrées par des procédures opérationnelles approuvées, des contrôles de gestion de la qualité et l’autorité humaine.
Une première sélection pragmatique comprend généralement trois familles de flux de travail.
- Gestion de la qualité et des non-conformités : classer les notes d’inspection, regrouper les défauts récurrents, rédiger des demandes destinées aux fournisseurs, joindre des photos et des données de lot, et préparer un dossier d’action corrective soumis à une validation humaine.
- Administration de la maintenance et des temps d’arrêt : transformer les rapports des opérateurs en ordres de travail structurés, relier les symptômes à des modes de défaillance connus, hiérarchiser le suivi et conserver un historique de maintenance vérifiable.
- Administration de la production et opérations clients : rapprocher les modifications de commande, mettre à jour les prévisions de livraison, extraire les exigences des e-mails des clients et alerter les équipes commerciales ou de planification lorsqu’un engagement risque de ne pas être tenu.
Ces flux de travail se prêtent bien à l’IA, car ils contiennent du langage, du jugement et des exceptions, tout en pouvant rester régis par des règles. Le système peut formuler une proposition. Une personne responsable l’approuve.
Commencer par le périmètre de contrôle actuel
Avant de concevoir un modèle ou une intégration, cartographiez le périmètre de contrôle. Consignez le système qui constitue la source de référence, les personnes autorisées à le modifier, les éléments probants requis et les décisions qui relèvent de la sécurité, de la qualité, des finances ou des obligations contractuelles. La norme ISO 9001 organise la gestion de la qualité autour de processus maîtrisés, d’éléments probants, de responsabilités et de l’amélioration continue. Même lorsqu’une PME belge n’est pas officiellement certifiée, cette même discipline contribue à préserver l’utilité de l’automatisation par l’IA.
Par exemple, un assistant de gestion des non-conformités ne devrait pas réécrire la cause profonde définitive. Il peut rassembler les commentaires d’inspection, les comparer à des incidents antérieurs, suggérer une catégorie de défaut et préparer un projet de message au fournisseur. Le responsable qualité continue d’approuver la catégorie, de valider l’action corrective et de décider si la production se poursuit.
La sécurité des machines nécessite un périmètre distinct. Les recommandations belges relatives à la sécurité au travail imposent des obligations concernant les équipements de travail, les dispositifs de protection, la maintenance, les instructions et la sécurité d’utilisation. Les suggestions de maintenance générées par l’IA ne doivent jamais contourner les procédures de consignation, les exigences liées aux personnes compétentes ou les consignes de sécurité du fabricant. Considérez l’IA comme une couche de soutien administratif et diagnostique, et non comme un moyen de contourner les obligations légales.
Une séquence de mise en œuvre pragmatique
Le premier périmètre mis en production doit être suffisamment restreint pour pouvoir être validé en quelques semaines, et non en plusieurs trimestres. Choisissez une ligne, un flux de travail, un responsable et un problème mesurable. Évitez de commencer par un assistant de connaissances destiné à l’ensemble de l’usine, sauf si la base documentaire et les autorisations sont déjà correctement structurées.
- Définissez le déclencheur. Il peut s’agir, par exemple, d’un échec enregistré lors d’une inspection, d’une note concernant un temps d’arrêt, d’une réponse tardive d’un fournisseur ou d’un e-mail modifiant une commande. Le déclencheur doit pouvoir être observé dans un système existant.
- Collectez les éléments probants requis. Dressez la liste des champs, photos, documents, numéros de lot, références de machines et commentaires des opérateurs nécessaires avant qu’un superviseur puisse intervenir.
- Créez la couche de classification. Utilisez l’IA pour extraire les champs, détecter les éléments probants manquants, regrouper les incidents similaires et suggérer le prochain responsable interne.
- Ajoutez des règles déterministes au flux de travail. Acheminez les problèmes graves, les retards ayant une incidence sur les clients ou les signalements liés à la sécurité vers des personnes nommément désignées. Ne confiez pas l’escalade au seul jugement du modèle.
- Conservez un écran d’approbation simple. La personne chargée de la validation doit voir les éléments probants sources, la classification proposée, les indications relatives au degré de confiance et les boutons d’action. Elle ne devrait pas devoir lire une longue explication générée par l’IA.
- Répercutez les informations dans la source de référence. Après approbation, mettez à jour le système qualité, l’outil de maintenance, la note dans l’ERP ou le dossier CRM. La piste d’audit doit indiquer qui a approuvé la modification et à quel moment.
La mise en œuvre doit inclure une procédure de rejet dès le premier jour. Si un opérateur ou un responsable qualité rejette la suggestion, consignez-en la raison : catégorie de défaut erronée, contexte manquant, recommandation dangereuse, doublon ou éléments probants peu clairs. Ces rejets deviennent des signaux d’apprentissage permettant d’améliorer les instructions, la recherche d’informations et les règles du flux de travail.
Contraintes liées aux données et aux systèmes
Les PME manufacturières disposent souvent de données fragmentées. Une feuille de calcul peut contenir les références des fournisseurs, un ERP peut conserver les numéros de pièces, un outil de maintenance peut utiliser des noms de machines différents et les opérateurs peuvent décrire le même problème en néerlandais, en français ou en anglais. L’IA peut compenser certaines variations linguistiques, mais elle ne peut pas, à elle seule, créer des données de référence propres.
Commencez par normaliser les identifiants qui déterminent l’acheminement : numéro d’article, fournisseur, client, ligne, machine, lot, code de défaut et équipe. Si ces champs ne sont pas stables, l’automatisation paraîtra impressionnante lors d’une démonstration, mais échouera en production. Créez une petite table de référence, désignez son responsable et rendez les exceptions visibles.
Les données à caractère personnel constituent une autre contrainte pratique. Les notes de production proches du domaine des ressources humaines, les informations relatives aux absences, les commentaires sur les performances, les images de caméras et les journaux d’accès peuvent rapidement devenir sensibles. Limitez le premier flux de travail aux dossiers opérationnels pour lesquels aucune donnée à caractère personnel n’est nécessaire, ou concevez des mécanismes explicites d’occultation et de contrôle d’accès. Les orientations de la Commission européenne relatives au règlement sur l’intelligence artificielle rendent également nécessaire de déterminer si un cas d’usage relève d’une catégorie réglementée. La plupart des flux de travail d’assistance administrative présenteront un risque inférieur à celui d’un contrôle autonome critique pour la sécurité, mais cette classification doit être documentée plutôt que présumée.
Ce qu’il faut mesurer sans inventer un retour sur investissement
Un plan de mesure crédible utilise les données opérationnelles de référence recueillies avant le lancement et les compare aux données du même flux de travail après son adoption. Ne promettez pas un pourcentage fixe d’économies avant d’avoir mesuré le processus actuel. Pour une PME belge, les indicateurs utiles sont généralement simples.
- Délai entre l’échec d’une inspection et la première vérification humaine.
- Pourcentage de dossiers de non-conformité renvoyés parce que des éléments probants manquaient.
- Rapports de temps d’arrêt convertis en ordres de travail complets durant la même équipe.
- Défauts récurrents regroupés sous le même fournisseur, matériau, machine ou étape de processus.
- Temps administratif consacré à copier des informations entre les e-mails, l’ERP et les systèmes qualité.
- Nombre de suggestions de l’IA acceptées, modifiées, rejetées et transmises à un niveau supérieur.
Examinez les chiffres chaque semaine pendant le premier mois. Distinguez la qualité du modèle de l’adoption du flux de travail. Si les suggestions sont bonnes, mais que les superviseurs ne les utilisent pas, l’écran d’approbation ou la règle d’escalade peut être inadéquat. Si l’utilisation est élevée, mais que les reprises restent nombreuses, l’étape de collecte des données peut encore être incomplète.
Dans quels cas cette approche fonctionne-t-elle ou non ?
L’automatisation par l’IA fonctionne bien lorsque le flux de travail présente une structure répétitive suffisante pour permettre un apprentissage, contient assez de texte ou d’éléments probants à interpréter et comporte un point de décision humaine qui peut être clarifié. Elle est moins efficace lorsque les données sont trop rares, lorsque la décision est critique pour la sécurité ou lorsque le responsable du processus ne peut pas définir à quoi ressemble un bon résultat.
Ne commencez pas par une planification autonome de la production si les planificateurs ne s’accordent pas encore sur les priorités, les contraintes et les règles applicables aux clients. Ne commencez pas par la maintenance prédictive si les machines ne disposent pas d’historiques d’événements fiables. Ne commencez pas par la vision par ordinateur si la capture d’images manque de cohérence et si personne n’a identifié ce qui doit être considéré comme un défaut. Commencez là où l’amélioration de l’acheminement, de la synthèse et de la vérification des éléments probants réduit dès aujourd’hui des frictions réelles.
Pour de nombreuses PME, la première version la plus utile est un assistant qui permet à la personne déjà responsable de travailler plus rapidement. Il prépare le dossier, indique les incidents similaires, met en évidence les données manquantes, rédige le projet de message destiné au fournisseur ou au client et enregistre l’action finale approuvée.
Comment Intyb définirait le périmètre de la première étape
Le premier atelier d’Intyb cartographierait un flux de travail proche de la production, depuis son déclenchement jusqu’à son enregistrement final. Nous déterminerions les systèmes sources, les exigences en matière d’éléments probants, les points d’approbation, les voies de traitement des exceptions, les besoins linguistiques et l’intégration minimale nécessaire pour éviter les doubles saisies. L’objectif n’est pas de vendre une plateforme complète. Il consiste à valider un flux de travail maîtrisé, doté d’un responsable clairement identifié et d’une piste d’audit.
Une première étape réaliste pourrait se présenter comme suit : l’échec d’une inspection est transmis depuis un formulaire, l’IA extrait le numéro de pièce et les notes relatives au défaut, le flux de travail vérifie la présence de photos et des données du lot, le responsable qualité reçoit une proposition de catégorie ainsi que les incidents antérieurs similaires, puis la décision approuvée est inscrite dans le registre qualité. Ce processus pourra ensuite être relié au suivi des fournisseurs, aux notifications destinées aux clients et aux actions de maintenance, mais ces éléments ne devraient être ajoutés qu’une fois que la première boucle inspire confiance.
Discutez d’un flux de travail industriel avec l’équipe belge d’Intyb spécialisée dans l’automatisation par l’IA, découvrez notre service d’automatisation des flux de travail et consultez nos activités destinées aux entreprises belges. Pour découvrir un principe opérationnel plus général, lisez pourquoi une mauvaise automatisation des processus coûte plus cher.