L’IA n’est pas toujours la meilleure solution à un problème manufacturier

L’intelligence artificielle génère de fortes attentes dans le secteur manufacturier. Elle est notamment associée à des gains de productivité, à une meilleure exploitation des données et à un soutien accru aux employés dans certaines décisions complexes.

L’engouement qu’elle suscite peut toutefois conduire les entreprises à chercher une façon d’utiliser l’IA avant même d’avoir clairement défini le problème à résoudre.

Or, tous les problèmes manufacturiers ne requièrent pas une solution d’intelligence artificielle.

Dans certains cas, une règle programmée, une automatisation conventionnelle, une meilleure intégration des systèmes ou une amélioration du processus peut produire une grande partie de la valeur recherchée, à moindre coût et avec moins de complexité.

La question n’est donc pas toujours de savoir comment utiliser l’IA. Elle consiste d’abord à déterminer quelle approche permet de résoudre le problème avec le niveau de performance, de robustesse et de complexité réellement nécessaire.

Avant de choisir l’outil, précisez le travail à accomplir

Le couteau suisse est un outil polyvalent, particulièrement utile au randonneur. Il est toutefois peu probable qu’il soit l’outil le mieux adapté à un ébéniste qui souhaite couper, raboter, poncer ou assembler une pièce de bois.

Malgré ses nombreuses fonctions, il ne remplace pas l’outil spécialisé conçu pour chacune de ces tâches.

Il en va de même pour l’intelligence artificielle : sa polyvalence ne garantit pas qu’elle constitue la meilleure réponse au problème à résoudre.

Une entreprise qui commence par choisir ChatGPT, Copilot, un agent ou un modèle développé sur mesure risque d’adapter son problème à l’outil. Elle devrait plutôt partir de la situation opérationnelle : ce qui ne fonctionne pas suffisamment bien, le résultat attendu, l’incidence du problème sur les coûts, la qualité ou les délais, et la manière dont l’amélioration sera mesurée.

La question ne devrait donc pas être :

Comment pouvons-nous utiliser l’IA ?

Mais plutôt :

Quelle approche permettra de résoudre ce problème de manière fiable et durable ?

Une solution simple peut parfois produire suffisamment de valeur

La sophistication technologique n’est pas un indicateur de valeur.

Supposons qu’une solution fondée sur des règles standards permette d’obtenir presque tout le bénéfice recherché pour une fraction du coût d’une solution d’IA. Elle peut constituer un meilleur choix si elle est plus facile à comprendre, à intégrer et à maintenir.

Le même raisonnement s’applique aux problèmes causés par les systèmes en silos. Lorsque les employés doivent retranscrire des données, maintenir des fichiers Excel parallèles ou copier l’information entre deux outils, le besoin principal peut être une meilleure circulation des données plutôt qu’un modèle d’intelligence artificielle.

Dans ce cas, le problème ne vient pas nécessairement d’un manque d’IA. Il peut venir d’une rupture entre deux systèmes, d’un processus mal outillé ou d’une information qui doit être reformulée manuellement avant d’être utilisable.

Avant d’investir en IA, il est donc utile de vérifier si le problème pourrait être réduit grâce à :

• une amélioration du processus;
• une automatisation de tâches répétitives;
• une meilleure connexion entre les systèmes;
• une règle programmée;
• une utilisation plus efficace des outils existants.

Choisir de ne pas utiliser l’IA peut être le résultat d’une bonne décision technologique.

Quand l’IA devient-elle pertinente?

Dire que l’IA n’est pas toujours la meilleure solution ne signifie pas qu’elle doit être écartée.

Elle devient particulièrement pertinente lorsque les situations sont variables, que les règles simples ne suffisent pas, que plusieurs signaux doivent être interprétés en même temps ou que l’entreprise souhaite transformer ses données et son expertise en capacité distinctive.

Dans un contexte manufacturier, cela peut concerner la détection de défauts, l’aide au diagnostic, la priorisation d’interventions, l’analyse de données opérationnelles ou la préservation d’un savoir-faire détenu par quelques employés expérimentés.

L’IA peut aussi devenir pertinente lorsqu’elle permet de soutenir une capacité propre à l’entreprise : mieux diagnostiquer un problème complexe, accélérer l’intégration de nouveaux employés, exploiter des données machines ou améliorer la compréhension d’un procédé.

L’enjeu n’est donc pas d’opposer l’IA aux solutions plus simples. Il est de choisir l’approche proportionnée au problème.

L’exemple Bridgestone : un problème assez complexe pour justifier l’IA

Le projet mené par Bridgestone Canada à son usine de Joliette illustre bien le type de situation où l’intelligence artificielle peut devenir pertinente.

L’entreprise cherchait à réduire des arrêts de production liés à des joints imparfaits entre les couches de caoutchouc lors de l’assemblage des pneus. Le problème ne dépendait pas d’un seul facteur facile à isoler. La qualité des joints pouvait être influencée par la variabilité du caoutchouc, les conditions de production et plusieurs paramètres de fabrication.

Dans un tel contexte, une règle simple pouvait difficilement couvrir l’ensemble des situations rencontrées sur la ligne. L’IA pouvait apporter une valeur réelle en analysant plus d’un an de données historiques, en identifiant les variables les plus importantes et en produisant des recommandations pour soutenir les opérateurs dans leurs ajustements.

Le projet ne visait donc pas à utiliser l’IA pour elle-même. Il répondait à un problème opérationnel précis, fréquent et mesurable : réduire les interventions manuelles, prolonger les cycles de production et améliorer la qualité des joints.

Cet exemple rappelle aussi que l’adoption est aussi importante que la performance technique. L’implication des opérateurs, la transparence des recommandations, l’explicabilité du système et la formation ont contribué à faire de la solution un outil d’aide à la décision plutôt qu’une boîte noire imposée au terrain.

La sophistication entraîne des coûts qui dépassent le prototype

Une preuve de concept peut sembler prometteuse sans être facile à déployer dans un environnement manufacturier.

Le coût réel d’une solution dépasse souvent le prototype. Il peut inclure la préparation des données, l’infrastructure, l’intégration aux systèmes existants, la formation, les compétences internes, la maintenance du modèle, les mises à jour, la surveillance de la performance et le soutien aux utilisateurs.

Une solution très avancée peut devenir un mauvais choix si l’entreprise ne possède pas les ressources nécessaires pour la maintenir.

La robustesse compte également. Une application liée à la production peut devoir continuer à fonctionner lorsque la connexion Internet ou un service externe est indisponible. Une solution dépendante d’une infrastructure complexe peut aussi augmenter les risques d’interruption.

Le bon choix doit donc tenir compte du contexte opérationnel, et non seulement de la performance obtenue pendant un essai.

L’adoption fait partie du coût de la solution

Une technologie ne crée pas de valeur simplement parce qu’elle fonctionne.

Les employés doivent comprendre comment l’utiliser, dans quelles situations se fier à ses résultats et quand une validation humaine demeure nécessaire. L’entreprise doit également déterminer qui sera responsable de son entretien et de son évolution.

Les données de Statistique Canada confirment l’importance de cette dimension organisationnelle. Parmi les entreprises qui prévoyaient utiliser l’IA, près de la moitié anticipaient devoir former leur personnel. Plusieurs prévoyaient également développer de nouveaux flux de travail ou modifier leurs pratiques de collecte et de gestion des données.

L’adoption de l’IA exige donc souvent plus qu’un investissement technologique. Elle demande aussi des changements dans les méthodes de travail et les compétences de l’organisation.

Cette réalité est particulièrement importante lorsque les capacités internes sont limitées. Certaines entreprises possèdent des équipements automatisés avancés, mais disposent de peu de ressources pour intégrer, maintenir ou faire évoluer une solution technologique complexe.

Un projet qui fonctionne dans un prototype peut alors devenir difficile à soutenir dans le temps.

L’IA seule ne garantit pas des gains de productivité

Une étude de Statistique Canada a observé que les entreprises utilisant l’IA affichaient initialement une productivité du travail supérieure de 16,8 % à celle des non-utilisatrices.

Toutefois, cet écart diminuait à 5,1 % lorsque les chercheurs tenaient compte de la productivité antérieure et de capacités complémentaires comme la recherche et développement, l’infonuagique, l’analyse de données, la robotique avancée et la formation technologique.

L’étude ne relevait pas non plus de relation significative entre l’adoption de l’IA et la croissance de la productivité à court terme.

Ces résultats ne signifient pas que l’IA ne peut pas créer de valeur. Ils montrent plutôt qu’elle ne fonctionne pas indépendamment du reste de l’entreprise.

La technologie s’appuie sur des données, des compétences, des infrastructures et des processus suffisamment solides. Sans ces fondations, même un modèle performant risque de produire peu de bénéfices durables.

Quatre questions avant de choisir l’IA

Avant de retenir une solution, une entreprise manufacturière devrait pouvoir répondre à quatre questions.

1. Quel résultat voulons-nous obtenir?

Le problème et le résultat attendu doivent être suffisamment précis pour permettre une évaluation.

Il ne suffit pas de vouloir « améliorer la production » ou « utiliser l’IA ». Il faut déterminer quelle tâche, quelle décision, quel délai, quel coût ou quelle erreur doit être amélioré.

2. Une solution plus simple pourrait-elle suffire?

Une règle, une automatisation ou une meilleure intégration peut parfois produire l’essentiel de la valeur recherchée.

Si le problème est stable, bien compris et facile à décrire, une approche simple peut être plus robuste qu’un système d’IA plus difficile à expliquer et à maintenir.

3.  Le gain de performance justifie-t-il le coût?

Une solution d’IA peut sembler simple à développer, mais son industrialisation entraîne souvent des coûts moins visibles : intégration, maintenance, surveillance, infrastructure ou consommation de jetons.

Chercher la meilleure performance à tout prix n’est donc pas toujours pertinent. Le gain obtenu doit être proportionnel à la valeur générée et au coût réel d’exploitation.

4. Pouvons-nous soutenir la solution dans le temps?

L’entreprise doit posséder ou pouvoir développer les compétences, les infrastructures et les responsabilités nécessaires.

Qui surveillera la performance? Qui interviendra si la qualité des résultats diminue? Qui adaptera la solution lorsque les procédés, les produits ou les données changeront?

Une solution qui ne peut pas être maintenue risque de demeurer au stade du prototype.

À lire aussi

• Par où commencer avec l’IA dans une entreprise manufacturière? Pour choisir un premier cas d’usage réaliste, mesurable et aligné sur vos objectifs d’affaires.
• Vos données manufacturières sont-elles réellement prêtes pour l’IA? Pour évaluer si vos historiques d’intervention, alarmes et données machines sont exploitables.
• Les arrêts non planifiés

Choisir la valeur, pas la sophistication

L’intelligence artificielle peut apporter une réelle valeur aux entreprises manufacturières. Elle peut soutenir certaines décisions, exploiter des données complexes, automatiser des tâches et renforcer des capacités propres à l’organisation.

Mais toutes les formes d’IA ne répondent pas aux mêmes problèmes. Et la solution la plus récente ou le modèle le plus performant n’est pas nécessairement le meilleur choix.

Dans un contexte où l’IA générative et les grands modèles de langage occupent beaucoup d’espace, il peut être tentant de vouloir intégrer les technologies les plus en vogue. Pourtant, pour certaines applications manufacturières, comme la détection de défauts, la classification ou la prédiction, des approches de machine learning plus classiques peuvent être plus robustes, plus prévisibles et mieux adaptées au besoin.

La question n’est donc pas seulement : avons-nous besoin d’IA?
Il faut aussi se demander : quelle IA convient réellement au problème que nous cherchons à résoudre?

La meilleure solution est celle qui permet d’obtenir le niveau de performance nécessaire, de manière fiable et durable, à un coût soutenable et sans créer une complexité disproportionnée.

Avant d’investir, posez-vous deux questions :

• L’IA est-elle réellement la meilleure approche pour résoudre ce problème?
• Si oui, quelle forme d’IA est la mieux dimensionnée pour y répondre?

Lorsque plusieurs options semblent possibles, les experts en IA de Luqia peuvent vous aider à clarifier le besoin, à comparer les approches et à choisir la technologie la plus pertinente, qu’il s’agisse d’IA générative, de machine learning ou d’une solution plus simple.