Par où commencer avec l’IA dans une entreprise manufacturière?

L’intelligence artificielle occupe désormais une place importante dans les discussions entourant la productivité, l’innovation et la compétitivité des entreprises.

Au Canada, la proportion d’entreprises ayant déclaré utiliser l’IA pour produire des biens ou fournir des services est passée de 6,1 % en 2024 à 12,2 % en 2025, puis à 19,2 % au deuxième trimestre de 2026.

Cette progression peut donner l’impression qu’il faut agir rapidement pour ne pas prendre de retard. Pourtant, pour de nombreux manufacturiers, la principale difficulté n’est pas de reconnaître le potentiel de l’IA. Elle consiste plutôt à déterminer ce que cette technologie pourrait réellement accomplir dans leur entreprise.

La question qui revient souvent est simple en apparence :

Qu’est-ce que l’intelligence artificielle peut faire pour nous?

Cette question est légitime. Elle est toutefois si vaste qu’elle peut mener dans plusieurs directions à la fois. Entre les assistants conversationnels, les agents, l’apprentissage machine, la vision artificielle (vision par ordinateur) et l’analyse prédictive, les possibilités sont nombreuses. L’entreprise risque alors de chercher un projet pour utiliser une technologie plutôt que de chercher la meilleure technologie pour résoudre un problème.

Autrement dit, plusieurs organisations craignent de manquer le train de l’IA sans avoir encore déterminé leur destination.

Avant de choisir un outil, elles doivent donc préciser ce qu’elles souhaitent améliorer.

Ne commencez pas par choisir l’outil

ChatGPT ou Copilot? Un agent capable d’interagir avec les systèmes internes? Un modèle développé sur mesure? Une application infonuagique ou une solution déployée localement?

Ces questions deviennent pertinentes à un certain moment, mais elles ne devraient pas constituer le point de départ de la démarche. Elles portent déjà sur la solution alors que le besoin n’a peut-être pas encore été clairement défini.

Une entreprise ne devrait pas remplacer son ERP simplement pour posséder un nouvel ERP. Elle devrait d’abord déterminer quels processus elle souhaite améliorer, quelles difficultés elle cherche à éliminer et quels résultats elle espère obtenir.

La même logique s’applique à l’intelligence artificielle.

Une autre analogie permet d’illustrer le risque d’une démarche centrée sur l’outil. Imaginons un ébéniste à qui l’on remet un couteau suisse pour travailler une pièce de bois. Avant de déterminer si cet outil convient, il faut savoir ce que l’ébéniste doit accomplir. Veut-il couper, raboter, poncer ou coller? Le travail à réaliser détermine l’outil approprié, et non l’inverse.

Pour un manufacturier, la première question ne devrait donc pas être :

Quel outil d’IA devrions-nous adopter?

Elle devrait plutôt être :

Quel problème cherchons-nous à résoudre?

Revenez au problème d’affaires

Les occasions d’amélioration peuvent être nombreuses dans une usine.

Certaines opérations ralentissent la production. Des erreurs reviennent régulièrement. Des employés retranscrivent les mêmes informations dans différents systèmes. Des arrêts prennent du temps à diagnostiquer. Certaines décisions reposent sur l’expérience d’une poignée de personnes. Ailleurs, des données demeurent isolées dans des machines, un ERP ou des fichiers Excel.

Ces situations peuvent représenter des pistes intéressantes, mais elles doivent d’abord être formulées comme des problèmes suffisamment précis.

« Améliorer la production » est une intention trop générale pour orienter un projet.

« Réduire le temps nécessaire pour diagnostiquer une catégorie précise d’arrêts de machine » constitue déjà un point de départ beaucoup plus exploitable.

Pour préciser le besoin, une entreprise peut examiner ses opérations et se poser quelques questions :

• Où perdons-nous régulièrement du temps?
• Quelle étape ralentit le reste du processus?
• Quelle tâche génère le plus d’erreurs ou de reprises?
• Quelle décision est difficile à prendre rapidement?
• Quel problème dépend excessivement de l’expérience d’une personne?
• Quelle information doit être saisie ou retranscrite plusieurs fois?
• Quel irritant a une incidence mesurable sur la qualité, les coûts ou les délais?

L’objectif n’est pas encore de déterminer si l’IA peut intervenir. Il s’agit d’abord de comprendre le problème, ses causes, ses conséquences et la manière dont il est actuellement géré.

Améliorer la productivité ou renforcer un avantage concurrentiel?

Les projets technologiques ne poursuivent pas tous le même objectif.

Certains cherchent principalement à accroître la productivité. Ils peuvent viser à réduire une tâche répétitive, accélérer une analyse, limiter les erreurs ou mieux utiliser les ressources disponibles.

D’autres projets peuvent avoir une portée plus stratégique. Ils cherchent à renforcer une capacité qui distingue déjà l’entreprise : fabriquer avec une qualité supérieure, livrer plus rapidement, adapter davantage les produits, résoudre des problèmes complexes ou préserver une expertise difficile à reproduire.

Dans le secteur manufacturier, la proposition de valeur repose fréquemment sur une combinaison de trois dimensions : le prix, la qualité et le délai. L’entreprise devrait donc déterminer sur laquelle de ces dimensions un projet pourrait produire la valeur la plus importante et l’avantage concurrentiel souhaité sur le marché ciblé.

Cette réflexion permet de dépasser la simple crainte d’être en retard. L’objectif n’est plus seulement d’adopter les mêmes outils que les concurrents, mais d’examiner comment l’intelligence artificielle pourrait amplifier les compétences, les connaissances ou les données propres à l’organisation.

Un projet peut ainsi devenir plus qu’un exercice d’automatisation. Il peut contribuer à construire un actif industriel : une capacité fondée sur l’expérience, les processus et les données de l’entreprise, qu’un concurrent ne peut pas facilement reproduire.

Vérifiez si une solution plus simple pourrait suffire

Définir le problème permet aussi d’éviter une erreur fréquente : supposer que toute amélioration manufacturière exige de l’intelligence artificielle.

Dans certains cas, une règle programmée, une automatisation conventionnelle, une meilleure intégration entre systèmes ou une amélioration du processus peut produire l’essentiel de la valeur recherchée avec moins de coûts, moins de risques et moins de complexité.

Une bonne démarche ne cherche donc pas à imposer l’IA. Elle compare les approches possibles et retient celle qui répond le mieux au problème.

Cela peut conduire à se poser quelques questions :

• Le problème peut-il être décrit à l’aide de règles stables?
• Une meilleure utilisation des outils existants suffirait-elle?
• Le processus devrait-il d’abord être simplifié?
• Quelle valeur supplémentaire l’IA apporterait-elle?
• Cette valeur justifie-t-elle les coûts et les efforts additionnels?

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

Observez ce qui se passe entre vos systèmes

Les manufacturiers ne partent généralement pas de zéro. Beaucoup possèdent déjà un ERP, des équipements automatisés, des systèmes de gestion de la production, des outils de contrôle de la qualité et des années de données opérationnelles.

Pourtant, ces systèmes ne communiquent pas toujours efficacement entre eux. Les employés compensent alors les ruptures dans le flux d’information par des copier-coller, des retranscriptions, des tableaux parallèles ou des fichiers Excel maintenus manuellement.

Ces systèmes en silos et ces manipulations répétitives constituent une source importante de pertes de temps.

Suivre le parcours d’une information à travers l’entreprise peut ainsi révéler des occasions d’amélioration :

• Où l’information est-elle créée?
• Dans quels systèmes est-elle enregistrée?
• À quel moment doit-elle être saisie une seconde fois?
• Qui doit la copier ou la reformater?
• Où perd-elle son contexte?
• Dans quels fichiers parallèles est-elle conservée?
• Pourquoi les systèmes officiels ne répondent-ils pas entièrement aux besoins des utilisateurs?

Ces observations ne mènent pas nécessairement à un projet d’IA. Elles permettent toutefois de repérer les tâches, les décisions et les ruptures de processus qui méritent d’être examinées.

Parfois, la première amélioration ne consiste pas à développer un modèle, mais à mieux structurer ou faire circuler l’information.

Évaluez les données disponibles

Une fois le problème défini, l’entreprise doit vérifier si elle possède les informations nécessaires pour l’analyser et, éventuellement, entraîner ou alimenter une solution.

Avoir beaucoup de données ne signifie pas automatiquement disposer de données prêtes pour l’IA. Un ERP peut contenir des années d’historique, mais ces données ont généralement été créées pour soutenir les transactions et les opérations courantes, pas nécessairement pour expliquer les causes d’un phénomène ou entraîner un modèle prédictif.

La cohérence de la saisie constitue un premier enjeu. Dans une même entreprise, les défauts observés peuvent être consignés de façon détaillée par certaines équipes, alors que d’autres les regroupent dans une catégorie plus générale. Les données existent donc, mais leur niveau de précision varie selon les pratiques de documentation.

Le contexte est tout aussi important. Pour développer une assistance au diagnostic, il ne suffit pas de connaître l’heure et la durée d’un arrêt. Il faut aussi pouvoir relier cet événement à un symptôme, à une cause, à une intervention et au résultat de cette intervention.

Sans ces informations, le système sait qu’une machine s’est arrêtée, mais il ne peut pas apprendre pourquoi elle s’est arrêtée ni comment le problème a été résolu.

Avant de retenir un cas d’usage, l’entreprise devrait donc vérifier si ses données sont :

• liées au problème étudié;
• suffisamment complètes;
• saisies de manière cohérente;
• accompagnées du contexte opérationnel;
• associées à une cause, à une décision ou à un résultat;
• accessibles dans un format exploitable.

Si les données semblent insuffisantes, cela ne signifie pas nécessairement que le projet doit être abandonné. Cela peut plutôt indiquer qu’une étape préparatoire est nécessaire : mieux documenter les arrêts, préciser les causes, relier les interventions aux résultats ou structurer les informations déjà présentes dans les systèmes.

Cette évaluation mérite souvent un travail à part entière. Avant de lancer un modèle, il faut comprendre ce que les données racontent réellement sur les opérations.

Pensez à l’intégration avant de construire le prototype

Un modèle peut produire des résultats intéressants dans un environnement expérimental sans être prêt à fonctionner dans une usine.

Le passage du prototype à la réalité exige de comprendre comment la solution accédera aux données, interagira avec les systèmes existants et s’intégrera au travail quotidien. Cette étape peut être particulièrement délicate dans les entreprises qui utilisent des équipements, des logiciels ou des systèmes personnalisés depuis plusieurs années.

Il faut notamment déterminer :

• quels systèmes devront transmettre de l’information;
• si des interfaces sont disponibles;
• si les données peuvent être copiées dans un environnement de test;
• si l’application doit fonctionner même en cas d’interruption du réseau;
• si certaines données sensibles ou secrets industriels doivent demeurer à l’intérieur de l’entreprise;
• si le processus concerné est critique pour la production.

La prudence est particulièrement importante lorsqu’un agent ou un système automatisé peut agir sur des données de production. Un prototype ne devrait pas être autorisé à modifier librement un ERP ou à exécuter des commandes critiques sans contrôles appropriés.

Une approche plus sécuritaire peut consister à travailler d’abord dans un environnement de test ou dans un environnement séparé, afin de tester les capacités de la solution sans compromettre les opérations.

Dans un environnement manufacturier, l’intégration ne se limite pas à connecter un modèle à une source de données. Elle doit aussi tenir compte de la continuité des opérations.

Le projet mené par Bridgestone Canada à son usine de Joliette illustre bien l’importance de partir d’un problème manufacturier précis plutôt que d’un outil d’IA.

L’entreprise cherchait à réduire les arrêts de production liés à des joints imparfaits entre les couches de caoutchouc lors de l’assemblage des pneus. Le défi était complexe : les arrêts survenaient fréquemment, la matière première variait selon des conditions comme la température ou l’humidité, et les paramètres de fabrication à ajuster étaient nombreux.

L’approche retenue a consisté à exploiter plus d’un an de données historiques afin d’identifier les variables qui influençaient réellement la qualité des joints. Des modèles prédictifs et des analyses de séries temporelles ont ensuite permis de concevoir un système de recommandation destiné à guider les opérateurs dans leurs ajustements.

Ce cas montre que la valeur de l’IA ne vient pas seulement du modèle. Elle vient aussi de la qualité du problème choisi, de la disponibilité des données, de l’intégration aux opérations et de l’implication des utilisateurs dès le départ. En rendant les recommandations compréhensibles et utiles pour les opérateurs, le projet développé pour Bridgestone a favorisé la confiance, l’adoption et l’amélioration continue sur le terrain.

Pour certaines applications critiques, comme une solution de détection de défauts par caméra sur une ligne de production, un traitement local peut être préférable ou nécessaire. La solution pourrait alors continuer à fonctionner même si la connexion Internet est interrompue, tant que l’équipement et l’alimentation électrique demeurent disponibles.

Cela ne signifie pas qu’un déploiement local est toujours supérieur à une solution infonuagique. Le bon choix dépend du cas d’usage, des contraintes de sécurité, de la criticité du processus, de la sensibilité des données et de la capacité de l’entreprise à maintenir la solution.

L’important est de poser ces questions avant le prototype, et non après avoir démontré que le modèle fonctionne dans un environnement contrôlé.

Déterminez qui utilisera et maintiendra la solution

L’adoption ne commence pas au moment où la solution est mise en service. Elle devrait être prise en compte dès le choix du cas d’usage.

Qui utilisera l’outil? À quelle étape du processus? Quelle décision pourra-t-il recommander ou automatiser? Quand un employé devra-t-il valider son résultat? Qui surveillera la qualité de ses réponses? Qui interviendra si sa performance se dégrade?

Ces questions sont particulièrement importantes dans un environnement manufacturier, où une recommandation erronée peut entraîner des conséquences sur la qualité, la sécurité, les délais ou la continuité de la production.

L’entreprise doit aussi évaluer ses capacités internes. Certaines organisations possèdent des équipements automatisés avancés, mais disposent de peu de ressources pour entretenir, intégrer ou faire évoluer les solutions technologiques. Elles risquent alors de demeurer dépendantes de fournisseurs externes ou de se retrouver avec un prototype difficile à soutenir dans le temps. Pour conserver une réelle autonomie, elles doivent notamment être en mesure de comprendre les prédictions et les recommandations du modèle, puis d’adapter la solution lorsque leurs produits, leurs procédés ou leurs objectifs de performance évoluent.

Les données de Statistique Canada illustrent l’importance de ces dimensions organisationnelles. Parmi les entreprises canadiennes ayant utilisé l’IA en 2025, 40,1 % avaient développé de nouveaux flux de travail et 38,9 % avaient formé leurs employés. D’autres avaient investi dans des services infonuagiques, modifié leurs pratiques de gestion des données ou eu recours à des fournisseurs pour intégrer les solutions.

Autrement dit, l’adoption de l’IA ne consiste pas seulement à ajouter un outil. Elle demande souvent de revoir les méthodes de travail, de développer les compétences et de clarifier les responsabilités.

La présence d’un champion interne peut faciliter cette transition. Cette personne peut contribuer à faire le lien entre les utilisateurs, les experts de métier, les technologies de l’information et les spécialistes qui développent la solution. Elle ne remplace pas ces différents rôles, mais elle aide l’organisation à conserver une direction commune.

Ne confondez pas adoption et création de valeur

L’adoption de l’IA progresse rapidement au Canada, mais l’utilisation d’une technologie ne garantit pas automatiquement des gains de productivité.

Une étude publiée par Statistique Canada en avril 2026 montre que les entreprises ayant adopté l’IA présentaient initialement une productivité du travail supérieure de 16,8 % à celle des non-utilisatrices. Toutefois, cet écart diminuait à 5,1 % et n’était plus statistiquement significatif 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 relève 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 améliorer la performance. Ils suggèrent plutôt que sa valeur ne dépend pas uniquement de la technologie. Les entreprises qui réussissent à l’exploiter possèdent généralement aussi des données, des infrastructures, des compétences et une capacité à faire évoluer leur organisation.

L’IA fonctionne donc moins comme un produit que l’on ajoute à l’entreprise que comme une capacité qui doit être intégrée à un ensemble plus large.

Choisissez un premier cas d’usage qui vous permettra d’apprendre

Le premier projet n’a pas besoin d’être le plus ambitieux. Il devrait surtout permettre de valider une hypothèse, de comprendre les données disponibles et d’évaluer les conditions nécessaires à un éventuel déploiement.

Un premier cas d’usage pertinent devrait idéalement répondre à un problème clairement identifié et produire un résultat observable. Les données nécessaires devraient être accessibles ou pouvoir être recueillies. Le périmètre devrait être suffisamment limité pour permettre une expérimentation contrôlée, sans exposer immédiatement un processus critique à des risques inutiles.

Les utilisateurs et les experts du métier doivent également pouvoir participer à la démarche. Leur contribution est essentielle pour expliquer le processus, interpréter les données, valider les résultats et déterminer si la solution répond réellement aux besoins du terrain.

Avant de retenir un projet, une entreprise peut ainsi se poser sept questions :

1. Quel problème cherchons-nous précisément à résoudre?
2. Quel résultat souhaitons-nous améliorer?
3. Ce problème est-il suffisamment important pour justifier un projet?
4. Une solution plus simple pourrait-elle suffire?
5. Possédons-nous les données nécessaires?
6. Comment la solution s’intégrera-t-elle aux opérations?
7. Qui l’utilisera, la supervisera et la maintiendra?

Ces questions ne constituent pas une garantie de succès, mais elles réduisent le risque de choisir un projet uniquement parce que la technologie semble intéressante.

Commencer par un périmètre limité ne signifie pas penser petit. Cela signifie réduire l’incertitude avant d’investir davantage.

À lire aussi

• Vos données manufacturières sont-elles réellement prêtes pour l’IA? Pour évaluer si vos historiques d’intervention, alarmes et données machines sont exploitables.
• L’IA n’est pas toujours la meilleure solution à un problème manufacturier Pour comparer l’IA avec des approches plus simples comme les règles, l’automatisation ou l’intégration des systèmes.
• Les arrêts non planifiés

Conclusion

La première décision n’est pas technologique

L’intelligence artificielle peut aider une entreprise manufacturière à accélérer la prise de décision à partir des données disponibles, à soutenir ses employés, à automatiser certaines tâches et à renforcer les capacités qui la distinguent de ses concurrents. Elle ne crée toutefois pas automatiquement de la valeur.

Cette valeur apparaît lorsque l’entreprise part d’un problème réel, définit un résultat attendu et choisit une approche adaptée à ses contraintes. Elle dépend également de la qualité des données, de l’intégration aux systèmes existants, des compétences disponibles et de l’adoption par les utilisateurs.

La première étape ne consiste donc pas à sélectionner une plateforme ou un modèle. Elle consiste à comprendre où l’entreprise perd du temps, rencontre des difficultés ou possède une expertise qu’elle pourrait mieux exploiter.

Plutôt que de demander uniquement ce que l’IA peut faire pour votre organisation, une question plus utile serait :

Quel problème mérite réellement d’être résolu, et quelle approche nous permettra de le faire de manière fiable, durable et rentable?

Vous avez identifié plusieurs possibilités d’application de l’IA, mais vous ne savez pas laquelle prioriser? Les experts en IA de Luqia peuvent vous aider à clarifier votre besoin, à évaluer vos données et à déterminer si l’intelligence artificielle représente réellement la meilleure approche.

Sources statistiques

• Statistique Canada, « Analyse de l’utilisation de l’intelligence artificielle par les entreprises au Canada, deuxième trimestre de 2025 », 8 juillet 2025.
• Statistique Canada, « Adoption de l’intelligence artificielle et productivité dans les entreprises canadiennes », 22 avril 2026.
• Statistique Canada, « Enquête canadienne sur la situation des entreprises, deuxième trimestre de 2026 », 27 mai 2026.