L'usine du futur s'écrit par amorces.

Voici une chose qui est vraie concernant la fabrication des objets physiques : presque personne en dehors du secteur manufacturier ne sait réellement comment les objets physiques sont fabriqués.

Ils connaissent les grandes lignes. Quelqu'un conçoit un objet. Quelqu'un d'autre le construit. Un camion arrive. Mais la partie intermédiaire, où un concept devient un cahier des charges, où un cahier des charges devient une décision d'approvisionnement, où une décision d'approvisionnement devient une production, où une production devient l'objet commandé, cette partie est largement invisible, et elle est d'une complexité stupéfiante, et elle a fonctionné plus ou moins de la même manière pendant très longtemps.

Cela est en train de changer.

L'IA générative est en train de redéfinir le cycle de vie de la production industrielle de manière considérable. Permettez-moi d'être précis. Ce changement ne concerne pas principalement la vitesse, même s'il permettra d'accélérer les processus. Il ne concerne pas principalement le coût, même s'il modifiera profondément les structures de coûts. Il s'agit d'un enjeu plus fondamental : à quel stade du processus l'intelligence artificielle est-elle appliquée, par qui et à quel moment ? Nous sommes à l'aube d'une transformation qui remodèlera l'économie industrielle autant que l'électrification ou l'informatisation, et les entreprises qui l'auront compris dès maintenant, alors que le processus est encore à ses débuts et quelque peu complexe, seront celles qui dicteront les règles du jeu pour tous les autres à l'avenir.

Le problème le plus coûteux dans le secteur manufacturier n'est pas celui que vous croyez.

Demandez à la plupart des gens où les problèmes surviennent en production et ils vous indiqueront l'usine. Pourtant, certains des échecs les plus coûteux se produisent bien plus tôt, lors de la phase initiale où une idée de produit commence à se concrétiser en un ensemble d'exigences. C'est là que des sommes considérables de temps et d'argent sont gaspillées.

Le problème réside dans le manque d'alignement. Les exigences sont recueillies par courriel, à travers des documents à moitié lus et lors de réunions où l'alignement semble acquis, mais ne l'est pas. Elles arrivent des semaines plus tard dans les cahiers des charges techniques, porteuses d'ambiguïtés que personne n'a relevées – des ambiguïtés qui ne surgissent que lorsqu'un prototype est retourné défectueux, qu'un fournisseur propose un prix inadéquat ou que l'équipe de production réalise que la conception qui lui a été remise est impossible à fabriquer en grande série.

L'IA générative intervient précisément à ce stade, et ses effets se répercutent sur l'ensemble du processus. Ces systèmes peuvent traiter d'immenses volumes de données non structurées (retours clients, documents réglementaires, données de défaillance sur le terrain, analyses comparatives de la concurrence) et les synthétiser en exigences structurées et interreliées, plus rapidement et de manière plus cohérente que ne le pourraient les équipes humaines. Ce qui nécessitait autrefois des semaines d'ingénierie système peut désormais être élaboré en quelques heures.

Lorsque les exigences sont définies plus tôt et avec plus de précision, les modalités de transmission des informations évoluent. Les équipes d'approvisionnement peuvent commencer à identifier les fournisseurs en parallèle de la conception, et non plus après. La planification de la production peut débuter avant la finalisation des plans. Les étapes autrefois séquentielles se déroulent désormais simultanément.

Pour les entreprises qui fabriquent des pièces mécaniques sur mesure, où chaque commande représente un nouveau problème d'ingénierie et où la rapidité d'établissement d'un devis fait souvent la différence entre gagner ou perdre des contrats, il s'agit d'une transformation stratégique.

Ce que sait un ingénieur chevronné

Il existe un savoir-faire propre aux meilleurs ingénieurs de production, un savoir quasi indescriptible de l'extérieur. Il s'agit de la connaissance des tolérances réalisables à grande échelle, des alliages qui cèdent sous certaines combinaisons de chaleur et de contraintes, et des choix de conception, pourtant judicieux sur le papier, qui se révèlent catastrophiques pour l'équipe d'outillage. Ce savoir s'accumule sur des décennies, est en grande partie intransmissible et disparaît à chaque départ à la retraite d'un ingénieur senior.

Les copilotes IA commencent à changer la donne. Un ingénieur travaillant sur la géométrie d'un nouveau composant peut désormais interroger un système sur sa fabricabilité à grande échelle, obtenir une analyse des défaillances sous différentes charges et évaluer l'impact financier d'un changement de matériaux. Tout cela se déroule dans l'environnement de conception, avant même la création d'un prototype physique, au moment précis où l'information est réellement utile.

Soyons clairs : il ne s’agit pas d’un substitut au jugement d’un ingénieur. Les décisions qui font appel à la connaissance du contexte, à la responsabilité professionnelle et à la résolution créative de problèmes sous contraintes nécessitent toujours l’intervention humaine. Le rôle des assistants IA est d’élargir l’éventail de solutions que les ingénieurs peuvent explorer avant de s’engager dans une voie précise, et de diffuser plus tôt et à un plus grand nombre de personnes une certaine intuition des experts en production. Les équipes qui les adoptent efficacement aboutiront à de meilleures conceptions, car elles auront évalué davantage d’options avant que les contraintes physiques et économiques de la production ne limitent leurs choix.

Deux types d'IA fusionnent, et l'usine ne sera plus jamais la même.

Voici une distinction essentielle. Il y a l'IA numérique — les systèmes génératifs qui facilitent la conception, la documentation, l'analyse des sources et l'aide à la décision. Ils fonctionnent avec l'information. Et il y a l'IA physique — les systèmes de perception, de planification et de contrôle qui alimentent les robots industriels, la logistique autonome et les équipements de fabrication adaptatifs. Ceux-ci fonctionnent avec la matière. Ils perçoivent le monde, planifient les actions et déplacent les objets.

Durant la majeure partie de la dernière décennie, ces deux catégories se sont développées dans des univers presque totalement distincts. Mais aujourd'hui, les modèles génératifs sont de plus en plus utilisés pour programmer, diriger et interpréter des systèmes physiques. Les robots peuvent recevoir des instructions en langage naturel et les traduire en séquences de mouvements. Les modèles de vision par ordinateur permettent aux systèmes d'inspection de décrire leurs observations en des termes exploitables par l'humain. Les outils de conception générative sont désormais connectés directement aux machines à commande numérique et aux systèmes de fabrication additive ; ainsi, ce qu'un modèle conçoit, une usine peut le fabriquer.

Pour les technologies climatiques, les implications sont frappantes. L'IA générative accélère la découverte de nouveaux matériaux, permettant de trouver des chimies de batteries plus performantes, des catalyseurs plus efficaces et des matériaux structuraux qui réduisent l'intensité carbone industrielle. Pour le secteur manufacturier en général, cette convergence signifie que les usines deviennent de véritables systèmes adaptatifs, capables de se reconfigurer en temps quasi réel en réponse aux fluctuations de la demande ou aux ruptures d'approvisionnement. La frontière entre le modèle numérique d'une usine et l'usine physique s'estompe. Elle est remplacée par une infrastructure industrielle qui apprend, s'adapte et boucle la boucle entre conception et production d'une manière inédite.

La question de la main-d'œuvre

Dans tout article sérieux sur l'IA et l'industrie, il faut, à un moment ou un autre, aborder la question humaine. Pas question de se contenter de la conclusion édulcorée habituelle du type « de nouveaux emplois vont apparaître », devenue une sorte de rituel d'absolution dans les écrits techniques. Il faut en parler concrètement.

L'inquiétude est bien réelle et justifiée. L'emploi dans le secteur manufacturier a déjà subi de profondes perturbations au cours des quarante dernières années. Une nouvelle vague de transformation induite par l'IA n'est pas une simple abstraction pour les personnes qui travaillent dans ces industries.

Les premières données montrent que l'effet le plus significatif à court terme n'est pas le déplacement, mais l'élévation. Les ingénieurs utilisant des assistants IA se consacrent à des projets d'ingénierie plus stratégiques, passant moins de temps sur la documentation de routine et davantage sur les décisions cruciales pour le succès d'un produit. Les responsables de la chaîne d'approvisionnement gèrent une complexité accrue grâce à une meilleure information. Les responsables des opérations appliquent les analyses générées par l'IA dans des environnements où la responsabilité demeure pleinement humaine.

Les rôles définis principalement par le traitement routinier de données, les tâches de coordination répétitives ou le travail physique relevant des capacités actuelles de la robotique seront soumis à de fortes pressions. Cela exige une attention particulière de la part des entreprises et des institutions.

La main-d'œuvre manufacturière de la prochaine décennie sera définie par sa capacité à collaborer efficacement avec l'IA : comprendre ses résultats, questionner ses hypothèses et appliquer ses recommandations aux décisions nécessitant un jugement humain. Ce profil de compétences diffère de celui sur lequel s'est bâti le secteur manufacturier. Développer ces compétences à grande échelle, équitablement et en temps opportun constitue l'un des défis majeurs de notre époque.

La fenêtre

Le secteur manufacturier n'est pas monolithique. L'adoption de l'IA dans l'aérospatiale diffère de celle observée dans l'électronique grand public, les composants industriels sur mesure et les dispositifs médicaux. Le rythme du changement varie considérablement selon l'infrastructure de données, le cadre réglementaire et les capacités organisationnelles.

Mais la tendance est claire : l’IA restructure le cycle de vie de la fabrication à chaque étape. Les entreprises qui investissent dans l’infrastructure des données, les flux de travail d’ingénierie optimisés par l’IA, les compétences de la main-d’œuvre et les systèmes de gouvernance pour les décisions stratégiques définiront ce que sera l’industrie manufacturière de pointe dans dix ans.

L'usine du futur sera façonnée par des modèles, élaborés à partir de consignes et perfectionnés grâce à une collaboration homme-machine que l'industrie commence à peine à appréhender. Les résultats obtenus dépendront des choix effectués dès maintenant par les entreprises qui cherchent encore les questions essentielles à se poser.

L'opportunité de se forger un avantage significatif est là. Mais elle ne le restera pas indéfiniment.