Leaders d’opinion
Au-delà du battage médiatique – Où l’IA fonctionne réellement dans l’industrie manufacturière

Points clésUtiliser l'IA pour la reconnaissance de motifs, et non pour un raisonnement faisant…
Voir plus
- Utiliser l'IA pour la reconnaissance de motifs, et non pour un raisonnement faisant autorité, dans le secteur manufacturier.
- Diviser les grands problèmes de fabrication en tâches plus petites et riches en langage pour les agents d'IA.
- Éviter l'IA dans les opérations critiques pour la sécurité et les systèmes de contrôle en temps réel avec des tolérances serrées.
L’IA est présentée comme la prochaine révolution industrielle, mais de nombreux dirigeants ont du mal à traduire leur enthousiasme en résultats pratiques. Plus de 80% des dirigeants de l’industrie manufacturière américaine déclarent qu’ils prévoient d’augmenter leur utilisation de l’IA dans les deux prochaines années, mais cela n’est pas toujours fait avec une stratégie claire sur ce qu’ils espèrent réaliser de manière réaliste.
Entre la pression au niveau du conseil d’administration pour faire quelque chose avec l’IA et la réalité des environnements de production complexes, il existe un fossé croissant entre les attentes et la mise en œuvre. Ce fossé doit être comblé si les fabricants espèrent voir les avantages de l’IA dans leurs entreprises.
L’adoption de l’IA dépasse la préparation
Les dirigeants de l’industrie manufacturière savent aujourd’hui qu’ils doivent adopter l’IA pour rester compétitifs. Une récente enquête menée par The National Association of Manufacturers (NAM) a constaté que 51% des fabricants utilisent actuellement l’IA et que 80% considéreront l’IA comme essentielle pour développer ou maintenir leur entreprise.
Les fabricants utilisent cette technologie de diverses manières. L’IA a un potentiel massif. Cependant, dans de nombreuses organisations, les investissements dans l’IA ne produisent pas le retour sur investissement promis.
Une récente enquête menée par PWC et l’Institut de la fabrication a constaté que la pression exercée par les dirigeants pour adopter l’IA peut dépasser la préparation à la transformation induite par l’IA. La même enquête a également constaté, selon ses propres termes :
- L’adoption inégale de l’IA peut ralentir l’intégration dans les opérations quotidiennes
- Progresser le long de la courbe d’adoption de l’IA nécessite une formation et un développement des compétences par l’expérience
- Les lacunes humaines et de préparation peuvent limiter l’adoption de l’IA
- Le manque de contribution des dirigeants de première ligne peut limiter l’adoption et la mise en œuvre de l’IA
Trouver la solution
Plutôt que de traiter l’IA comme une solution universelle, les dirigeants doivent faire la distinction entre les applications où l’IA excelle – telles que l’amélioration de l’interaction homme-système, la capture des connaissances opérationnelles et la simplification des flux de travail complexes – et les domaines où elle est encore mal adaptée, notamment le contrôle de précision et des décisions reproductibles dans les environnements de production.
Le processus de vente est un excellent terrain d’application. De nombreuses entreprises de fabrication veulent améliorer le processus de vente guidée à l’aide de l’IA. Elles devraient commencer par se concentrer sur les objectifs ou les résultats du client plutôt que de lui demander de choisir des paramètres spécifiques sur un produit.
Voici un exemple personnel : j’ai récemment acheté ma première voiture électrique (VE). J’ai consulté le site Web d’un fabricant de VE, et j’y ai d’abord découvert les paramètres techniques, tels que l’autonomie : 360-558 km. C’est une autonomie importante, mais je comprends ce que cela signifie. Mais la puissance en chevaux ? Aucune idée. Et la consommation ? Maintenant, je ne comprends vraiment pas ce que cela signifie ; est-ce que la consommation est bonne ou mauvaise ? Est-ce que cela fera une différence pour le voyage de ski annuel de ma famille, qui dure actuellement environ sept heures ? C’est le type d’informations qui m’aiderait vraiment à prendre une décision.
Une IA avec laquelle discuter de ce qui compte pour moi aiderait le fabricant de VE à comprendre mes priorités et à les traduire en caractéristiques techniques adaptées.
Un autre exemple est d’utiliser des agents IA pour diviser des problèmes complexes en éléments plus petits. Les agents planifient et exécutent des objectifs à plusieurs étapes. Pour obtenir le maximum de ces agents, les tâches doivent être axées sur le langage.
Certaines organisations d’ingénierie adoptent cette approche lorsqu’il s’agit de gérer des exigences complexes. Parfois, les informations sont réparties sur des centaines ou des milliers de documents, et le format n’est pas standardisé. Si vous deviez construire un système logiciel traditionnel pour importer toutes ces informations, il y aurait trop de règles et d’exceptions à ces règles. Puisque l’IA est excellente pour la reconnaissance de motifs, vous n’avez pas besoin de rédiger chaque règle pour interpréter ces documents.
Meilleures pratiques pour l’IA dans la fabrication
Divisez les grands problèmes en tâches plus petites. L’IA a une mémoire de travail limitée. Si vous lui donnez trop de données ou un problème trop large, elle peut perdre le contexte et commencer à halluciner lorsqu’elle tente de fournir une réponse. Pour réduire ce risque, divisez les grandes tâches en composants plus petits et agréguez les résultats – un domaine où les cadres d’agents deviennent particulièrement efficaces.
Utilisez l’IA pour la reconnaissance de motifs, et non pour un raisonnement faisant autorité. L’IA est bonne pour la reconnaissance de motifs et l’identification des relations, mais elle n’est pas bonne pour la logique et le raisonnement. Par exemple, ses capacités de « raisonnement » et ses capacités mathématiques sont des prédictions, et non des calculs. Ainsi, les résultats peuvent sembler éclairants, mais leur exactitude n’est pas garantie, à moins de connecter l’IA à un autre système qui peut valider les résultats. Dans cette approche, l’IA peut orchestrer le flux de travail, mais vous avez pris une décision explicite sur où se situent les limites opérationnelles.
L’IA dans la fabrication peut créer une valeur réelle, mais il existe des scénarios spécifiques où le risque l’emporte sur le bénéfice. Cela inclut les opérations critiques en termes de sécurité et de qualité. Cela inclut également les scénarios à faible volume de données ou très novateurs, car l’IA fonctionne mal lorsqu’elle n’a pas vu suffisamment de données pertinentes. Les environnements fortement réglementés constituent un autre défi, car l’IA manque encore de traçabilité réelle. Les systèmes de contrôle en temps réel avec des tolérances serrées sont un autre endroit où l’IA devrait être évitée, étant donné que la latence ou l’instabilité de l’IA peut être inacceptable dans les processus à haute vitesse.
Du battage médiatique aux applications concrètes
L’IA n’est pas un remède miracle pour tous les maux de la fabrication. Mais en considérant les cas d’utilisation réels et les idées fausses courantes évoquées ci-dessus, les fabricants peuvent adopter une approche plus équilibrée de l’IA. À court terme, le point clé est d’utiliser l’IA pour ce qu’elle fait le mieux : les problèmes qui impliquent un degré élevé de reconnaissance de motifs. N’utilisez pas l’IA pour les cas qui nécessitent de la prévisibilité, de la cohérence, de la logique ou des calculs.
Les fabricants peuvent faire la part des choses et identifier où l’IA apporte réellement de la valeur aujourd’hui. L’objectif n’est pas de ralentir l’adoption, mais de s’assurer que les organisations déployeront l’IA là où elle améliore réellement la productivité et la prise de décision, plutôt que de suivre simplement le battage médiatique du secteur.












