L’IA dans l’industrie : maintenance prédictive, qualité et planification

La maintenance prédictive exploite les données historiques et les signaux recueillis en continu sur les équipements : vibrations, température, pression, intensité électrique, débit ou bruit. Un modèle de machine learning apprend les comportements normaux et signale les écarts susceptibles d’annoncer une dégradation.

Cette approche complète la maintenance préventive, fondée sur un calendrier fixe. Une intervention peut être déclenchée selon l’état réel d’un moteur, d’une pompe, d’un compresseur ou d’une ligne, plutôt qu’après un nombre prédéfini d’heures. Le technicien reçoit alors une alerte contextualisée, avec l’équipement concerné, le niveau de risque et l’historique utile.

Les bénéfices généralement recherchés sont la réduction des arrêts imprévus, une meilleure disponibilité des actifs, une planification plus précise des interventions et une diminution des remplacements prématurés. Une analyse Deloitte citée dans des travaux sur la maintenance prédictive estime une réduction de 20 à 50 % du temps de planification, une hausse de 10 à 20 % de la disponibilité des équipements et une baisse de 5 à 10 % des coûts de maintenance. Ces estimations datent toutefois de 2017 et ne doivent pas être généralisées à chaque usine.

Un retour d’expérience publié en 2025 par Visiativ rapporte qu’Andros aurait réduit de 30 % ses arrêts imprévus et de 20 % ses coûts de maintenance grâce à une solution analysant les signaux faibles de ses équipements.

Pour lancer un projet, les actifs critiques constituent le meilleur point de départ :

• ▹sélectionner une machine dont l’arrêt possède un coût mesurable ;
• ▹connecter les données de fonctionnement et les historiques de pannes ;
• ▹définir précisément ce qu’est une défaillance ;
• ▹tester les alertes avec les équipes de maintenance ;
• ▹mesurer les faux positifs, les pannes évitées et le délai d’anticipation.

La réussite se mesure moins à la sophistication de l’algorithme qu’à la capacité de l’équipe à transformer une alerte en intervention utile.

Le contrôle qualité par vision industrielle combine des caméras, un éclairage maîtrisé et un modèle d’intelligence artificielle capable d’identifier des défauts sur des pièces ou des produits. Les cas d’usage incluent les rayures, fissures, déformations, défauts d’assemblage, écarts de positionnement et anomalies d’aspect.

Contrairement à une inspection manuelle, le système peut examiner chaque produit selon les mêmes critères et fonctionner à grande cadence. Il peut également conserver une image associée à chaque décision, ce qui facilite l’analyse des rebuts, la traçabilité et l’amélioration continue.

Le modèle doit être entraîné sur des images représentatives de la réalité industrielle. Les exemples doivent couvrir les variations d’éclairage, de matière, de position, de lot et d’usure des outils. Un jeu de données composé uniquement de défauts faciles à reconnaître produit souvent un système fragile dès son passage en production.

Les indicateurs à suivre sont complémentaires :

• ▹taux de détection des défauts réellement critiques ;
• ▹taux de faux rejets de produits conformes ;
• ▹temps de traitement par pièce ;
• ▹disponibilité de la caméra et du logiciel ;
• ▹coût des rebuts avant et après déploiement ;
• ▹délai de réaction lorsqu’une dérive apparaît.

L’IA ne remplace pas automatiquement le référentiel qualité. Les seuils d’acceptation, les règles de sécurité et les responsabilités doivent rester documentés. Dans les secteurs réglementés, chaque modification du modèle peut également nécessiter une procédure de validation.

La vision artificielle est particulièrement pertinente lorsqu’un défaut est visuel, répétitif et suffisamment bien défini. Elle est moins adaptée lorsque le jugement dépend d’un contexte complexe ou lorsque les exemples disponibles sont trop rares. Une phase pilote sur une seule ligne permet de vérifier la robustesse du système avant de multiplier les caméras et les postes d’inspection.

L’IA appliquée à la planification de production vise à améliorer les décisions prises par les équipes supply chain et ordonnancement. Elle peut exploiter les prévisions de demande, les commandes, les stocks, les capacités machines, les compétences disponibles, les temps de changement de série et les incidents de maintenance.

Un système intelligent peut proposer plusieurs scénarios : produire davantage d’une référence, déplacer un ordre sur une autre ligne, regrouper des fabrications similaires ou ajuster le plan après une panne. La décision reste généralement supervisée par un planificateur, car les contraintes industrielles ne sont pas toutes présentes dans les bases de données.

Les meilleurs projets ne cherchent pas à automatiser immédiatement toute la planification. Ils commencent par une décision précise et fréquente, comme la priorisation des ordres, la prévision de la demande ou l’anticipation d’une rupture de matière. Le périmètre doit être assez restreint pour mesurer un résultat, mais assez important pour produire une valeur opérationnelle.

L’intégration avec l’ERP, le MES et la GMAO est déterminante. Un modèle qui ignore les arrêts réels, les temps de réglage ou les stocks indisponibles peut produire un planning théoriquement optimal mais inutilisable sur le terrain.

La validation doit comparer les recommandations de l’IA aux décisions humaines sur une période définie. Les équipes peuvent alors mesurer les gains de service, de stock, de temps d’ordonnancement et de stabilité du planning avant toute automatisation.

Les retours d’expérience disponibles montrent qu’un projet d’IA industrielle doit être relié à un problème opérationnel clairement chiffré. Une promesse générale de modernisation ne suffit pas : il faut partir d’un coût d’arrêt, d’un taux de rebut, d’un délai de contrôle ou d’une rupture de stock.

Le cas d’Andros, rapporté par Visiativ en 2025, illustre une démarche centrée sur la maintenance des équipements. Les résultats publiés font état d’une baisse de 30 % des arrêts imprévus et de 20 % des coûts de maintenance. Ces chiffres correspondent à ce retour d’expérience et ne constituent pas une garantie applicable à toutes les usines.

Un autre exemple cité concerne Michelin Smart Predictive Tyre, une offre destinée aux flottes et fondée sur le suivi de paramètres comme la pression et la température. Michelin annonce 80 % d’incidents en moins et une durée de vie des pneus augmentée de 9 %.

Les facteurs de réussite se retrouvent dans la plupart des déploiements industriels :

• ▹un sponsor métier capable d’arbitrer les priorités ;
• ▹des données accessibles, horodatées et correctement étiquetées ;
• ▹une implication précoce de la maintenance, de la qualité et de la production ;
• ▹une interface qui explique l’alerte au lieu de livrer uniquement un score ;
• ▹un protocole de mesure défini avant le lancement ;
• ▹une capacité à maintenir le modèle après sa mise en production.

Les erreurs fréquentes sont tout aussi instructives. Installer des capteurs sans cas d’usage précis crée une accumulation de données sans décision associée. Déployer un modèle sans vérifier les changements de recette, d’outillage ou de fournisseur dégrade ses performances. Enfin, ignorer les opérateurs favorise le contournement des alertes.

Un pilote utile doit donc préciser son périmètre, sa durée, ses critères de succès et le responsable de chaque action déclenchée par l’IA.

Un programme d’IA industrielle peut être structuré en cinq étapes. La première consiste à sélectionner un cas d’usage selon trois critères : impact économique, disponibilité des données et capacité d’action. Une panne coûteuse mais impossible à observer correctement constitue un moins bon point de départ qu’un défaut fréquent et bien documenté.

La deuxième étape est l’audit des données. Il faut vérifier les sources, la fréquence de mesure, les horodatages, les valeurs manquantes, les changements de configuration et la qualité des historiques de maintenance. Des données propres ne garantissent pas un bon modèle, mais des données incohérentes rendent les résultats difficiles à interpréter.

La troisième étape est le pilote terrain. Le modèle doit être comparé à une référence existante, avec des indicateurs définis à l’avance. Pour la maintenance, il peut s’agir du délai d’anticipation, du taux de fausses alertes et des arrêts évités. Pour la qualité, le taux de défauts détectés et le taux de faux rejets sont centraux.

La quatrième étape concerne l’intégration :

• ▹connexion à la GMAO, au MES ou à l’ERP ;
• ▹création d’un workflow d’alerte ;
• ▹attribution des responsabilités ;
• ▹conservation des décisions et des images utiles ;
• ▹suivi des performances après chaque changement industriel.

La cinquième étape est la gouvernance. Les accès aux données, la cybersécurité, la traçabilité des versions, les procédures de reprise et la validation humaine doivent être documentés. Les systèmes connectés aux équipements de production méritent une séparation stricte entre les environnements d’analyse et les commandes critiques.

Pour les entreprises françaises, l’adoption progresse rapidement : 18 % des entreprises de 10 salariés ou plus déclaraient utiliser une technologie d’IA en 2025, tandis que la proportion atteignait 58 % dans les entreprises d’au moins 250 salariés. Dans l’industrie, l’avantage ne revient pas à l’entreprise qui teste le plus de modèles, mais à celle qui transforme le plus vite une prédiction fiable en action mesurable.