L’intelligence artificielle dans l’industrie : pourquoi son adoption est-elle plus rapide que l’obtention des résultats ?

La plupart des fabricants n'avaient pas besoin d'étude de faisabilité pour comprendre le coût de la maintenance corrective. Ils le subissaient depuis des années : arrêts de production imprévus, allongement des délais de réparation, livraison de pièces en urgence et érosion progressive de la confiance dans la planification et la relation client. Ce qui a changé, c'est la disponibilité de la solution. L'IA dans la maintenance est passée du statut de concept théorique à celui de solution viable assez rapidement pour que l'intérêt d'investir dans cette technologie devienne évident.

L'engagement de l'industrie est bien réel, mais les résultats ne se concrétisent pas au rythme escompté. Nos récentes recherches révèlent qu'environ 78 % des obstacles au progrès recensés sont liés à la main-d'œuvre. L'accès à l'intelligence artificielle s'est développé plus rapidement que la capacité à l'utiliser régulièrement. Ce décalage constitue désormais le principal frein et exige un changement de mentalité tout aussi crucial que le développement technologique.

La première vague a prouvé l'efficacité des outils, et non celle du modèle.

Les fabricants investissent dans l'intelligence artificielle pour améliorer la productivité, pourtant beaucoup continuent d'adopter des comportements que la maintenance prédictive était censée réduire.

Les recherches montrent que l'adoption de la maintenance prédictive a plus que doublé d'année en année, tandis que la maintenance corrective est restée stable. La maintenance proactive, quant à elle, a diminué d'année en année. C'est là le nœud du problème : de nouvelles méthodes sont introduites dans les usines, mais elles ne remplacent pas complètement les anciennes.

Il ne faut pas y voir un échec. Les usines ont déménagé pour des raisons pratiques, et les premiers essais ont permis aux équipes de tirer de précieux enseignements. Le modèle fonctionne bien sur un actif connu, avec une équipe dédiée. Mais le véritable défi survient lorsqu'il doit faciliter la prise de décisions en fonction des équipes, des sites et des niveaux d'expertise.

Ici, la première vague a révélé le problème suivant : si la technologie peut rapidement être intégrée au budget, les habitudes de travail, la confiance, le pouvoir de décision et la confiance des travailleurs de première ligne mettent beaucoup plus de temps à évoluer.

Les investissements dans l'IA arrivent à maturité

Les données budgétaires confirment que les dirigeants n'abandonnent pas l'intelligence artificielle ; ils deviennent simplement plus sélectifs quant aux domaines où elle doit faire ses preuves. Les investissements se détournent de l'IA exploratoire au profit des priorités opérationnelles, notamment la cybersécurité, la gestion des données, l'IA générative et l'IA industrielle.

Ce changement reflète une vision plus réaliste de la maturité numérique. Les dirigeants s'efforcent de rendre l'IA opérationnelle dans des domaines où le coût des retards, des interruptions de service et des données de mauvaise qualité se fait rapidement sentir.

Cette évolution redéfinit également les attentes concernant l'Industrie 5.0. Alors que la technologie industrielle passe d'un modèle Industrie 4.0 basé sur l'automatisation à une approche plus centrée sur l'humain, les dirigeants semblent réajuster le calendrier, 40 % d'entre eux prévoyant désormais un délai de un à quatre ans.

Où s'arrête le modèle et où commence le rôle du superviseur ?

Il est facile d'interpréter le chiffre de 78 % relatif aux contraintes de main-d'œuvre comme un simple problème de pénurie de personnel – c'est-à-dire des difficultés de recrutement ou d'approvisionnement. Mais en réalité, les entreprises sont confrontées à un manque d'expérience, un déficit de connaissances, une pénurie de main-d'œuvre qualifiée et, plus largement, à des insuffisances de leurs capacités de travail. Ensemble, ces quatre catégories décrivent un problème bien plus complexe qu'une simple question d'effectifs. Elles décrivent la capacité d'une organisation à s'adapter à une nouvelle façon de travailler.

C’est un constat que j’entends constamment de la part de mes clients : les outils existent, mais les équipes n’ont pas suivi le rythme. Les chercheurs Cohen et Leventhal ont nommé ce phénomène « capacité d’absorption ».

En clair, il s'agit de la rapidité avec laquelle une entreprise peut identifier de nouvelles connaissances utiles, les intégrer à son organisation et les traduire en résultats concrets. Dans le domaine de la maintenance, ces résultats correspondent à des décisions prises en conditions réelles d'exploitation : par exemple, un superviseur de nuit évalue si une panne nécessite une intervention immédiate, peut attendre le prochain arrêt planifié ou a déjà atteint un seuil critique. Un modèle peut identifier une panne, mais il ne peut pas prendre la décision.

La maintenance prédictive et l'intelligence artificielle (IA) requièrent en réalité une main-d'œuvre plus difficile à former que la simple maîtrise des outils. Le rapport du gouvernement britannique intitulé « Compétences en IA pour le Royaume-Uni » met en évidence ce manque de compétences de manière concrète au sein du secteur de la fabrication de pointe.

Outre les compétences techniques telles que l'entraînement des modèles d'IA ou l'intégration d'analyses en temps réel, le rapport souligne l'importance d'interpréter les résultats de l'IA, d'adapter les processus en fonction des nouvelles informations et de communiquer les changements aux équipes opérationnelles. Ce sont ces compétences fondamentales qui déterminent si une alerte entraînera une modification des comportements ou sera ignorée.

C’est pourquoi le développement des compétences ne peut être considéré comme une fonction RH distincte du programme technologique. Il fait partie intégrante du système qui détermine si les investissements se traduiront par une meilleure mise en œuvre. Intelligence artificielle : la maîtriser exige un changement de mentalité, et pas seulement de technologie. Le calendrier de l’Industrie 5.0 dépendra des capacités disponibles sur les chaînes de production.

Investir dans la prédiction, payer pour la réaction

Les conséquences commerciales sont évidentes dans l'écart entre les dépenses et le retour sur investissement. Malgré l'adoption croissante des solutions prédictives et l'allocation de capitaux à ces solutions, l'approche fondamentale de la résolution réactive des problèmes demeure inchangée. De nombreuses organisations fonctionnent en parallèle : elles investissent dans la mise en œuvre de solutions basées sur les données tout en perdant du temps à résoudre des problèmes évitables.

Ce manque de communication a un coût élevé. Selon l'étude Siemens 2024 intitulée « Le véritable coût des temps d'arrêt », les 500 plus grandes entreprises mondiales perdent chaque année 1 400 milliards de dollars en raison d'arrêts de production non planifiés, soit 11 % de leur chiffre d'affaires total. Ce chiffre illustre les conséquences d'une transition incomplète d'une approche réactive à une approche prédictive : l'investissement est là, mais sa mise en œuvre au quotidien n'a pas suivi. Combler ce déficit de responsabilité est essentiel pour garantir la rentabilité.

Lorsque cet écart persiste, le retour sur investissement des dépenses technologiques est retardé et irrégulier. Les délais s'allongent et la confiance dans l'atteinte des résultats escomptés diminue.

La clé pour obtenir de véritables rendements

La rigueur appliquée aux outils et aux plateformes doit s'étendre aux personnes et aux processus qui les entourent. C'est là, dans de nombreuses organisations, que se situe le véritable gaspillage de valeur.

Les responsables devraient commencer par les aspects des opérations où les capacités sont les plus vulnérables. Quels équipements dépendent encore d'un ou deux techniciens expérimentés pour interpréter les événements ? Quels rapports d'intervention sont insuffisamment détaillés pour permettre des diagnostics ultérieurs ? Quelles alertes permettent d'agir rapidement et lesquelles restent en suspens jusqu'à ce que la personne compétente soit de service ?

Ces questions permettent de déterminer si la maintenance prédictive est devenue une partie intégrante de la mise en œuvre, ou si elle ne constitue encore qu'une couche supplémentaire venant s'ajouter aux anciennes habitudes réactives.

Les expériences et connaissances latentes des employés doivent être documentées avant leur départ de l'entreprise. Assurez-vous que les dossiers de travail soient suffisamment complets pour accompagner les futurs techniciens. Formez les opérateurs et les équipes de maintenance à comprendre les implications des alertes prédictives, à identifier les éléments justifiant une intervention et à savoir quand signaler les problèmes. Concevez des processus de travail où l'exploitation des informations pertinentes devient la norme, et non une exception ; maîtriser l'IA exige un changement de mentalité. Comprendre quels emplois sont les plus susceptibles d'être remplacés par l'IA permet également d'orienter les efforts de formation.

La fiabilité connectée soutient cette mise en œuvre lorsqu'elle reste ancrée au cœur de l'activité, en reliant les données des actifs, l'historique de maintenance et l'expérience directe des employés, afin de permettre aux équipes de prendre des décisions cohérentes et reproductibles sur différents quarts de travail et sites.

Notre étude confirme cette tendance : près de la moitié des répondants prévoient de développer des initiatives de fiabilité connectée au cours des douze prochains mois, considérant la fiabilité comme un pont pratique reliant les besoins opérationnels à court terme aux ambitions stratégiques à long terme.

Le message adressé aux dirigeants du secteur manufacturier est clair et direct : les capacités humaines et opérationnelles doivent être examinées avec la même rigueur que les dépenses technologiques. Il ne suffit pas de se demander quels types d’IA ont été déployés ; il faut aussi se demander : qui peut les exploiter ? Où les processus décisionnels présentent-ils des lacunes ? Quelles connaissances restent non documentées ? Et quels flux de travail incitent encore les équipes à adopter une approche proactive de la résolution de problèmes ?