Le mot « IA » recouvre ici deux familles d’outils. L’IA prédictive apprend sur vos données passées (capteurs, historique de pannes, mesures qualité) pour anticiper une dérive ou classer une pièce. L’IA générative lit et rédige : elle retrouve une réponse dans des milliers de plans et de notes, prépare un devis, explique une alerte en langage clair. Les projets industriels qui aboutissent combinent souvent les deux. La différence est détaillée dans notre guide IA prédictive : exemples en entreprise.
Où en sont les industriels français
Selon l’Insee (Insee Première n° 2120, juillet 2026), 17 % des entreprises de l’industrie manufacturière de 10 salariés ou plus utilisaient au moins une technologie d’IA en 2025, contre 7 % en 2024 et 5 % en 2023. C’est autant que la moyenne de l’Union européenne pour ce secteur (17 %), et à peine moins que l’ensemble des entreprises françaises (18 %). La progression est nette, mais plus de huit industriels sur dix n’ont encore rien en service.
Les raisons données par les entreprises qui n’utilisent pas l’IA sont instructives : 71 % disent ne pas en voir l’utilité et 54 % évoquent un manque d’expertise. Les deux freins se traitent de la même façon : partir d’un problème d’atelier précis et former les personnes qui le connaissent, plutôt que d’acheter une solution en espérant qu’elle trouve son usage.
Quatre exemples réels dans des PMI
Les cas suivants sont publiés dans le livre blanc Les audacieux de l’IA de Bpifrance Conseil et Siparex (avril 2026), rédigé à partir de projets qu’ils ont accompagnés. Les chiffres sont ceux déclarés par les entreprises et rapportés par le livre blanc ; nous ne les avons pas mesurés nous-mêmes.
| Usage | L’entreprise | Ce qui a été fait | Coût, durée et résultat déclarés |
|---|---|---|---|
| Bureau d’études : réutiliser 20 ans de projets | Conception et fabrication de machines sur mesure, 20 M€ de chiffre d’affaires, 100 collaborateurs (nom non publié) | Structuration de l’historique (plans, dessins, textes, formules), tests sur des données non sensibles, puis solution « souveraine et sécurisée » pour interroger l’historique, enrichie de règles métier et d’algorithmes prédictifs pour le chiffrage | Gain estimé de 30 % de temps sur la recherche et la consolidation d’informations ; savoir des experts partant à la retraite préservé |
| Ligne de production : réglages et pannes | Pièces aéronautiques en titane formées à chaud, 40 M€, 150 collaborateurs (nom non publié). Avant : 4 heures d’analyse manuelle par panne ou non-conformité, plus de la moitié des cas non résolus | Collecte automatique des données machines, modèles d’apprentissage profond sur les séries temporelles (température, pression, position), alertes rédigées en langage naturel pour les opérateurs, version intégrée au MES | 6 mois, environ 100 000 € ; 90 % de temps gagné pour les opérateurs méthodes et un million d’euros de retard évité |
| Contrôle qualité par vision | Pièces aéronautiques brevetées, 25 M€, 140 collaborateurs (nom non publié). Avant : 10 qualiticiens environ 4 heures par jour, pour un taux de défauts très faible | Modèles de vision sur mesure qui découpent l’image en zones ; les pièces sûres passent, les cas douteux (5 à 10 %) vont à l’humain ; un cobot ajuste l’angle de prise de vue | 4 mois, environ 60 000 € ; temps d’inspection manuelle divisé par 10 |
| Devis : répondre à toutes les demandes | Eukleed, intégrateur et distributeur de solutions électroniques et d’informatique industrielle, 60 M€, 85 collaborateurs. Avant : 10 000 devis par an, 10 à 30 minutes chacun, 20 % sans réponse faute de temps | Lecture des demandes reçues par email, connexion à l’ERP et aux bases fournisseurs, demande de prix automatique aux fournisseurs, devis pré-rédigé avec un prix fondé sur l’historique, preuve de concept en 3 mois | Demandes de moins de 150 € traitées à 100 % automatiquement, 80 % entre 150 et 1 500 € avec relecture d’un technico-commercial ; +20 % de chiffre d’affaires à effectif constant |
Trois enseignements reviennent dans les quatre cas. La donnée a été le premier chantier : il a fallu collecter, nettoyer ou structurer avant de modéliser. L’humain garde les cas douteux : le système de vision ne tranche que les pièces sûres, le devis au-delà de 150 € est relu. Et l’outil vit dans l’existant (MES, ERP, messagerie) au lieu d’ajouter un écran de plus aux opérateurs. Pour l’usage documentaire du bureau d’études, la technique s’appelle le RAG : voir faire répondre une IA à partir de vos documents.
Maintenance prédictive : ce qu’elle exige vraiment
La maintenance prédictive consiste à prévoir une panne à partir des signaux des machines (vibrations, températures, courants, cycles) pour intervenir avant l’arrêt. Une revue systématique de la littérature publiée dans Computers & Industrial Engineering (Carvalho et al., 2019) rappelle que ces applications reposent sur la multiplication des capteurs en production et que leur performance dépend du choix de la méthode d’apprentissage automatique : il n’existe pas de modèle universel qui marche sur toutes les machines.
Concrètement, une PMI doit réunir avant toute chose :
- Des machines qui remontent leurs données : automates accessibles, capteurs ajoutés si besoin, horodatage fiable. Le livre blanc cité plus haut le qualifie de « prérequis indispensable ».
- Un historique de pannes exploitable : date, machine, symptôme, cause, durée d’arrêt. Sans pannes passées enregistrées, le modèle n’a rien à apprendre ; un tableau de suivi tenu correctement pendant quelques mois vaut mieux qu’un projet lancé à vide.
- Une machine critique, pas tout le parc : celle dont l’arrêt coûte le plus cher ou bloque la ligne. On élargit ensuite.
- Un indicateur avant et après : TRS (disponibilité, performance, qualité), nombre d’arrêts non planifiés, temps passé par les méthodes à analyser les incidents.
Si ces conditions ne sont pas réunies, la première étape utile n’est pas un modèle prédictif mais un tableau de bord descriptif : savoir précisément quand et pourquoi les machines s’arrêtent. C’est aussi ce que recommande la démarche décrite dans le livre blanc : des analyses descriptives d’abord, l’optimisation avancée ensuite.
Par où commencer : l’ordre qui marche
- Choisir un irritant chiffré : rebuts, arrêts, devis non répondus, temps de réponse à un cahier des charges. Si personne ne sait combien il coûte aujourd’hui, on ne saura pas dire si l’IA a servi.
- Faire l’état des données : où elles sont (automates, MES, ERP, tableurs, dossiers partagés), qui les tient à jour, ce qui manque. Notre guide désigner une source de vérité avant de brancher l’IA donne la méthode.
- Tester petit, sur des données non sensibles : un extrait de l’historique, une machine, une famille de devis. C’est ce qu’a fait le fabricant de machines avant de choisir son outil définitif.
- Intégrer dans les outils de l’atelier : l’alerte arrive dans le MES ou sur l’écran de l’opérateur, le devis dans l’ERP. Associer les méthodes, la production et la qualité dès la conception.
- Placer la validation humaine : qui tranche les cas douteux, qui relit un devis, qui peut couper le système. Voir où placer la validation humaine dans vos automatisations.
- Mesurer, puis élargir : même indicateur qu’au départ, sur plusieurs semaines, avant de passer à la machine ou au produit suivant.
Pour cadrer et financer cette démarche, l’État propose des diagnostics et des accompagnements cofinancés, dont un format « Accélérateur IA & Industrie » pour les PME de plus de 50 salariés : le détail, avec les montants lus sur les pages officielles, est dans notre guide aides et subventions IA pour les PME.
Ce que l’équipe doit apprendre, et les règles à poser
Un projet industriel d’IA ne tient pas sans les gens de l’atelier et du bureau d’études. Dans le cas de la ligne titane, le livre blanc souligne la « forte montée en compétences » des équipes internes (informatique, méthodes) par le co-développement et la formation. Ce qu’il faut apprendre dépend du poste :
| Qui | Ce qu’il doit savoir faire |
|---|---|
| Direction, responsable de production | Choisir le cas d’usage sur un critère économique, lire un résultat de test, décider d’arrêter ou d’élargir |
| Méthodes et qualité | Définir clairement les défauts ou dérives à détecter, préparer les données d’historique, interpréter une alerte et la contredire quand elle est fausse |
| Bureau d’études, ADV, technico-commerciaux | Interroger un assistant sur la documentation interne, vérifier la source de chaque réponse, relire un devis pré-rédigé |
| Opérateurs | Comprendre ce que signale une alerte, savoir quand ne pas la suivre, remonter les erreurs |
Côté règles, quatre points à écrire avant la mise en service :
- Données industrielles : plans, recettes de fabrication et prix ne vont pas dans un compte personnel d’assistant grand public. Outil professionnel sous contrat, hébergement maîtrisé pour les données critiques ; plusieurs cas du livre blanc ont fait ce choix pour la version définitive.
- Décision humaine sur ce qui engage : libération d’un lot, prix au-delà d’un seuil, arrêt de ligne.
- Traçabilité : garder ce que le système a proposé et ce que l’humain a décidé ; c’est la matière pour corriger le modèle.
- Formation : l’AI Act impose aux entreprises qui utilisent des systèmes d’IA de veiller à un niveau suffisant de maîtrise de l’IA chez leur personnel (article 4) ; voir l’obligation de littératie IA en pratique.
Pour former un service sur ses propres données et ses propres tâches, voir la formation déployer l’IA dans un service, ou l’accompagnement au déploiement en PME si vous partez d’un diagnostic de vos processus.