IA générative et travailleurs de terrain dans l’industrie: entre espoirs et déception
Dans un propos engagé, Masha GUERMONPREZ et André JOLY relisent l’actualité de l’IA industriel, de l’espoir porté par ces technologies prometteuses, de la désillusion engendrée par les freins structurels de l’industrie. Dans une note optimiste, ils proposent une approche alternative pour vaincre les obstacles identifiés, et arriver enfin à valoriser des solutions d’IA dans l’industrie.
Introduction
Soyons honnêtes : alors que l’élite de la Silicon Valley échange des prompts à plusieurs millions de dollars pour l’IA générative, l’ouvrier industriel – casque sur la tête, mains pleines de graisse – a tout juste remarqué la révolution en cours. ChatGPT peut écrire de la poésie et déboguer du code en quelques millisecondes, mais Jean-Pierre à la centrale électrique ? Il est toujours en train de faire défiler les PDF sur une tablette fissurée pour trouver le protocole de maintenance enfoui à la page 127.
Bienvenue dans la véritable fracture numérique : non pas entre les pays, mais entre les professions.
Le mythe de la digitalisation universelle
Pendant des années, la transformation numérique a été le mot à la mode qui résonne dans les conseils d’administration. La promesse ? Interfaces épurées, maintenance prédictive, « Industrie 4.0 ». La réalité ? Un patchwork de systèmes obsolètes, de bases de données incompatibles et d’employés naviguant dans un mélange frankensteinien de feuilles Excel et de feuilles de papier.
Oui, certaines usines arborent maintenant des tableaux de bord sophistiqués. Oui, l’analyse prédictive existe dans des industries dédiées ou dans des projets pilotes. Mais en vous rendant sur la plupart des sites de production, vous trouverez un écosystème numérique assemblé avec du scotch, fonctionnant sur une infrastructure vieillissante, des connaissances tribales et de grands espoirs d’un avenir meilleur.
Voici la vérité à laquelle nous devrons faire face tôt ou tard : les conseils d’administration scandent « Industrie 4.0 », mais sur le terrain, la transformation numérique des secteurs industriels est inégale, lente et, franchement, décevante.
Conséquence pour les conseils d’administration : un mauvais ROI de la transformation digitale.
Des scores faibles, des attentes élevées
Une enquête menée auprès de leaders industriels français dans les secteurs de l’agroalimentaire, de l’aérospatiale, de l’automobile et de la pharmacie a révélé que 43,3 % n’ont attribué qu’une note de 3/10 à la maturité numérique de leurs usines, alors que seulement 13,3 % ont osé donner une note de 6/10 ou plus (Mercateam – 1). S’agit-il vraiment d’une rupture technologique ou plutôt d’un trou de lapin numérique ?
En France, alors que 58 % des entreprises industrielles ont au moins lancé des projets de numérisation, seules 52 % des PME atteignent une maturité numérique de base, ce qui est inférieur à la moyenne de l’UE de 57,7 %. En ce qui concerne l’adoption de l’IA, seules 5,9 % des entreprises françaises l’ont adoptée, bien en dessous de la moyenne de l’UE de 8 % (McKinsey & Company – 2)
Pendant ce temps, les marchés continuent de prospérer sur le papier : le secteur de la transformation numérique de la France devrait atteindre environ 40 milliards de dollars en 2025, avec un taux de croissance de 17,7 % pour atteindre 91 milliards de dollars d’ici 2030 (Mordor Intelligence – 3). C’est un gros titre, mais la question principale demeure : cet investissement va-t-il réellement transformer la façon dont les opérateurs terrain travaillent au quotidien ou simplement sombrer dans le puits sans fond des projets pilotes qui ne verront jamais le jour ?
Ambitions vs. exécution: le décalage
Oui 87 % des PDG considèrent les innovations numériques comme étant essentielles pour l’entreprise, mais seulement 44 % se sentent prêts à y faire face (Gémeaux 2025 – 4). Malgré le battage médiatique, plus de 70 % des initiatives de transformation numérique échouent—non pas par manque de vision, mais en raison de systèmes fracturés, d’un mauvais alignement des stratégies et d’une inadaptation culturelle (Whatfix 2025 – 5).
Les principaux obstacles à la digitalisation
Selon une récente enquête menée par Forrester auprès de 500 dirigeants de l’industrie manufacturière, 98 % d’entre eux signalent de graves problèmes de données qui bloquent l’innovation en matière d’IA avant même qu’elle ne commence (Amazon Web Services – 6).
Ces obstacles sont douloureusement réels :
- Les données fragmentées et cloisonnées qui circulent dans les systèmes anciens, les données verrouillées dans des formats propriétaires et incompatibles, et la puissance hypertrophiée des services informatiques entravent l’intégration et l’analyse de nouveaux systèmes.
- La résistance au changement, en particulier de la part des travailleurs – ou de leur direction pour être honnête – habitués au papier ou à Excel – l’adoption d’innovations réelles doit lutter contre la culture et des années de pratiques dépassées, et pas contre la technologie.
- Contraintes budgétaires et retour sur investissement peu clair : les projets pilotes peuvent impressionner dans les laboratoires, mais plaider en faveur de la mise à l’échelle reste délicat (McKinsey & Company – 7), en particulier lorsqu’il s’agit d’innovations exogènes appliquées aux processus de production (SPIX industry – 8).
- Déficit de compétences et analphabétisme numérique : seuls 56 % des citoyens de l’UE possèdent des compétences numériques de base, et la pénurie de spécialistes IT ralentit encore la néccessaire transformation. Ces chiffres pourraient être encore pires si l’on parle des cols bleus et des travailleurs de l’industrie, ce qui accroît le besoin de reconversion et de perfectionnement de la main-d’oeuvre (Commission européenne – 9).
Enfin, il y a un problème de confiance : 56 % des dirigeants expriment des craintes et des doutes quant à la précision de l’IA – les usines freinent leurs projets liés à l’IA par crainte d’hallucinations ou de recommandations dangereuses (Reuters – 10).
Pourquoi les solutions d’IA génératives grand public ne suffisent pas
La plupart des processus industriels n’ont pas besoin d’IA générative.
Cela semble glamour : l’IA générative dans l’usine ! Mais soyons réalistes : la plupart des travailleurs de l’industrie n’ont pas besoin d’un assistant vocal capable d’écrire des sonnets sur les roulements à billes ou de générer une réponse de 500 mots sur la thermodynamique.
Ils ne veulent pas de réponses interminables. Ils veulent les trois bons mots, au bon moment, au bon endroit (pas toujours connecté).
L’usine n’est pas un lieu d’idéation abstraite. C’est un endroit pour la clarté, la concision et les tâches concrètes. C’est en partie la raison pour laquelle les grands modèles de langage (LLM), aussi puissants soient-ils, ratent souvent la cible dans ce contexte exigeant.
Pourquoi les LLM sont à la peine dans l’industrie
Les grands modèles de langage (LLM) semblent mal adaptés et trop chers.
▪ Contraintes de connectivité : les LLM nécessitent généralement un accès au cloud ou des serveurs puissants et coûteux. De nombreux sites industriels ont une connexion Wi-Fi inégale, des pare-feu stricts ou même aucune connexion (maintenance, inspection).
▪ Latence : des délais de quelques secondes les rendent inutilisables dans des environnements critiques ou dans des processus de production soumis à des contraintes de productivité.
▪ Surdimensionnés : la plupart des questions ne nécessitent pas de génération longue, il suffit de rappeler, de résumer ou de générer une sortie structurée et courte. Ou simplement de réaliser une action dans une application métier (MES, GMAO, ERP).
▪ Les hallucinations sont inacceptables : dans l’usine (lire : près des lignes électriques ou des équipements pétrochimiques), même une suggestion erronée peut être dangereuse. L’IA générative est connue pour ne pas être entièrement prévisible, à moins que des investissements importants ne soient réalisés pour l’adapter à des sujets spécifiques, non évolutifs, avec beaucoup de données (ce dont l’industrie ne dispose pas – encore).
Pourquoi les SLM pourraient être plus adaptés (adoptés ?)
Les petits modèles de langage (SLM) offrent une solution plus réaliste et plus adaptée au terrain.
- Déployable en mode déconnecté : ils s’exécutent localement, sans dépendre de l’infrastructure cloud. Nous pouvons nous attendre à ce qu’ils soient également intégrés aux smartphones ou aux tablettes en mode embarqué dans un avenir proche.
- Rapide, réactif et silencieux : ils n’ont pas besoin de générer de longs paragraphes, ils renvoient des informations courtes et précises basées sur des connaissances prédéfinies, structurées, validées par le bureau des méthodes, spécifiques au site considéré.
- Plus facile à réentraîner : vous pouvez les former sur vos propres données, journaux de réparation, codes de pièces et jargon interne, sans exposer de données sensibles à Internet et à des coûts raisonnables.
- Conçu pour des données structurées : les SLM brillent lorsqu’il s’agit d’analyser du langage naturel dans des rapports structurés, des validations de listes de contrôle et des requêtes contextuelles, ajoutant ainsi une réelle valeur ajoutée par leur simplicité d’utilisation dans l’atelier
Et l’assistance vocale dans tout ça ?
Une fois que de degré d’intelligence de la solution est adapté, l’interface compte. Les applications mobiles et les tableaux de bord ne sont pas conçus pour les mécaniciens en équilibre sur des échafaudages avec des gants (SPIX industry – 11). Ce dont ils ont besoin, c’est de garder les mains libres et les yeux sur leur tâche : l’utilisation de la voix est parfaite pour cela, combinée à un assistant contextuel qui écoute plus qu’il ne parle.
En usine, ces grands principes se traduisent de la manière suivante :
▪ Guidage procédural : Un opérateur peut dire « Guides-moi pour la purge de la ligne 4 », et l’assistant le guide, étape par étape, en vérifiant la présence d’alertes de sécurité et en demandant une confirmation avant les étapes critiques. Contrairement à une liste de contrôle statique (formulaire), l’assistant s’adapte en fonction de l’environnement, de l’avancement des travaux, ou même du niveau d’expérience du travailleur.
▪ Vérifications rapides de listes de contrôle : plus besoin de taper sur 27 éléments ou cases à cocher avec vos gants. Lors d’un contrôle qualité, vous pouvez dire :
« Tous les composants visuels sont bons, pas d’anomalies, les niveaux de liquide sont OK. »
Et l’assistant analyse, vérifie et marque tous les éléments pertinents de la liste de contrôle. Vous ne cliquez pas sur des cases, vous confirmez les résultats.
▪ Structurer l’information à la volée : en se promenant sur un site, l’exploitant peut parler naturellement :
« Je viens de vérifier la pompe 2A, elle cliquette encore un peu, mais la pression est stable. C’est peut-être le même problème que le mois dernier. La température est un peu élevée mais dans la fourchette. Surveillons-le. »
L’assistant écoute, comprend et transforme cela en un rapport structuré :
- Équipement vérifié : Pompe 2A
- Description : Râle noté
- Pression : Normale
- Température : Légèrement élevée
- Actions recommandées : surveillance
C’est là que l’IA change véritablement le travail : non pas en éblouissant par sa créativité, mais en réduisant les frictions au quotidien. Il ne s’agit pas de provoquer une révolution, mais de combler le fossé entre les travailleurs et la transformation numérique, avec l’introduction d’interfaces alternatives et complémentaires aux systèmes complexes existants.
Alors comment on débloque tout ça !
Donc, si l’IA est si intelligente et si des assistants vocaux adaptés au contexte pouvaient économiser du temps, de l’argent et du stress, alors pourquoi chaque usine ne grouille-t-elle pas avec tout un tas d’acolytes SML ?
Parce que la réalité n’est pas un article Linkedin !
La vérité est que la révolution n’est pas bloquée par la technologie. Il est bloqué par tout ce qui se trouve autour de la technologie.
▪ Des systèmes hérités qui refusent de mourir
Tout d’abord, les morts-vivants : des systèmes hérités qui ont été construits à l’époque où les téléavertisseurs étaient à la pointe de la technologie. Vous ne pouvez pas brancher un modèle d’IA sur un système de contrôle qui fonctionne toujours sous Windows XP et espérer le meilleur. Vous pouvez à peine ouvrir la moitié des fichiers sans un sacrifice rituel au service informatique.
Et vous pouvez oublier l’intégration de cet assistant vocal à moins qu’il ne parle couramment l’API, ne lise d’anciens plans et ne craigne pas de ramper dans un Wi-Fi inégal dans un entrepôt sans fenêtre.
▪ L’innovation, c’est la rencontre de l’inertie
Deuxièmement : la résistance culturelle. Le travail industriel est construit sur l’expérience, l’instinct et la tradition. Et pour une bonne raison : tant de choses dépendent du fait que les choses fonctionnent exactement comme elles ont toujours fonctionné.
Ainsi, lorsque vous vous présentez avec votre assistant intelligent et que vous dites à Jean-Pierre que cela peut l’aider à dépanner la turbine, il vous regardera comme vous regarderiez un inconnu essayant de vous apprendre à lacer vos propres chaussures. Il sait comment la dépanner et il a déjà participé à 12 projets pilotes différents ce mois-ci. Faites mieux !
▪ Le mirage budgétaire
Vient ensuite l’argent. Les démos d’IA sont faciles. Déployer ? Pas vraiement. Les budgets sont réduits, les priorités changent et ce « laboratoire d’innovation » se transforme en un cimetière de pilotes oubliés. Tout le monde applaudit lors du lancement ; Personne ne finance le déploiement ni la maintenance.
Et soyons honnêtes, la plupart des directeurs financiers ne comprennent toujours pas ce qu’ils achètent lorsque quelqu’un dit « LLM » ou « solution d’IA vocale ». Si cette solution ne réduit pas les temps d’arrêt d’ici vendredi, il préconise de revenir aux bons vieux papiers.
▪ Les mauvaises personnes autour de la table
Enfin, les décideurs ne sont généralement pas ceux qui portent le casque et les gants. Les personnes qui conçoivent ces assistants intelligents ne savent souvent pas ce que c’est que de marcher huit heures sur du béton, de résoudre le même problème dix fois en une semaine ou de crier des instructions par-dessus le bruit du compresseur.
Et donc nous avons des assistants qui sont obsédés par l’UX mais allergiques au contexte. Ils offrent des commandes vocales pour des choses que personne n’a demandées, et oublient le besoin fondamental : un outil qui comprend réellement le travail dans son contexte de réalisation, et pas seulement le flux théorique de travail.
Conclusion: un appel à construire autrement
Le secteur industriel n’a pas besoin de plus d’innovation. Il a besoin de solutions pratiques, robustes et dignes de confiance capables de supporter l’environnement, le bruit et l’ambiguïté du monde réel. L’IA n’a pas besoin d’être partout, elle a juste besoin d’être présente là où elle compte et d’être adaptée au contexte.
Cela signifie construire pour et avec le terrain, et non pour le conseil d’administration…
C’est savoir qu’aucune solution d’IA ne peut fonctionner correctement avec des données disparates, cloisonnées et mal structurées.
Cela signifie abandonner l’obsession des jolies interfaces et se concentrer plutôt sur celles qui peuvent réellement aider. Ceux qui comprennent une question même lorsqu’elle est aboyée à travers un respirateur. Celles qui peuvent fonctionner hors ligne, sous pression et sans toucher l’écran.
Nous devons arrêter de concevoir des assistants vocaux qui essaient de paraître humains et commencer à concevoir des assistants qui savent se taire et écouter.
Références
1- https://merca.team/en/digitalization-of-french-factories-barometre/
2- https://digital-strategy.ec.europa.eu/en/factpages/france-2024-digital-decade-country-report
3- https://www.mordorintelligence.com/industry-reports/france-digital-transformation-market
5- https://whatfix.com/blog/digital-transformation-challenges/
7- https://www.mckinsey.com/capabilities/mckinsey-digital/our-insights/the-top-trends-in-tech
8- https://www.spix-industry.com/the-roi-of-voice-experience-for-the-industry/
9- https://ec.europa.eu/eurostat/web/interactive-publications/digitalisation-2024
11- https://www.spix-industry.com/spix-voice-interactions-against-the-wimps/
12- https://www.spix-industry.com/technology-voice-experience/
Point de contact
André JOLY – Directeur général
Tél. : +33 (0)6 25 17 27 94
Email : andre.joly (at) spix-industry.com
Personne morale
Site internet : spix-industry.com
Linkedin : linkedin.com/company/spix-industry
Simsoft3D SAS – 40 rue du Village d’Entreprises – 31670 Labège (France)
“Voice Experience“, “SPIX” et “SPIX industry” sont des marques déposées de Simsoft3D SAS.