Avant d’automatiser : ce qu’exige la mise en œuvre de l’IA
Les investissements dans l’intelligence artificielle continuent d’augmenter, mais les résultats demeurent inégaux. Les fabricants intègrent l’IA à l’estimation, à la planification, au contrôle de la qualité, à la maintenance, à la gestion des stocks et aux rapports de production. Pourtant, bon nombre d’entre eux ne peuvent toujours pas démontrer qu’elle a permis de réduire les délais, les rebuts, les temps d’arrêt ou les coûts.
Deux articles récents de Harvard Business Review offrent des pistes utiles pour comprendre où la mise en œuvre peut déraper. Dans « Stop Automating Old Processes. Design New Ones Instead », Masha Shunko et Serguei Netessine soutiennent que les entreprises devraient repenser leurs flux de travail en fonction des résultats qu’elles cherchent à améliorer, plutôt que d’appliquer l’IA à des tâches isolées. Dans « The Best Manufacturers Build AI with Workers, Not for Them », Tracey Countryman et ses coauteurs se concentrent sur l’atelier de production, où la performance de l’IA dépend largement de la façon dont sont définis les rôles, le jugement humain, la formation et les responsabilités.
Commencer par le résultat recherché
Plusieurs scénarios d’échec sont déjà bien connus :
- Une tâche est exécutée plus rapidement sans que le résultat global s’améliore.
- Le système fonctionne bien dans les situations courantes, mais gère mal les exceptions.
- Un goulot d’étranglement disparaît, tandis qu’un autre se forme plus loin dans le processus.
- Un indicateur facile à mesurer s’améliore alors que la performance opérationnelle globale se détériore.
Ces risques sont faciles à reconnaître dans la fabrication de produits du bois. Accélérer la préparation des soumissions a peu de valeur si le service d’ingénierie n’est pas en mesure de libérer les dessins assez rapidement. Une meilleure optimisation de l’imbrication des pièces contribue peu à la production si la manutention des matériaux, la capacité des machines CNC ou l’assemblage devient ensuite le nouveau facteur limitant. Les améliorations locales n’ont de valeur que si le reste du processus peut les absorber.
Avant d’automatiser l’inspection, la planification, l’optimisation des matériaux ou les rapports de production, les gestionnaires doivent déterminer ce que le processus est censé accomplir et pourquoi ses étapes actuelles existent. Trois questions sont particulièrement utiles :
- Quel résultat compte réellement? L’objectif est-il de raccourcir les délais, d’améliorer le rendement matière, de réduire les reprises de fabrication, d’accroître la qualité au premier passage ou de rendre les livraisons plus fiables?
- Quelle contrainte a façonné le processus actuel? Une étape a-t-elle été conçue en raison d’un manque de main-d’œuvre, d’une visibilité insuffisante ou d’une circulation lente de l’information, contraintes que l’IA pourrait maintenant atténuer?
- Le processus peut-il apprendre? Les corrections, les dérogations et les décisions des experts permettent-elles d’améliorer le cycle suivant, ou le même problème se reproduit-il?
Certaines étapes créées pour compenser la lenteur de la circulation de l’information pourraient disparaître, tandis que les décisions comportant davantage de risques — comme l’approbation d’un programme d’usinage sur mesure — pourraient encore nécessiter une validation humaine.
Comprendre comment le travail s’effectue réellement
Les gestionnaires doivent également comprendre comment le travail est véritablement réalisé. Les opérateurs, les planificateurs, les responsables de l’ordonnancement et les techniciens compensent régulièrement des données d’entrée peu fiables, coordonnent les activités malgré les retards et apportent des ajustements qui ne figurent jamais dans la documentation officielle des processus. Dans une usine de transformation du bois, cela peut vouloir dire reconnaître qu’un matériau réagira différemment à l’usinage ou qu’une séquence d’assemblage risque de créer de la congestion.
Les travailleurs de première ligne doivent donc être associés au projet avant l’automatisation des tâches. Leur expérience permet de déterminer quelles décisions sont routinières, lesquelles reposent sur le savoir-faire et où les exceptions sont les plus susceptibles de survenir.
Déterminer où doit se situer l’autorité décisionnelle
La répartition de l’autorité entre les personnes et les logiciels doit également être clairement définie. Shunko et Netessine proposent un cadre fondé sur quatre niveaux : Assist, Approve, Audit et Automate — assister, approuver, auditer et automatiser.
- Assister : l’IA fournit de l’information ou des recommandations, tandis qu’une personne prend la décision.
- Approuver : le système prépare une action, mais celle-ci doit être autorisée par une personne.
- Auditer : l’IA agit, tandis que les employés examinent les résultats et interviennent au besoin.
- Automatiser : le système fonctionne à l’intérieur de limites clairement définies, et l’intervention humaine est principalement requise lorsque les conditions sortent de ce cadre.
Le niveau approprié dépend des conséquences possibles d’une erreur et de la facilité avec laquelle l’action peut être annulée.
Prévoir la gestion des exceptions
La gestion des exceptions doit être conçue en même temps que le système. Les gestionnaires doivent déterminer :
- ce qui déclenche une procédure d’escalade;
- qui est responsable de l’exception;
- comment une action peut être interrompue ou annulée;
- comment les exceptions récurrentes servent à modifier le modèle ou les règles d’exploitation.
Les travailleurs doivent également avoir clairement le pouvoir d’intervenir lorsque le système se trompe.
La formation devrait être conçue en fonction du poste redéfini plutôt que de porter sur l’IA en général. Les employés doivent comprendre comment le système se comporte dans des conditions d’exploitation réelles, quelles décisions demeurent sous leur responsabilité et comment réagir lorsque les flux de travail habituels ne fonctionnent plus comme prévu.
Mesurer la production, et non l’activité de l’IA
Les mesures de performance doivent rester liées au problème opérationnel de départ. Le nombre d’heures de formation, de cours suivis ou de recommandations générées par l’IA est facile à comptabiliser, mais ces données indiquent peu de choses sur l’amélioration réelle de la production.
Pour un fabricant de produits du bois, les indicateurs pertinents peuvent notamment comprendre :
- le rendement matière et les rebuts;
- la qualité au premier passage et les reprises de fabrication;
- le débit de production;
- les temps d’arrêt non planifiés;
- les délais et le respect de l’ordonnancement;
- la fréquence des exceptions et des interventions manuelles.
L’indicateur de rendement clé doit découler du problème opérationnel. Un outil d’ordonnancement fondé sur l’IA ne devrait pas être évalué principalement en fonction du taux d’acceptation de ses recommandations si les délais, les heures supplémentaires ou le respect de l’ordonnancement demeurent inchangés. Un système de vision ne devrait pas non plus être considéré comme une réussite simplement parce qu’il détecte davantage de défauts si les reprises et la qualité au premier passage ne s’améliorent pas.
Repenser le processus autour de l’outil
Pour les fabricants de produits du bois, une mise en œuvre réussie de l’IA commence par une compréhension approfondie des liens entre l’estimation, l’ingénierie, l’usinage, la finition, l’assemblage et l’installation. Le logiciel est peut-être la partie la plus visible du projet, mais l’essentiel du travail de mise en œuvre se déroule dans le système de production qui l’entoure.

Tyler Holt is the Editor of Wood Industry / Le monde du bois magazine.