Industrie et IA en Auvergne-Rhône-Alpes : les usages qui sortent du pilote

Parler d'IA dans l'industrie Rhône-Alpes, ce n'est pas parler d'un marché émergent : c'est parler d'un territoire où l'usine est déjà là, en nombre, et où la question n'est pas d'installer de l'intelligence artificielle mais de la brancher sur des lignes de production qui tournent depuis vingt ans.

L'INSEE recense de l'ordre de 490 000 emplois industriels en Auvergne-Rhône-Alpes, ce qui en fait la première région française par le volume d'emploi industriel. L'industrie y représente environ 14 % de l'emploi total, contre à peu près 11 % au niveau national. Le tissu est varié : mécanique, plasturgie, chimie, pharmacie, agroalimentaire, équipements électriques et électroniques, avec une densité particulière de sites de taille intermédiaire.

Cette configuration explique la physionomie très particulière des projets d'IA industrielle dans la région. Trois familles d'usages passent régulièrement en production. Les autres restent bloquées au stade du pilote, et pas pour des raisons technologiques. Cet article décrit les unes et les autres.

Pourquoi l'IA industrie Rhône-Alpes n'a pas le même visage qu'ailleurs

Trois caractéristiques régionales pèsent sur les projets.

La première est la taille des entreprises. Le tissu régional compte beaucoup d'entreprises de taille intermédiaire et de PME industrielles, souvent sous-traitantes de rang un ou deux. Ces sociétés ont un service méthodes, parfois un automaticien, rarement une équipe de science des données. Le projet d'IA y est nécessairement porté par un prestataire ou par un fournisseur d'équipement, ce qui change la nature du cahier des charges.

La deuxième est l'âge du parc machine. Une ligne de production amortie sur quinze ans n'expose pas ses données. Elle a un automate programmable, parfois une supervision, rarement un historien de données propre. Le premier poste de dépense d'un projet d'IA industrielle, dans la région comme ailleurs, est presque toujours l'instrumentation et la collecte, pas le modèle.

La troisième est la diversité sectorielle. Les Territoires d'industrie concentrent près d'un emploi industriel régional sur deux, mais ils recouvrent des métiers sans point commun : la plasturgie de la vallée de l'Ain, la mécanique de la vallée de l'Arve, la chimie du sud lyonnais, l'agroalimentaire auvergnat. Il n'existe donc pas de solution régionale : il existe des cas d'usage par procédé.

Le contrôle qualité par vision, l'usage qui passe le plus souvent

C'est de loin la famille la plus fréquemment déployée en production, et ce n'est pas un hasard. Elle réunit les quatre conditions d'un projet qui aboutit : le signal est riche (une image), la vérité de terrain est disponible (une pièce est bonne ou rebutée), le gain est mesurable en euros, et l'échec est réversible.

Le schéma type est stable : une ou plusieurs caméras en sortie de ligne, un éclairage contrôlé, un modèle de classification ou de détection d'anomalie entraîné sur quelques milliers d'images, un rejet automatique ou une mise en attente pour contrôle humain.

Un ordre de grandeur réaliste sur une ligne de plasturgie produisant 1 200 pièces par heure : un taux de rebut de 1,8 %, dont un tiers détecté trop tard, en aval, après emballage. La détection en sortie de presse permet de récupérer la matière et d'ajuster les paramètres dans la foulée. Sur un poste tournant en trois-huit, on parle de quelques dizaines de milliers d'euros par an de matière et de reprise évitées, pour un investissement d'installation qui se compte en dizaines de milliers d'euros également. Le retour se situe fréquemment entre douze et vingt-quatre mois : ni miraculeux, ni disqualifiant.

Les points qui font échouer ces projets sont connus et récurrents :

• L'éclairage. Un modèle entraîné en hiver sous éclairage artificiel dérive quand la lumière du jour entre par une verrière. La maîtrise de l'éclairage est le vrai prérequis, avant le choix du modèle.
• Le déséquilibre des classes. Sur un procédé maîtrisé, les défauts sont rares par construction. Constituer un jeu d'apprentissage suffisant demande parfois de produire volontairement des pièces défectueuses.
• Le changement de série. Une ligne qui produit vingt références différentes a besoin d'un modèle qui tienne sur toutes, ou d'une bascule automatique fiable.
• Le seuil de décision. Trop strict, on rebute du bon et l'atelier débranche le système en trois jours. Trop souple, il ne sert à rien. Le réglage est un travail de production, pas d'informatique.

La maintenance prédictive : rentable, mais pas partout

La maintenance prédictive est le sujet le plus présent dans les discours et le plus inégal dans les résultats. Elle fonctionne très bien sur une classe précise d'équipements et n'a aucun sens sur les autres.

Les trois conditions de rentabilité sont cumulatives :

1. La panne coûte cher. Un arrêt de ligne complet, une perte de lot en agroalimentaire ou en pharmacie, une casse d'outillage à long délai de réapprovisionnement.
2. La dégradation est progressive et observable. Roulements, paliers, compresseurs, pompes, réducteurs, moteurs : la signature vibratoire ou thermique évolue avant la défaillance. Une carte électronique qui lâche d'un coup n'entre pas dans ce cadre.
3. L'historique existe. Il faut des défaillances passées, datées, qualifiées. Un équipement fiable depuis dix ans ne fournit aucun exemple d'apprentissage, ce qui oblige à basculer sur de la détection d'anomalie non supervisée, moins précise et plus bavarde en fausses alertes.

Sur un site de mécanique, une bonne pratique consiste à commencer par les cinq équipements qui concentrent le plus d'heures d'arrêt sur les trois dernières années. Le calcul se fait avec la GMAO existante, avant tout capteur. Dans la moitié des cas, l'analyse montre que les arrêts sont dus à des causes organisationnelles (rupture d'approvisionnement, changement de série, absence d'opérateur) qu'aucun modèle ne prédira.

C'est le type d'arbitrage qui gagne à être posé avant l'achat, dans une démarche de cadrage de projet IA classique : quel problème, quelle donnée disponible, quelle décision changerait si la prédiction existait.

La planification et l'ordonnancement : le gain silencieux

Troisième famille qui passe en production, et la moins racontée parce qu'elle ne se photographie pas. Il s'agit d'optimiser l'affectation des ordres de fabrication aux machines et aux équipes, en tenant compte des temps de changement de série, des compétences, des délais clients et des contraintes de matière.

Ce n'est d'ailleurs pas toujours de l'apprentissage automatique : une bonne part relève de la recherche opérationnelle, discipline plus ancienne et souvent plus adaptée. La confusion est fréquente et elle est coûteuse, car un problème d'ordonnancement bien posé se résout avec un solveur, pas avec un modèle entraîné.

Là où l'IA apporte quelque chose, c'est en amont : prévoir la demande, estimer les durées réelles d'opération à partir de l'historique plutôt que des gammes théoriques, anticiper les aléas. Un atelier dont les temps de gamme datent de 2011 et n'ont jamais été révisés a souvent plus à gagner d'une réestimation statistique de ses durées que d'un projet d'IA plus ambitieux.

Les gains typiques se situent entre 3 % et 8 % de capacité récupérée, ce qui est modeste en pourcentage et considérable en euros sur un site saturé qui envisageait un investissement machine.

Pourquoi les autres projets restent au stade du pilote

Les raisons sont structurelles et se répètent d'un site à l'autre.

• La donnée n'existe pas sous forme exploitable. C'est le premier obstacle, et de loin. Les automates produisent des états, pas des séries temporelles archivées. Instrumenter correctement une ligne représente souvent six à douze mois avant le premier modèle.
• Le pilote a été fait sur un jeu de données trop propre. Une démonstration menée sur trois mois de production stable ne survit pas au premier changement de fournisseur de matière première.
• Personne ne possède le système après le prestataire. Un modèle qui n'est ni surveillé ni réentraîné se dégrade. Sans référent interne identifié, le système sort de l'usage en un an.
• L'intégration au poste de travail est négligée. Une alerte qui arrive dans un tableau de bord que personne n'ouvre ne produit aucune décision. L'information doit atterrir là où l'opérateur travaille déjà.
• La cybersécurité bloque en fin de parcours. Le raccordement du réseau industriel à un service externe est souvent découvert comme un sujet à la fin du projet, alors qu'il conditionne l'architecture.
• Le calcul de gain n'a jamais été fait. Beaucoup de pilotes n'ont pas d'indicateur de référence avant démarrage, donc pas de moyen de démontrer quoi que ce soit ensuite. C'est le sujet que nous avons traité sur la mesure du gain réel d'un usage d'IA.

Comment un industriel régional peut cadrer un premier projet

Une démarche en cinq points, applicable par un site de cent à cinq cents personnes sans compétence interne en science des données.

1. Partez de l'atelier, pas de la technologie. Listez les cinq principales causes d'arrêt, de rebut ou de retard sur les trois dernières années, avec leur coût. La liste vient de la GMAO et de l'ERP, pas d'un atelier de créativité.
2. Vérifiez la donnée avant d'écrire le cahier des charges. Pour le cas retenu : la donnée existe-t-elle, sur quelle profondeur d'historique, à quelle fréquence, qui y a accès ?
3. Chiffrez l'instrumentation séparément du modèle. C'est la ligne budgétaire qui explose le plus souvent parce qu'elle est confondue avec le reste.
4. Exigez un critère d'arrêt. Fixez avant démarrage le niveau de performance en dessous duquel le pilote sera abandonné, et la date à laquelle on tranche.
5. Nommez un propriétaire interne. Un automaticien ou un responsable méthodes, avec du temps affecté. C'est la condition la plus discriminante entre les projets qui durent et ceux qui s'arrêtent au départ du prestataire.

Sur le choix du partenaire, les critères ne diffèrent pas fondamentalement de ceux que nous avons détaillés pour choisir un prestataire IA à Lyon, avec une exigence supplémentaire : la connaissance du procédé. Un intégrateur qui n'a jamais mis les pieds dans un atelier de presses à injecter sous-estimera systématiquement les contraintes de cadence et d'environnement. L'écosystème régional offre par ailleurs des points d'appui techniques du côté des centres techniques industriels, qui interviennent en amont sur la faisabilité et les essais.

Ce qu'il faut retenir

L'IA dans l'industrie Rhône-Alpes progresse par usages étroits et mesurables, pas par transformation globale. Le contrôle qualité par vision, la maintenance prédictive sur des équipements bien choisis et l'amélioration de la planification constituent aujourd'hui le socle de ce qui tourne réellement en production. Ces trois familles ont en commun d'être adossées à une décision existante et à un indicateur que l'usine suivait déjà.

Pour un site industriel régional, le meilleur point de départ n'est pas un séminaire sur l'intelligence artificielle : c'est l'extraction de trois ans d'historique d'arrêts et de rebuts, et une demi-journée passée à regarder ce que cette liste raconte. Le panorama plus large des filières de l'IA à Lyon donne le contexte, mais la décision, elle, se prend devant la ligne.