L'industrie manufacturière n'est pas un environnement de bureau auquel on aurait ajouté des machines. C'est un secteur où un processus physique — matière première, transformation, produit — est prépondérant, et où les systèmes numériques suivent toujours ce processus ou doivent veiller à ce qu'il continue de fonctionner. Cet ordre déterminant définit ce que signifie la maturité IA dans ce contexte. Un système ERP, un MES, des capteurs sur une machine : ils existent pour soutenir le processus physique, pas pour fonctionner de manière autonome. C'est fondamentalement différent de ce qui se passe dans les services aux entreprises, où le travail lui-même est déjà numérique et où les données constituent un point de départ plutôt qu'un dérivé.
Cette stratification complique la mesure de la maturité. Une entreprise de production peut disposer d'une application de planification moderne et pourtant n'avoir aucune idée de ce que fait réellement la machine sur le terrain, parce que ces données n'ont jamais été exploitées. Inversement, une entreprise disposant de logiciels obsolètes peut avoir une bonne visibilité sur son processus, parce que le personnel enregistre méticuleusement les données depuis des années. Maturité et modernité des systèmes ne vont pas automatiquement de pair ici.
Parmi les sept dimensions utilisées par la mesure de maturité, un schéma spécifique apparaît souvent dans l'industrie manufacturière. L'infrastructure informatique et la gestion des données — deux des dimensions fondamentales — révèlent régulièrement un écart important entre la production et les bureaux. Sur le terrain, les systèmes sont conçus pour la fiabilité et la disponibilité, pas pour le partage de données. Dans les bureaux, les systèmes sont bien conçus pour l'échange, mais ne sont pas toujours connectés à ce qui se passe réellement dans l'usine. Ces deux mondes utilisent souvent des définitions différentes d'un même terme, et cela passe inaperçu jusqu'à ce qu'un projet d'IA s'échoue dessus.
La dimension organisationnelle présente un schéma qui lui est propre. Les décisions d'investissement dans les processus de production reviennent souvent à des personnes ayant une formation technique, tandis que les décisions relatives à la stratégie des données reviennent à d'autres. Lorsque ces deux groupes se retrouvent rarement autour de la même table, il en résulte une organisation qui semble prête pour l'IA sur le papier, mais qui suit dans la pratique deux agendas distincts. C'est une dispersion différente de celle observée dans l'enseignement, où l'écart se situe plus souvent entre les politiques et la pratique quotidienne du professionnel, et non entre deux filières opérationnelles au sein d'une même entreprise.
Le tour de scoring — où plusieurs personnes évaluent indépendamment les sept dimensions — révèle souvent, dans l'industrie manufacturière, un contraste marqué entre la direction de production et la couche informatique ou de direction générale. Un responsable de production évalue parfois haut la dimension gestion des données, parce que la machine enregistre précisément ce qui se passe. Un responsable informatique évalue cette même dimension bas, parce que ces données ne sont stockées de manière structurée ni exploitées pour l'analyse nulle part. Les deux observations sont correctes ; elles portent simplement sur une partie différente du processus.
Cette dispersion est fonctionnelle, pas gênante. Elle montre où une vision partagée fait défaut au sein de l'organisation, et c'est précisément l'information nécessaire avant d'ajouter quoi que ce soit à un pilote. Un pilote qui s'appuie sur les dimensions fondamentales — organisation, infrastructure, données — sans que cette dispersion ait été identifiée risque de s'enliser sur un problème que personne n'avait formulé, parce que personne n'avait la vision complète.
Comme le processus physique est prépondérant, la tentation dans l'industrie manufacturière est souvent d'orienter directement l'IA vers un problème opérationnel : prédire la maintenance, contrôler la qualité, optimiser la planification. Ce sont des applications visibles et attrayantes sur les dimensions dépendantes. Mais leur réussite dépend de ce qui doit être en place au préalable : les données issues de la machine sont-elles enregistrées de manière réutilisable, y a-t-il une personne responsable de la qualité de ces données, et existe-t-il une structure organisationnelle où production et informatique partagent les mêmes définitions. Sans ce fondement, un pilote reste une expérience isolée, quelle que soit la qualité du modèle.
Cet ordre ne s'applique pas seulement ici. Dans le secteur du transport, une tension comparable existe entre systèmes opérationnels et données centralisées, et dans le secteur agricole, le processus physique — la culture, l'animal, la saison — est tout autant prépondérant sur ce que les systèmes numériques peuvent enregistrer et influencer. L'industrie manufacturière ne constitue pas une exception à cette logique, mais bien un secteur où les conséquences d'un fondement négligé deviennent rapidement visibles sur le terrain.
La mesure de maturité ne porte aucun jugement sur une usine ou un secteur ; elle donne une image de cinq niveaux répartis sur sept dimensions, renseignée par plusieurs personnes de l'organisation elle-même. Cette image montre où se situent déjà les dimensions fondamentales et où elles manquent encore, ainsi que les points sur lesquels les avis au sein de l'entreprise diffèrent. C'est une conversation différente de celle consistant à savoir si un pilote est impressionnant ; c'est la conversation sur la capacité de l'organisation à porter un pilote.
Une fois établi où se situe l'organisation sur les dimensions qui doivent porter l'IA, une autre question se pose : quelle partie du travail lui-même est éligible à un transfert vers l'IA. Ce n'est pas ce à quoi répond cette mesure. C'est à cela que sert le scan de travail de FTE TO AI, qui calcule pour chaque tâche quelle part peut être reprise par l'IA. La mesure de maturité et le scan de travail se complètent : l'une montre si le fondement est en place, l'autre montre ce qui change dans ce travail, compte tenu de ce fondement. Combiner les deux images permet de savoir non seulement si l'organisation est prête, mais aussi où se manifestera concrètement le premier changement.
La mesure de maturité de hybridresourcing est en cours de développement. Toute personne souhaitant réaliser le tour de scoring dès qu'il sera disponible peut s'inscrire sur la liste d'attente.
Vraag maar wat er moet staan voordat AI in uw organisatie kan landen.
Answers come from this site’s knowledge base. Not tailored advice, and not a scan of your company.