Une usine ne produit pas davantage parce qu’on y ajoute de l’intelligence artificielle. Elle produit davantage quand on lève ce qui la ralentit.

« La police partout, la justice nulle part » : cette formule associée à Victor Hugo m’a inspiré une question pour l’industrie du futur. Et si, à force de vouloir mettre de l’IA partout, on finissait par ne plus chercher les gains là où ils se trouvent ?

20 % de capacité de production supplémentaire. Sans intelligence artificielle. Sans agrandir l’usine.

Selon Boeing, c’est ce qu’a obtenu Middlesex Aerospace, fabricant britannique de composants aéronautiques. Le gain est venu d’un travail beaucoup moins spectaculaire : repenser la façon dont les pièces arrivaient jusqu’au poste d’assemblage.

À l’inverse, Airbus décrit un scénario où des algorithmes peuvent repérer les signes d’une défaillance jusqu’à dix jours avant qu’elle ne survienne.

Faut-il en conclure que l’IA est indispensable dans un atelier et inutile dans un autre ? Non. Ces deux exemples rappellent surtout une évidence que les projets de transformation oublient parfois : on ne résout pas tous les problèmes industriels avec le même outil.

Dans la production et la maintenance, j’ai appris à commencer par une question plus terre à terre : pourquoi le matériel est-il arrêté ?

Une pièce manque peut-être. Il attend un passage sur un banc d’essai saturé. Un technicien cherche une information. Une opération est bloquée faute de compétence disponible. Sur un tableau de bord, cela donne le même résultat : un matériel qui ne sort pas. Sur le terrain, les causes et les solutions n’ont pourtant rien à voir.

Chez Middlesex, les pièces étaient là, mais pas au bon endroit

Middlesex assemble notamment des amortisseurs anti-shimmy pour trains d’atterrissage d’A320 : ils empêchent l’atterrisseur de vibrer au roulage. Pour cette activité, l’entreprise devait gérer 46 références de pièces distinctes.

Avec son distributeur, devenu depuis Boeing Distribution Services, elle a revu son approvisionnement : les composants ont été regroupés en kits, préparés dans l’ordre des opérations et mis à disposition directement au poste de travail.

Selon Middlesex, enregistrer les entrées et sorties d’un lot en magasin prenait quatre heures ; trente minutes suffisaient après le passage aux kits. Au poste d’assemblage, réunir et disposer les pièces d’un lot ne prenait plus que trente minutes, contre trois heures trente. Deux tâches distinctes, qui ne s’additionnent pas et ne mesurent pas l’assemblage lui-même.

Le fabricant estime que ce second gain équivaut à une journée de fabrication par semaine. Boeing, dans son étude de 2021, avance 20 % de capacité supplémentaire sans agrandir le site — le fruit de plusieurs années de programme, pas des seuls kits.

La démarche ne reposait pas sur l’IA. La première décision a consisté à revoir un flux : rapprocher les pièces des opérateurs et supprimer le temps perdu autour de l’assemblage. Le scanner et le logiciel de réapprovisionnement ne sont arrivés qu’en 2020, après les gains publiés par Middlesex dès 2018.

Libérer du temps n’équivaut pourtant pas toujours à lever un goulot d’étranglement : une amélioration locale peut simplement déplacer l’attente vers l’étape suivante. Avant d’automatiser, il faut donc savoir quelle perte on supprime — et ce que cela change pour l’ensemble de la production.

Chez Airbus, l’information arrive avant la panne

Parfois, la contrainte est d’une autre nature : savoir à temps qu’un équipement va lâcher.

Airbus en donne une illustration dans un récit publié en juillet 2026, qui retrace une journée type de ses services. En vol, un A330neo transmet ses données. Skywise Fleet Performance+ y repère le comportement anormal d’une vanne du circuit d’air de la cabine, jusqu’à dix jours avant sa défaillance.

Sans intervention, cette défaillance provoquerait une surchauffe de la baie avionique et l’annulation des vols suivants. Repéré tôt, le symptôme permet de programmer le remplacement de la vanne avant la panne, et avant même l’apparition d’une alerte dans le cockpit.

Ces dix jours valent pour ce scénario, non pour toutes les pannes ; quant à la technique, Airbus parle d’algorithmes sans préciser s’il s’agit d’IA.

Ce qui m’intéresse ici, ce n’est pas la promesse technologique en elle-même. C’est ce qu’elle rend possible : passer d’une intervention subie à une intervention préparée.

Encore faut-il disposer de la pièce, du technicien et du créneau de maintenance. Un algorithme peut donner de l’avance. Il ne fabrique pas les ressources nécessaires pour en profiter.

Chez Middlesex, il fallait changer la circulation des pièces ; chez Airbus, rendre une information exploitable à temps. Chaque fois, la réponse découle de la contrainte.

Avec Armtek, nous avons commencé par tout mettre à plat

Cette logique, je l’ai retrouvée dans un travail mené avec Armtek sur une base de maintenance.

Notre point de départ n’était pas : « Quelle IA allons-nous installer ? »

Nous avons d’abord audité les procédures techniques et de maintenance de la base, ainsi que les processus de son organisation industrielle. Il s’agissait de comprendre comment l’ensemble s’articulait et où il bloquait, avant de chercher à le numériser.

Car une procédure écrite ne dit souvent qu’une partie de la réalité d’un atelier. Entre ce qui est prévu, ce que les équipes appliquent et ce qu’imposent les contraintes quotidiennes, des écarts peuvent se creuser. Certains appellent une simplification. D’autres révèlent une documentation à actualiser ou une connaissance détenue par quelques personnes.

À quoi sert de retrouver une procédure en trois secondes si elle ne correspond plus au travail à réaliser ?

L’audit servait justement à poser ce type de question en amont ; la numérisation viendrait ensuite. Je ne présente pas ce chantier comme achevé, et je ne lui prête aucun gain que nous n’aurions pas mesuré.

Il y a aussi une exigence de fond : comprendre une pratique de terrain ne signifie pas qu’on doive aussitôt en faire une procédure officielle. Avant d’intégrer un retour d’expérience au référentiel, il faut en vérifier la pertinence et la conformité, puis le faire valider techniquement.

L’enthousiasme pour l’IA fait facilement oublier cette étape. Une technologie capable de parcourir des milliers de documents ne sait pas, par sa seule vitesse, lesquels sont fiables, à jour et applicables.

Numériser un processus mal compris ne l’améliore pas : cela ne fait qu’en reproduire les défauts, plus vite.

La disponibilité se fabrique, elle ne s’affiche pas

Le sujet touche directement le maintien en condition opérationnelle (MCO) des matériels militaires. La SIMMT, qui pilote la maintenance des matériels terrestres des armées, a publié son Ambition MCO-T 2030. Le document cite explicitement l’intelligence artificielle et la maintenance prédictive parmi ses leviers de modernisation. Il traite tout autant des compétences, des stocks, des capacités industrielles, de l’organisation et de la logistique.

C’est le cœur du problème. On peut mieux anticiper une panne et attendre malgré tout la pièce nécessaire. On peut accélérer un diagnostic sans disposer du moyen d’essai qui permettra de terminer l’intervention. On peut dématérialiser une procédure sans avoir corrigé ses contradictions.

L’IA aide à prévoir, chercher, comparer, organiser. Elle produit de vrais gains quand le problème s’y prête. Mais la disponibilité dépend toujours de la capacité de toute une organisation à transformer une information en action.

Alors, avant de lancer un nouveau projet, je pose trois questions :

  • Qu’est-ce qui bloque réellement ?
  • Qu’est-ce qui prouve que cette action lèvera la contrainte ?
  • Comment mesurera-t-on l’effet sur le résultat final ?

Revoir un flux, anticiper une panne, comprendre une procédure avant de la numériser : trois démarches, une même discipline — partir du problème plutôt que de la solution à vendre.

IA partout, gains nulle part ? Pas nécessairement. Mais si le goulot ne bouge pas, la production non plus.

Les exemples Boeing/Middlesex et Airbus reprennent les résultats ou scénarios publiés par leurs auteurs. Le passage consacré à Armtek s’appuie sur mon expérience personnelle ; il ne constitue pas une communication officielle de l’entreprise ni de l’organisme concerné. Les analyses n’engagent que leur auteur.