L'IA à l'usine : est-ce que cela vaut le coup ?

Une adoption qui double, une usine qui attend

Commençons par la question que tout dirigeant industriel se pose avant d'engager un euro : est-ce que cela vaut le coup pour une entreprise comme la mienne ? La réponse honnête est oui — mais elle appelle immédiatement une nuance, car la moyenne cache l'essentiel. Fin 2025, 18,2 % des entreprises françaises utilisent au moins une technologie d'IA, contre 10 % un an plus tôt (INSEE / Eurostat) : un quasi-doublement en douze mois, qui place la France dans le mouvement européen — l'Union est à 19,95 % en 2025, sur 157 000 entreprises interrogées (Eurostat). Le basculement est réel, rapide, et il ne se limite plus aux grands groupes technologiques.

L'industrie manufacturière, elle, avance en retrait : 7 % des industriels français utilisaient au moins une technologie d'IA en 2024, contre 10 % tous secteurs confondus — même si la progression est réelle (5 % en 2023) (INSEE). Ce retard n'est pas une anomalie française : partout en Europe, l'usine adopte plus lentement que les services. Mais il signifie une chose précise pour un dirigeant industriel : l'avantage concurrentiel est encore à prendre. Dans un secteur où 93 % des concurrents n'ont pas encore structuré leur démarche, le premier qui industrialise un cas d'usage rentable creuse un écart que les suivants mettront des années à combler.

Le clivage décisif n'est d'ailleurs pas sectoriel — il est dimensionnel. En France, 9 % des entreprises de 10 à 49 salariés utilisent l'IA, 15 % des 50-249, et 33 % des 250 et plus ; l'Union européenne reproduit exactement la même pente, à un niveau supérieur : 17 %, 30,4 % et 55 % (INSEE ; Eurostat). Un rapport de un à quatre entre la petite entreprise et le grand groupe. La lecture pessimiste — « la taille décide » — est démentie par le terrain : plusieurs des cas les plus rentables documentés ces derniers mois sont des PME, comme on le verra plus loin. La taille achète la vitesse d'entrée (une équipe dédiée, un budget d'expérimentation, un système d'information consolidé) ; elle n'achète pas la discipline qui transforme un essai en résultat. Le retard existe, il est mesurable — et il tient moins aux moyens qu'à la façon de cadrer le problème.

Dernier signal, et il est contre-intuitif : là où l'IA est entrée en usine, elle n'a pas commencé par la production. Parmi les industriels européens utilisateurs d'IA, les finalités dominantes sont le marketing et les ventes (30,4 %), puis l'administration et le management (27,1 %) — la production n'arrive pas en tête (Eurostat). L'IA est entrée à l'usine par les bureaux, pas par les lignes. Pour le dirigeant, cette anomalie est une information stratégique : la marge de progression se situe exactement là où se crée la valeur industrielle — devis, qualité, maintenance, procédé — et c'est précisément là que les retours documentés sont les plus élevés.

La dynamique côté dirigeants confirme que le sujet a changé de statut. Chez les PME et ETI françaises, l'usage d'IA générative par le dirigeant lui-même est passé de 31 % à 55 % en un an (Bpifrance Le Lab) ; 43 % ont défini une stratégie IA, et 58 % jugent l'IA importante ou très importante pour la pérennité de leur entreprise à trois-cinq ans (Bpifrance Le Lab). La question n'est plus « faut-il y aller » : elle est « par où, et avec quelle discipline ».

Le paradoxe : jamais autant d'usage, toujours aussi peu d'impact

Utiliser l'IA « quelque part » est devenu banal : 88 % des organisations déclarent l'utiliser dans au moins une fonction (McKinsey). En tirer un résultat qui se voit dans les comptes reste l'exception : 39 % seulement attribuent à l'IA un impact sur leur résultat d'exploitation, le plus souvent inférieur à 5 % (McKinsey) ; à peine 5 % des organisations ont réellement déployé l'IA à l'échelle (Capgemini / Microsoft) ; et environ 95 % des pilotes d'IA générative ne produisent aucun retour mesurable sur le compte de résultat (MIT Project NANDA).

Ces quatre chiffres racontent une seule histoire, et elle est utile parce qu'elle disculpe la technologie. Si 88 % utilisent et que 5 % seulement transforment, le goulot n'est pas l'accès aux modèles — il est dans ce qui les entoure : des données non préparées, des processus inchangés, et surtout une mesure du résultat qui n'a jamais été posée. Un pilote lancé sans chiffre de départ ne peut ni réussir ni échouer : il ne peut que durer. C'est le mécanisme exact qui alimente les 95 % du MIT — non pas des technologies défaillantes, mais des démonstrations jamais converties en décisions.

L'industrie française illustre ce paradoxe avec précision. Bpifrance classe les dirigeants industriels d'abord parmi les « Expérimentateurs » — 28 % de l'échantillon : ouverts à l'IA, encourageant son exploration, mais freinés dans le déploiement par les contraintes financières et le manque d'expertise interne (Bpifrance Le Lab). Le profil type n'est donc ni le sceptique ni le converti : c'est l'industriel qui a essayé, a vu que « cela marche », et ne sait pas comment passer du démonstrateur au poste de production. Toute la suite de ce rapport s'adresse à lui.

Un dernier ordre de grandeur mérite d'être posé : au sein d'un même secteur, l'écart de maturité entre le tiers le plus avancé et le tiers le plus en retard dépasse fréquemment un facteur trois (fourchette — estimation YPrtnrs Institute). Votre secteur compte moins que l'état de vos données. C'est une bonne nouvelle : contrairement au secteur, cet état se change.

Si 88 % utilisent et que 5 % transforment, le problème n'est pas la technologie : c'est tout ce qu'on n'a pas fait autour d'elle.

Six familles de cas d'usage, une logique commune

La valeur ne se répartit pas uniformément dans l'usine : elle se concentre dans un petit nombre de familles de cas d'usage qui partagent trois traits. La tâche est répétée souvent ; son coût actuel est mesurable ; l'amélioration se traduit directement en temps gagné, matière économisée ou erreurs évitées. Quand les trois conditions sont réunies, l'IA paie ; quand elles manquent, elle produit des démonstrations qui n'engagent personne. Six familles remplissent aujourd'hui ces conditions en production, avec des résultats publiés — et l'intérêt de les passer en revue n'est pas de les collectionner, mais de comprendre pourquoi chacune fonctionne, pour reconnaître celle qui correspond à votre situation.

Le devis et le chiffrage constituent souvent le meilleur point d'entrée, pour une raison structurelle : les données nécessaires — l'historique des ventes et des prix — existent déjà, et le gain se mesure en jours dès la première semaine. Chez Yaskawa, l'un des leaders mondiaux de la robotique industrielle, le temps de production d'un devis commercial est passé de huit jours à un jour sur un catalogue de plus de 120 modèles configurables (Tacton). Flowserve, fabricant de pompes et de vannes, a multiplié son débit de devis par 2,5, ramené le temps unitaire à 5-20 minutes, et porté la ponctualité de livraison des devis de 85 % à 95 % (Oracle CPQ). Xometry pousse la logique à son terme : son moteur analyse la géométrie du fichier CAO déposé par le client et configure prix et délais en quelques instants (Xometry). La leçon dépasse le devis : partout où un expert passe des heures à re-calculer ce que l'historique sait déjà, la même mécanique s'applique.

La qualité par vision industrielle est la famille la plus mûre du marché — celle où l'écart entre grands groupes et PME s'est le plus refermé. Bosch a ramené ses taux de faux rejets à 5 % avec un temps de cycle réduit de 15 %, et fait tourner l'IA dans une cinquantaine d'usines sur plus de 2 000 lignes connectées (Bosch). BMW a généralisé AIQX, son contrôle qualité par caméras et apprentissage profond, à l'ensemble de ses usines (BMW Group) ; Michelin compte l'inspection des pneumatiques parmi plus de 200 cas d'usage IA en production (Michelin / Dataiku). Mais le cas le plus instructif pour un dirigeant de PME est ailleurs : Setic Pourtier, 85 personnes à Roanne, fabricant de machines pour l'industrie du câble, a intégré la vision artificielle directement dans ses machines pour un suivi qualité continu (France Num). Ce qui exigeait hier une équipe data exige aujourd'hui une caméra, un modèle standard et un intégrateur — le contrôle visuel automatisé est devenu un équipement, plus un projet de recherche.

La maintenance prédictive achète du temps de production, et son économie tient en une condition : l'existence d'un historique de pannes. Quand il existe, le retour est rapide — un constructeur automobile a réduit ses arrêts non planifiés de 12 % en douze semaines avec Siemens Senseye (Siemens) ; BMW évite plus de 500 minutes d'interruption de montage par an à Ratisbonne en surveillant ses convoyeurs (BMW Group) ; la SNCF surveille en continu plus de 1 100 rames (SNCF) ; easyJet a évité environ 80 annulations de vols en deux mois avec Airbus Skywise (Airbus / easyJet). Quand l'historique n'existe pas, la famille déçoit : le capteur ne remplace pas la mémoire, il commence seulement à la constituer. C'est le premier arbitrage honnête à rendre — et beaucoup de déceptions viennent de l'avoir esquivé.

Le procédé et l'énergie forment la famille la plus discrète et la plus défendable : ses gains sont récurrents, contractuels, et tombent directement en bas du compte de résultat. ArcelorMittal constate un retour sur investissement inférieur à deux ans sur le pilotage de ses fours au Luxembourg (ArcelorMittal) ; HeidelbergMaterials a réduit de 2,2 % la consommation énergétique d'une cimenterie par pilotage IA du four (HeidelbergMaterials) ; Unilever a économisé 2,8 millions de dollars d'énergie et gagné 1 à 3 % de productivité sur son site de Valinhos grâce à un jumeau numérique (Unilever). À l'extrême du spectre, l'usine Schneider Electric de Putuo affiche +82 % de productivité par personne et un cycle de développement produit réduit de 63 % (Schneider Electric) — et Air Liquide a divisé par deux ses erreurs de comptage nocturne des stocks en faisant « nettoyer » les images par IA générative avant analyse (Air Liquide). Dès qu'un poste énergie ou matière pèse dans vos coûts, cette famille mérite l'étude en priorité.

La supply chain et les achats sont la famille où les groupes chiffrent les plus gros retours absolus — Michelin évalue le retour de ses projets data/IA à plus de 50 millions d'euros par an, détection anticipée des ruptures de stock en tête (Michelin / Dataiku) ; BMW a réduit de 40 % le temps de préparation de ses appels d'offres avec un système multi-agents utilisé par 1 800 acheteurs (BMW Group) ; Siemens a identifié en quelques jours quelque 150 distributeurs d'un polymère critique pour sécuriser un approvisionnement (Siemens / AWS). L'effet est proportionnel aux volumes — ce qui en fait une famille de second temps pour une PME, et de premier temps pour une ETI multi-sites.

La connaissance technique, enfin, est la famille la plus récente et peut-être la plus transformatrice à terme : elle rend interrogeable le savoir accumulé de l'usine. Plus de 100 entreprises industrielles utilisent l'Industrial Copilot de Siemens pour l'ingénierie d'automatismes en langage naturel (Siemens) ; Schneider Electric réduit de moitié le temps de configuration et de documentation — des changements de ligne passés de semaines à heures (Schneider Electric) ; chez Airbus, les équipes interrogent les instructions de fabrication en langage naturel au lieu de parcourir des dizaines de pages, et chez Renault, l'opérateur décrit la panne pour recevoir des pistes de réparation (Airbus ; Renault). Le prérequis est une base documentaire propre — raison pour laquelle cette famille récompense d'abord ceux qui ont investi dans leurs modes opératoires.

Six familles, un point commun : le gain ne vient pas du modèle. Il vient d'une tâche répétée dont le coût était mesuré avant — et mesuré après.

La preuve à taille française

L'objection classique — « ces résultats sont des résultats de groupes » — ne tient plus. Les cas français documentés à taille PME et ETI racontent la même histoire que Bosch ou Michelin, avec les mêmes règles : mesurer le coût de départ, instrumenter, décider. Et ils ajoutent une leçon que les groupes n'enseignent pas : à taille humaine, la discipline remplace les moyens.

Mis bout à bout, ces cas dessinent le portrait-robot du projet qui aboutit à taille intermédiaire : un périmètre étroit, une donnée qui existait déjà, un coût de départ chiffré, et une date de décision fixée avant de lancer l'essai. Aucun de ces quatre ingrédients ne coûte cher. Chacun manque dans la majorité des pilotes qui s'enlisent.

Le vrai chiffrage : la règle 10/20/70 et les 70 % oubliés

Pourquoi tant de projets dépassent-ils leur budget ? Parce que le chiffrage initial décrit presque toujours le même objet — la licence et l'intégration — alors que le coût réel se loge ailleurs. La répartition de l'effort d'un projet d'IA réussi est aujourd'hui bien établie : 10 % d'algorithmes, 20 % de technologie et de données, 70 % de processus et de conduite du changement (BCG). Autrement dit, l'algorithme est la petite part du travail — et c'est précisément la seule que la plupart des budgets chiffrent.

Les conséquences comptables sont documentées. Dans un projet IA, 55 à 75 % du coût total se situe hors de la licence logicielle — mise en place, conduite du changement, fonctionnement (estimation YPrtnrs Institute) ; et l'écart entre le coût réellement constaté et le budget annoncé au départ atteint fréquemment un facteur deux à quatre (Gartner). Le dépassement n'est pas une fatalité : il est la trace comptable des 70 % qu'on n'avait pas voulu voir. Un dirigeant qui exige un chiffrage où la conduite du changement et le fonctionnement sont visibles dès la première page élimine, avant de commencer, la première cause de déception.

Face à ces coûts, les retours documentés restent nettement favorables — à condition d'aller au bout. L'investissement en IA générative rapporte en moyenne 3,7 dollars par dollar investi, et 10,3 dollars pour les organisations les plus avancées (IDC). Quant au délai, les cas cités dans ce rapport bornent la fourchette : six semaines quand les données étaient prêtes (Safran/Pelico), douze semaines sur un historique de pannes existant (Senseye), moins de deux ans sur le pilotage énergétique (ArcelorMittal) — et jusqu'à dix-huit mois quand tout est à construire. Le délai de retour n'est pas une propriété de la technologie : c'est une propriété de l'état de vos données au départ.

Le parcours d'un projet — et ses quatre points de rupture

Les post-mortems de projets IA industriels se ressemblent. En les superposant, on voit apparaître un parcours type — et quatre points de rupture où la trajectoire bascule, presque toujours aux mêmes endroits. Les connaître avant de commencer change la nature du projet : chaque rupture se prévient par une décision qui ne coûte rien, à condition d'être prise avant le lancement.

1. Rupture n°1 — le choix du cas d'usage : le pilote-vitrine. Le cas est choisi pour son effet de démonstration, pas pour son coût mesurable. Sans chiffre de départ, le pilote ne peut ni réussir ni échouer : il rejoint les ≈ 95 % sans retour mesurable (MIT NANDA). La parade : choisir dans l'une des six familles documentées, là où votre coût actuel est le plus facile à chiffrer.
2. Rupture n°2 — l'audit de données : l'optimisme. Les industries de process (agroalimentaire, chimie, plasturgie) disposent souvent d'un historique dense capté par leurs automatismes ; la mécanique discrète (usinage, chaudronnerie, assemblage) vit avec des données fragmentées entre ERP, fichiers et mémoire d'équipe. Le même cas d'usage n'a pas le même coût d'entrée selon ce point de départ. La parade : un audit de la donnée du seul cas choisi — pas de toute l'usine — avec verdict écrit sous quinze jours.
3. Rupture n°3 — le chiffrage : les 70 % invisibles. Le budget décrit la licence et l'intégration, et découvre en cours de route la formation, l'adaptation des processus et le fonctionnement — d'où le facteur ×2 à ×4 (Gartner). La parade : exiger un chiffrage en coût total où les 70 % sont visibles avant signature.
4. Rupture n°4 — la décision : le pilote qui dure. Aucune date de décision n'a été fixée ; le pilote est reconduit de trimestre en trimestre, « prometteur » sans jamais être tranché. Et lorsque la confiance remplace le contrôle, l'addition peut être publique : Deloitte Australie a dû rembourser partiellement un rapport gouvernemental à 290 000 dollars australiens contenant des citations fabriquées par IA (The Register) — en usine comme ailleurs, tout livrable IA passe un contrôle humain tant que son taux d'erreur n'est pas caractérisé. La parade : inscrire la date de la décision — industrialiser ou arrêter — dans l'agenda du comité de direction avant le premier jour du pilote.

Chaque rupture se prévient par une décision qui ne coûte rien — à condition d'être prise avant de commencer, pas après.

Ce que le dirigeant doit décider — et quand

Ni un plan de transformation à trois ans, ni un moratoire prudent : la trajectoire qui fonctionne, à en juger par les cas menés à terme, tient en cinq décisions sur quatre-vingt-dix jours — chacune avec son indicateur, chacune répondant à l'un des points de rupture ci-dessus.

1. Choisir une famille, pas une technologie. Parmi les six familles documentées, prendre celle où votre coût actuel est le plus mesurable. Indicateur : un chiffre de coût de départ validé (heures, rebuts, kWh, retards).
2. Auditer la donnée du cas choisi — pas toute l'usine. Existe-t-elle, est-elle accessible, depuis quand ? Indicateur : verdict écrit en quinze jours.
3. Chiffrer en coût total. Licence + intégration + conduite du changement + fonctionnement, en appliquant la règle 10/20/70 et la fourchette 55-75 % hors licence. Indicateur : un budget où les 70 % sont visibles.
4. Fixer la date de décision avant de commencer. Industrialiser ou arrêter, à douze ou vingt-quatre semaines selon la famille. Indicateur : la date figure dans l'agenda du comité de direction.
5. Instrumenter la mesure dès le premier jour. Le chiffre d'arrivée se compare au chiffre de départ, sur le même périmètre. Indicateur : tableau de bord avant/après actif dès la semaine 1.

Le troisième scénario — ne rien faire — a aussi un prix, même s'il n'apparaît sur aucun budget : l'écart d'adoption entre tailles d'entreprise se creuse chaque année depuis 2023 (INSEE ; Eurostat), et les gains documentés dans ce rapport sont récurrents — chaque année de retard les laisse aux concurrents. C'est exactement la discipline qui sépare les ≈ 5 % qui passent à l'échelle des ≈ 95 % qui pilotent sans fin : pas plus de moyens — plus de méthode.