Qu’apporte l’IA générative dans le domaine de la production? Un entretien avec des experts

Quelle est l’importance de l’intelligence artificielle générative pour l’industrie manufacturière? Au cours d’un entretien, les deux experts Swisscom Michael Rieger et Hanspeter Groth explorent les possibilités et les limites de celles-ci, et proposent des aides initiales pour les entreprises.

Bref résumé de l’entretien

Dans cet entretien approfondi, Michael Rieger (à gauche sur la photo de l’article) et Hanspeter Groth (à droite sur la photo) discutent des possibilités d’utilisation et des effets de l’IA générative (generative AI) dans l’industrie manufacturière. En effet, l’IA générative peut présenter de nouveaux contenus et des solutions de manière autonome. Cela ouvre la voie à des approches créatives et innovantes.

Les avantages de l’IA générative dans l’industrie manufacturière sont multiples, à l’exemple des chatbots qui fournissent des instructions de montage spécifiques, des solutions de soutien aux RH, ou encore de l’amélioration des prévisions. Ces avantages peuvent ainsi conduire à une amélioration de la qualité des produits et de l’efficacité.

Mais malgré le potentiel d’automatisation et d’amélioration de l’efficacité, l’expertise humaine reste essentielle. Cela vaut surtout pour l’interprétation des résultats fournis par l’IA ainsi que pour la réussite de la mise en œuvre de projets d’IA. Une stratégie globale et une gouvernance adaptée sont donc décisives.

L’intelligence artificielle, en particulier l’IA générative, est un terme à la mode en ce moment. Quelle est la situation dans l’industrie manufacturière?

Hanspeter Groth: L’IA n’est pas un sujet nouveau. Je ne connais aucune entreprise industrielle qui ne l’utilise pas. Mais on parle alors d’une IA classique, par exemple pour adapter dynamiquement les stocks en fonction des besoins et de la demande ou pour faire d’autres prévisions. Les entreprises du secteur de la vente au détail, par exemple, tiennent compte des prévisions météorologiques pour planifier les stocks de glaces dans leurs magasins. On utilise ici des modèles d’IA que l’entreprise entraîne elle-même et qu’elle a intégrés dans ses propres processus.

L’IA générative passe maintenant à l’étape suivante. J’aimerais savoir comment bien faire la différence entre les deux.

Michael Rieger: C’est facile à distinguer. Comme tu l’as expliqué, les entreprises utilisent jusqu’alors l’IA classique pour établir des prévisions à partir de modèles de données existants. L’IA générative se distingue par sa capacité à créer de nouveaux contenus de manière autonome, au lieu d’automatiser uniquement des tâches prédéfinies ou de réagir à des données antérieures. Cette capacité permet à l’IA générative de soutenir les gens dans leur créativité en leur fournissant des idées, en prenant en charge des tâches routinières et en accélérant les processus créatifs. Avec l’IA classique, cela n’est possible que de manière limitée.

Hanspeter Groth: Cela signifie-t-il donc, par exemple, que l’on n’utilise pas seulement des données internes pour la planification, mais aussi d’autres données? Cela me permettrait d’analyser les concurrents et les tendances du marché et de générer un tout nouveau pronostic, ce qui n’est pas possible avec l’IA classique.

Toutefois, cela implique que je puisse accéder aux données dont j’ai besoin et que je leur fasse confiance. Pour entraîner des modèles d’IA classiques, j’ai dû préparer et structurer mes données avec précision. Cela n’est-il plus nécessaire dans le cadre de l’IA générative?

Michael Rieger: L’IA générative peut bien sûr exploiter des données structurées, mais elle peut aussi travailler efficacement avec des données non structurées. En effet, les modèles d’IA générative sont capables de tirer de précieuses informations à partir d’une multitude de formats de données.  Pour le dire de manière un peu familière, on a par exemple alimenté ChatGPT avec des contenus provenant d’Internet sans structurer strictement les données. Le résultat est un modèle capable de couvrir une multitude de langues et surtout de thèmes qu’une personne seule ne serait probablement pas en mesure de maîtriser.

Cela montre que l’IA générative peut fournir de bons résultats même en intégrant des données non structurées. Les entreprises profitent énormément de cette différence, car la majorité des données sont justement disponibles sous une forme non structurée. De nouvelles données, telles que les publications sur les réseaux sociaux, peuvent être introduites directement sans qu’il soit nécessaire de les structurer au préalable. L’IA générative traite donc les informations de la même manière que nous, les êtres humains.

Comment se présente l’utilisation de l’IA générative dans la pratique?

Hanspeter Groth: Je peux m’imaginer l’exemple d’application suivant: une entreprise fabrique des centaines de produits qui sont tous très similaires. Les tâches changent donc souvent pour les collaborateurs responsables du montage. Toutes les instructions de montage sont disponibles sous forme de texte, c’est-à-dire qu’elles ne sont pas très bien structurées. Jusqu’à présent, les employés devaient chercher les bonnes instructions ou demander à leur chef d’équipe.

Avec l’IA générative, un chatbot pourrait être entraîné avec ces informations. Les collaborateurs pourraient alors lui poser leurs questions et recevraient des réponses de haute qualité. Qu’est-ce que tu en penses, Michael?

Michael Rieger: Exactement, c’est un bon exemple. Les modèles d’IA générative sont déjà préentraînés et maîtrisent étonnamment bien le langage humain. Ces modèles d’IA peuvent en outre être enrichis de connaissances spécifiques internes à l’entreprise, dans ce cas des instructions de montage. Ces connaissances peuvent être consultées par les collaborateurs dans un langage naturel via un chatbot. Si la base de données est bonne, celle-ci peut fournir de bons résultats, même si certaines données ne sont disponibles que de manière non structurée.

«Les modèles d’IA générative sont capables de tirer de précieuses informations à partir d’une multitude de formats de données.»

Michael Rieger, stratège technique au bureau CTO de Swisscom

Cela ne s’applique pas seulement à l’industrie manufacturière, mais bien à toutes les branches. Je pense par exemple à un service après-vente. On y trouve beaucoup de données non structurées, provenant par exemple d’e-mails et d’appels. Ces informations peuvent être directement utilisées par l’IA générative sans avoir besoin d’être structurées au préalable.

Hanspeter Groth: Pour revenir sur le thème des prévisions: par le passé, je savais à peu près quel client achetait quelle quantité et à quelle période. Dans la production, c’est ce qui nous a permis d’établir des prévisions au cours des 20 dernières années. Désormais, je vais pouvoir aller plus loin et compléter les prévisions par une analyse de la concurrence avec des données non structurées. Je peux regarder ce qui se passe sur le marché et ce que je trouve sur Internet et dans les rapports de gestion: les ventes de mes concurrents, ce qu’ils planifient et où ils investissent, ce qui préoccupe mes clients et les tendances qui pourraient avoir un impact. Je peux maintenant rassembler toutes ces informations et les utiliser avec l’IA générative.

Bien sûr, il me faudra toujours quelqu’un pour confirmer que je peux vraiment faire confiance à ces informations, comme je l’ai déjà dit. Mais l’IA générative peut me rendre plus efficace et meilleur dans l’analyse de la concurrence.

Michael Rieger: Exactement, l’IA générative est utile là où des informations provenant de différentes sources doivent être rassemblées et interprétées. Peut-être que j’aimerais évaluer la situation géopolitique et savoir si cela fait de l’entreprise un bon fournisseur ou si je risque de faire face à une pénurie. L’IA générative peut traiter ces données, identifier le lien entre la situation géopolitique et mon fournisseur et l’établir comme point de référence. Cela me permet d’inclure des aspects dont je n’avais peut-être pas conscience.

Quel est l’impact de l’IA générative sur le travail des collaborateurs?

Hanspeter Groth: Pour moi, cela signifie aussi que j’ai besoin de plus de collaborateurs capables de raisonner dans des contextes et de poser des questions critiques. L’IA générative devient alors extrêmement précieuse. Mais ce n’est pas quelque chose que tout le monde peut facilement appliquer sans connaissances préalables. Je ne parle pas d’améliorer un texte avec Copilot, mais plutôt d’optimiser les processus à l’aide d’une IA générative, d’améliorer les prévisions ou de trouver la bonne candidature dans les RH. Qu’en penses-tu?

Michael Rieger: Je suis d’accord avec toi. L’IA générative, tout comme l’IA classique, offre aux collaborateurs la possibilité de déléguer certaines tâches. Les résultats que je reçois de l’IA générative doivent ensuite être contrôlés par les collaborateurs en matière de qualité. Pour ce faire, il est constamment nécessaire de disposer de collaborateurs qualifiés qui sont en mesure d’examiner les informations de manière critique.

Hanspeter Groth: Il est donc important qu’une entreprise maîtrise bien plus que la technologie – pour des raisons de sécurité et de gouvernance, mais aussi au regard des collaborateurs. Il y a certainement des emplois qui changent avec l’IA générative. Par exemple, un poste peut désormais consister à vérifier les résultats d’une IA générative.

Michael Rieger: Oui, il est très important que toute l’organisation franchisse cette étape. Dans l’industrie manufacturière, nous avons vu qu’une nouvelle technologie a d’abord une fonction de soutien pour les cols bleus. Mais peu à peu, le rôle des monteurs change. L’IA générative modifie également le travail des cols blancs. Les entreprises doivent être prudentes à cet égard. Car il y a – c’est compréhensible – de nombreuses personnes qui considèrent l’IA moins comme un avantage en matière d’efficacité que comme une menace pour leur emploi.

Dans quels domaines les entreprises manufacturières pourraient-elles utiliser l’IA générative?

Hanspeter Groth: Dans l’environnement de la production, l’IA devrait être utile dans presque tous les domaines. Commençons par l’interaction avec les clients. Dans ce domaine, les entreprises doivent notamment comprendre et interpréter les interactions liées au service, orienter les clients vers les bons canaux et tirer des enseignements de ces interactions pour améliorer le service, le rendre plus rapide et plus efficace.

Si nous examinons les domaines de la planification, de la logistique et des finances, nous constatons souvent qu’il existe des systèmes ERP, par exemple SAP. Là aussi, il est possible d’être plus efficace. Comme les données sont très structurées, il est peut-être plutôt approprié de recourir à une IA classique pour identifier des patterns et comprendre quels clients achètent quand et pourquoi. Ici, on pourrait tout à fait penser aux Low Hanging Fruits.

«Il existe des cas d’application extrêmement intéressants de l’IA générative pour une entreprise manufacturière.»

Hanspeter Groth, Industry Leader pour la fabrication chez Swisscom

Je peux également imaginer un gain d’efficacité dans l’environnement de la vente. Un constructeur de machines a toujours des offres complexes. Si j’utilise l’IA générative, celle-ci peut générer une ébauche individuelle pour une nouvelle offre à partir des offres existantes. L’offre n’est évidemment pas terminée, car je dois encore l’examiner et lui ajouter des contenus. Mais cela m’aide à prendre en compte tous les éléments dont j’ai besoin et peut-être même à réutiliser certains éléments tels quels. Ce sont des cas d’application extrêmement intéressants pour une entreprise.

Pourquoi les entreprises manufacturières devraient-elles utiliser l’IA?

Hanspeter Groth: Les entreprises vendent de moins en moins de machines, mais les services qui les accompagnent prennent de plus en plus d’importance.  Il s’agit en fin de compte de permettre aux clients d’utiliser les machines et les produits de manière efficace et efficiente dans l’exploitation. L’IA peut y contribuer, en proposant par exemple une maintenance prédictive ou des conseils aux clients sur la manière d’optimiser la production.  Grâce à l’IA, une entreprise pourrait en outre déterminer dans quels services et chez quels collaborateurs l’efficacité est élevée et dans quels cas elle ne l’est pas.

Même si je ne peux pas calculer exactement le Business Case avec l’IA, quelqu’un d’autre le fera si je ne le fais pas. Et peut-être qu’un jour, je sortirai du marché parce que je ne pourrai plus rivaliser avec mes produits et services. Il faut donc trouver un moyen de progresser vers l’avenir.

Michael Rieger: Ce que tu as dit est très important. En tant que prestataire de services, que ce soit dans l’industrie manufacturière ou dans tout autre secteur, les clients ont certaines exigences quant à la manière dont ils souhaitent obtenir un service. Si un assistant basé sur une IA est disponible 24 heures sur 24 lors de la sélection des produits et facilite le processus d’achat pour le client, cela pourrait devenir une USP pour l’entreprise concernée et donc apporter un avantage sur le marché.

Hanspeter Groth: D’ailleurs, le modèle de réussite suisse ne consiste généralement pas à produire le moins cher, mais à fournir ce qu’il y a de mieux dans notre niche – la meilleure expérience client, la machine de pointe qui répond le mieux aux exigences des clients, avec le service nécessaire.

Ça veut dire que je dois m’accrocher, sinon je me fais dépasser. Je dois réfléchir à la façon dont ces technologies s’intègrent dans mon entreprise. Il n’y a qu’ainsi que je peux rester compétitif dans mon domaine.

Michael Rieger: Les entreprises doivent veiller à ce que la technologie ne les dépasse pas. Au lieu d’essayer d’être le premier à appliquer l’IA générative dans tous les domaines de l’entreprise, il convient de se concentrer sur la solution qui apporte le plus de bénéfices et de l’implémenter ensuite dans l’entreprise. L’entreprise peut ensuite évaluer ce qu’elle a apporté et ce que cela signifie pour le Business Case: est-ce que c’est quelque chose que je dois subventionner ou quelque chose qui se finance soi-même? Ou encore quelque chose que mes clients attendent de moi?

Dans le secteur manufacturier, j’ai l’impression que la chaîne d’approvisionnement a connu de grandes turbulences ces dernières années. Comment évalues-tu l’impact de l’IA générative dans la chaîne d’approvisionnement? Pour moi, c’est l’un des thèmes les plus importants.

Hanspeter Groth: Il s’agit d’un sujet complexe. Aurait-on pu prévoir les pénuries avec l’IA générative, comme celles qui sont apparues à cause de la guerre en Ukraine? Je n’en suis pas sûr. Mais d’un autre côté, lorsque j’ai plus de données, je peux mieux planifier quand et où j’ai besoin de quel matériel. Tout au long de la chaîne d’approvisionnement, malgré une planification méticuleuse pour les matières premières, les produits intermédiaires et les produits finis, j’ai rarement les stocks optimaux. J’en ai souvent trop ou pas assez.  Si nous parvenons maintenant à combiner les connaissances très structurées issues du logiciel de planification avec des connaissances supplémentaires issues de l’IA générative, cela nous aidera à nous améliorer. Il devrait être possible de réduire les stocks de 1 à 2 %, ce qui représenterait alors un gain net. Dans ce cas, on n’aurait probablement même pas besoin de calculer le projet, il serait immédiatement rentable. Si l’on parvient à améliorer la précision de la planification dans la chaîne d’approvisionnement grâce à une détection précoce, il y a là un grand potentiel.

Qu’en est-il des coûts?

Hanspeter Groth: Les calculs coûts/bénéfices sont déjà répandus dans les projets d’IA classiques. Dans le cas de l’IA générative, cela ne se fait que partiellement. Tout au plus, cela me permet de mesurer certains gains d’efficacité de manière monétaire. Mais élaborer un Business Case complet s’avérera extrêmement difficile. Les entrepreneurs pensent souvent différemment, ils investissent dans quelque chose de nouveau parce qu’ils y croient. Si on pouvait faire le calcul chaque fois, tout le monde le ferait. Celui qui est audacieux a l’avantage, et cela vaut probablement aussi pour l’utilisation de l’IA.

Michael Rieger: C’est justement parce que l’IA générative a créé une toute nouvelle forme de calcul des coûts que ceux-ci sont difficiles à calculer. C’est l’une des raisons pour lesquelles je recommande de commencer par de petits projets. Cela permet d’apprendre à utiliser cet outil. Mais si, en tant qu’entrepreneur, on commence avec un gros projet et que l’on manque de connaissances et d’expertise, il est probable que l’on n’obtienne pas un business case positif.

Comment les entreprises qui s’intéressent à l’utilisation de l’IA générative doivent-elles procéder?

Hanspeter Groth: Par exemple, qu’en est-il de Microsoft Copilot? Puis-je simplement autoriser l’utilisation de cette solution ou est-ce que je risque d’enfreindre la sécurité des données – mot clé «gouvernance»?

L’intégration d’applications d’IA génératives dans les processus de l’entreprise revêt probablement une tout autre dimension, comme dans l’exemple ci-dessus d’une entreprise qui souhaiterait améliorer ses prévisions avec des informations provenant d’Internet. Pour cela, j’ai besoin d’une stratégie globale, n’est-ce pas?

Michael Rieger: Oui, je recommanderais vivement une stratégie adaptée à l’entreprise. Mais tu dois aussi t’assurer de la qualité des données. D’une part, tu as besoin de données pour pouvoir démarrer. Et d’un autre côté, tu as besoin de quelqu’un qui sait comment gérer la technologie. Cela nécessite une expertise technique pour estimer quelles données sont pertinentes et sous quelle forme afin d’obtenir des résultats de la qualité souhaitée. Et bien sûr, tu dois comprendre quelles données tu souhaites mettre à la disposition du modèle d’IA. On ne veut probablement pas que le chatbot partage des informations sensibles avec des employés ou des clients.

L’expérience a également montré que de très nombreux projets dans l’environnement traditionnel de l’IA échouent en raison des données. Une entreprise peut avoir beaucoup d’idées et d’ambitions, mais elle échoue souvent parce qu’elle ne dispose pas de suffisamment de données pour entraîner un modèle d’IA capable d’obtenir les résultats escomptés.

Pour conclure, un bref regard sur l’avenir: dans quelle direction l’IA générative pourrait-elle évoluer?

Hanspeter Groth: Quand on a déjà conçu des milliers de produits similaires, on pense toujours de la même façon en tant qu’entreprise et on n’a parfois pas l’idée que l’on pourrait faire quelque chose de manière fondamentalement différente. Si les modèles deviennent suffisamment intelligents pour réaliser que l’on est piégé dans un cercle vicieux, ils pourraient nous aider à en sortir. Mais je pense que cela durera encore longtemps.

Et j’ai du mal à imaginer que l’IA générative devienne un jour aussi créative que l’inventeur du moteur à combustion, par exemple.

Michael Rieger: Je ne suis pas complètement d’accord avec toi. J’ai lu récemment que l’IA générative est déjà très bonne pour comprendre l’empathie et répondre aux besoins des gens. Même si, demain et après-demain, elle ne sera pas aussi créative que les ingénieurs qui ont contribué au développement du moteur à combustion, cette technologie évolue rapidement. Il est excitant de se demander où nous en serons dans un an.