Depuis des décennies, le Lean permet aux industriels de traquer les gaspillages et de résoudre les problèmes au plus près du terrain. La Data et l’IA ne remettent pas en cause cette méthode : elles en repoussent les limites. Voir ce qui restait invisible, comprendre plus vite, anticiper davantage de scénarios, décider avec plus de recul. À une condition : que la technologie reste au service des équipes, et non l’inverse.
Trois heures du matin, une ligne s’arrête. L’opérateur de nuit fait face à une panne qu’il n’a jamais rencontrée, sur une machine dont il ne voit pas l’intérieur. La personne qui connaît le sujet est chez elle profondément endormie. Il lui reste une documentation technique d’une cinquantaine de pages, et son intuition.
Cette scène, chaque industriel la connaît. Elle illustre une limite que le Lean, malgré toute sa rigueur, n’a jamais pu lever seul : le savoir est rare, dispersé, et rarement disponible au moment où l’on en a besoin. C’est là que le « Lean augmenté » prend son sens. Pour Clément Niessen, associé d’OPEO et expert Data & IA, il ne s’agit ni d’un nouveau dogme ni d’un programme technologique, mais d’une manière d’atteindre un horizon de performance hors de portée des outils classiques.
Le même Lean, sur un terrain plus large
L’objectif ne change pas. Il s’agit toujours de traquer la variabilité et les gaspillages, d’améliorer vite ce qui peut l’être, de planifier les chantiers de fond et de résoudre les problèmes là où ils naissent. Ce qui change, c’est le champ des possibles, et avec lui l’étendue du terrain de jeu. Les équipes qui planifient la production, conçoivent les produits ou montent les offres commerciales ont elles aussi leurs gaspillages, souvent enfouis dans des fichiers, des mails et des documents. Avec la Data et l’IA, ces bureaux deviennent un terrain d’amélioration à part entière.
Cette continuité a une conséquence directe : le Lean augmenté se heurte aux mêmes écueils que le Lean. Une technologie imposée d’en haut, comme l’ont longtemps été les grands progiciels difficiles à adapter, a peu de chances d’être adoptée. Une démarche portée par la seule DSI, sans le Codir ni le Comex, s’essouffle. Et une approche qui ne viserait qu’à réduire les effectifs passerait à côté de l’essentiel. Les premiers bénéfices de l’IA se mesurent en réactivité : des délais de réponse plus courts, un time to market réduit. La vraie question n’est pas combien de temps on gagne, mais ce que l’on en fait.
« Ce sont les équipes qui ont le problème, et ce sont elles qui trouveront la meilleure solution. »
Le rôle de ceux qui accompagnent la démarche est donc moins d’apporter des solutions clés en main que d’élargir les perspectives et d’apporter une méthode : repérer les bons cas d’usage, les tester vite sur le terrain, apprendre en chemin. Charge ensuite aux équipes de s’approprier les outils.
Voir : rendre le savoir disponible à toute heure
Revenons à notre opérateur de nuit. Dans une usine augmentée, il interroge un assistant qui a accès à l’historique des pannes, aux procédures et aux notes des experts. En quelques minutes, il dispose d’une liste de causes probables et d’un guide pas à pas pour traiter la panne. Le gain porte à la fois sur la recherche de la cause et sur la réparation elle-même.
L’apport est le même pour un opérateur qui découvre un nouveau produit : plutôt que de parcourir des dizaines de pages, il accède directement à l’information utile. Les savoirs, et une partie de ce qui se passe dans l’environnement physique, deviennent accessibles presque instantanément.
Clément Niessen pose pourtant une limite : ce savoir reste la propriété de l’humain. L’IA n’a pas vocation à devenir une délégation du savoir et du savoir-faire, mais une annexe, un endroit où l’expert dépose ce qu’il sait pour le rendre disponible pendant son absence. Le lendemain matin, c’est encore lui qui confirme le diagnostic et la qualité de la réparation.
Comprendre : la donnée ne dit jamais pourquoi
On pourrait croire qu’il suffit d’accumuler des données pour comprendre ce qui se passe. C’est l’erreur la plus répandue, et sans doute la plus coûteuse. Une série de mesures à 29,3, puis 29,5, puis 29,7 degrés dit qu’une température monte. Des cotes de pièces usinées qui dérivent au fil d’une série disent qu’un écart se creuse. Des temps de traversée d’atelier qui varient d’un lot à l’autre disent que le flux est instable. Aucune de ces données ne dit pourquoi.
Le passage du constat à la compréhension reste une affaire de métier. Il faut connaître son process, sa machine, son produit et, en remontant d’un cran, les phénomènes physiques à l’œuvre. La démarche efficace part d’hypothèses, puis va chercher précisément les données qui permettront de les confirmer ou de les écarter. La data accélère alors le raisonnement. Elle ne le remplace pas.
C’est aussi pourquoi la qualité des données ne se décrète pas dans l’absolu. Ce sont les ingénieurs et les opérateurs qui savent si un point par minute suffit, ou si le phénomène observé dure quelques millisecondes et exige un échantillonnage bien plus fin. Le principe vaut loin de l’atelier. Un industriel qui veut exploiter les remontées de ses commerciaux pour comprendre ce que ses clients achètent doit obtenir d’eux des informations précises. De quel produit parlent-ils exactement ? Si un client préfère la machine concurrente, est-ce parce qu’elle est plus rapide, qu’elle coûte moins cher ou qu’elle est plus légère ? Sans cette précision, les meilleures modèles IA ne produiront que des généralités.
Anticiper : explorer bien plus de scénarios
C’est dans sa capacité à changer d’échelle que l’IA fait vraiment la différence. Elle traite en quelques instants des volumes de données ou de documents qu’une équipe mettrait des jours à analyser, et permet de simuler en parallèle des options que personne n’aurait eu le temps de tester.
Les exemples ne manquent pas. Face à une demande de devis, l’analyse automatisée des plans identifie les matières, les normes applicables et esquisse une première gamme : le chiffrage part plus vite chez le prospect. Lorsqu’un aléa désorganise le flux, un nouvel ordonnancement peut être resimulé en tenant compte de la situation réelle. En formulation cosmétique, l’IA propose des formules candidates que le formulateur n’aurait pas forcément envisagées seul, et élargit d’autant son choix.
Ces cas ont un point commun qui aide à repérer les bons candidats : des tâches répétitives et chronophages, un grand volume de données ou de documents, ou la nécessité de comparer de nombreux scénarios. Clément Niessen y ajoute un critère moins attendu. L’IA peut être l’occasion de rouvrir un vieux problème, enterré parce qu’« on avait déjà essayé ». Une approche nouvelle redonne parfois l’élan qui manquait.
Agir : décider plus vite, sans déléguer le jugement
Prenons le point de performance quotidien d’un responsable de production. Dans un système augmenté, ce n’est pas tant le rituel qui change que ce qui le précède. Le responsable arrive avec un premier niveau d’investigation déjà mené, des causes probables, parfois la cause identifiée. La discussion ne commence plus par « d’où peut venir le problème ? » mais par « voici ce qui s’est vraisemblablement passé, voici ce que l’on propose ». La décision et l’action, raison d’être du pilotage de la performance, arrivent plus tôt. Clément Niessen va jusqu’à envisager, sans se faire d’illusion sur l’unanimité de l’idée, que certaines revues de performance pourraient à terme disparaître sous leur forme actuelle au profit du temps sur le terrain en compréhension et résolution là où le problème se produit.
L’IA peut aller jusqu’à proposer des décisions. Mais ses recommandations ne valent que par la connaissance qu’on lui a transmise. Une entreprise qui sait déjà quoi faire dans telle situation obtiendra instantanément la bonne réponse. Une entreprise qui maîtrise mal son process obtiendra une liste de décisions possibles, dont certaines peuvent être catastrophiques si personne n’est capable de les lire avec un œil critique. L’IA amplifie l’expertise existante, elle ne la crée pas.
Pourquoi tant de projets prometteurs restent au stade de l’expérimentation
La promesse est réelle, et pourtant beaucoup de projets Data et IA ne dépassent jamais la preuve de concept. Les raisons se ressemblent souvent. Le premier piège est organisationnel : le métier exprime un besoin, la DSI part le traiter et revient trois mois plus tard sans résultat probant. Un projet de Lean augmenté est un projet métier, que la DSI soutient, et il ne fonctionne qu’avec une boucle très courte entre les deux.
Le deuxième piège consiste à confondre le moyen et la fin : vouloir à tout prix « faire de l’IA » ou atterrir sur une technologie précise, en perdant de vue le résultat recherché. Le troisième est l’impatience. Vouloir automatiser d’emblée et parfaitement la saisie des commandes reçues par mail, sans avoir compris ce que l’outil sait faire et ce qu’il ne sait pas faire, aboutit parfois à un résultat. Mais personne n’a rien appris en chemin, et l’expérience ne se reproduit pas.
« On est tellement focalisé sur le résultat qu’on oublie l’apprentissage. »
Enfin, beaucoup d’entreprises ferment trop tôt le champ technologique. Il existe des centaines de modèles d’IA et des dizaines de systèmes de gestion de la donnée. Une preuve de concept doit d’abord faire la preuve, avec les moyens les plus adaptés. La rationalisation et l’industrialisation viennent ensuite, et ils sont indispensables, mais chaque chose en son temps.
D’où l’importance de bien mesurer la réussite. La précision d’un algorithme ne dit pas grand-chose. Trois questions comptent davantage : le gain visé a-t-il été atteint ? La solution est-elle soutenable, sans fuite de données, maintenable par la DSI et améliorable par le métier ? Et surtout, les équipes en ressortent-elles avec l’envie d’aller plus loin ? Pour Clément Niessen, c’est presque le critère décisif : un premier cas d’usage réussi est celui après lequel chacun voit dix autres sujets à traiter.
Par où commencer ?
Pour un industriel qui veut se lancer demain, l’ordre des questions compte. D’abord identifier les cas d’usage candidats, s’ils ne le sont pas déjà. Ensuite constituer l’équipe qui les portera et définir sa méthode de travail. La question de la technologie arrive en dernier. C’est précisément la logique des accompagnements d’amorçage IA menés par OPEO, qui ne s’arrêtent pas au diagnostic.
Surtout, il faut passer vite à l’action sur un cas concret, avec la bonne équipe. C’est sur ce premier cas que les équipes découvrent ce que la Data et l’IA savent faire, et ce qu’elles ne savent pas faire. Et c’est là qu’elles commencent à voir, d’elles-mêmes, où aller ensuite.
Le Lean augmenté n’est donc pas une rupture. C’est le prolongement d’une démarche qui a toujours cherché à donner aux équipes les moyens de voir, de comprendre et d’agir. La technologie élargit ces moyens. Elle ne change ni la finalité, ni ceux qui la portent.
