Humans In the Loop, épisode 3 : L'IA dans le secteur manufacturier — État de préparation, données et conception

L'intelligence artificielle dans le secteur manufacturier est souvent présentée comme une question purement technologique. Dans cet épisode de « The Humans in the Loop », nous mettons l'accent sur les personnes.

Au cours d’une longue conversation, Madilynn Castillo, Tulip , s’est entretenue avec Gilad Langer et Geoff Winkley afin d’examiner ce qu’il faut réellement pour intégrer l’IA dans les environnements de production. Il en est ressorti un dialogue approfondi qui a abordé la culture, les données, la conception et la confiance — autant de fondements qui déterminent si l’IA deviendra une mode éphémère ou une capacité durable.

La conversation s'est déroulée naturellement en trois parties, chacune reflétant une étape d'un même parcours : évaluer l'état de préparation, transformer les données en connaissances, et repenser la conception des solutions.

Ce qui relie ces différents éléments, c'est la conviction commune que l'intelligence dans le secteur manufacturier commence par les personnes. L'IA peut structurer et accélérer la mise en œuvre des connaissances, mais elle reste tributaire du contexte humain pour que ces connaissances soient utiles.

La discussion s'ouvre sur une question qui revêt une importance croissante dans les usines du monde entier : les fabricants sont-ils vraiment prêts pour l'IA ?

Gilad décrit la préparation comme un enjeu culturel avant d'être technique. Depuis des années, l'excellence opérationnelle et la production allégée ont défini la manière dont les usines s'améliorent. Ces mêmes principes, explique-t-il, devraient guider la manière dont l'IA est mise en œuvre. Une technologie qui ne soutient pas ces principes fondamentaux, aussi avancée soit-elle en apparence, ne fera pas long feu.

Geoff aborde la question en se plaçant au niveau du terrain. De nombreux fabricants peinent encore à obtenir une visibilité élémentaire sur leurs performances. « Où en sommes-nous aujourd’hui ? » : il reste difficile de répondre à cette question dans des environnements où règnent le papier, les logiciels isolés et les données fragmentées.

Le groupe examine comment les hésitations, la perception des risques et les systèmes existants peuvent freiner les progrès. Mais le véritable enjeu réside dans la confiance. Les organisations veulent avoir l’assurance que les nouveaux systèmes amélioreront leurs opérations sans perturber ce qui fonctionne déjà. Cette première partie pose un thème central pour la suite de la discussion : la préparation à l’IA se mesure à la clarté des objectifs et à l’adéquation avec les besoins opérationnels réels.

La conversation s'oriente ensuite vers les données, la matière première du renseignement.

Les fabricants génèrent d’énormes quantités d’informations, mais une grande partie de celles-ci reste dispersée, incohérente ou enfermée dans des documents statiques. Gilad présente le modèle DIKW (Données-Informations-Connaissances-Sagesse) pour expliquer comment les outils modernes d’IA peuvent aider à condenser ces niveaux, en reliant des sources disparates et en mettant en lumière les relations qui s’y cachent.

Geoff met cela en pratique. S'appuyant sur son expérience dans la mise en œuvre de solutions dans le secteur aérospatial et d'autres industries, il explique comment les modèles contextuels et les interfaces linguistiques aident les équipes à organiser les données humaines et machines sans alourdir les coûts informatiques. Ces systèmes mettent de l'ordre dans la complexité et fournissent des informations qui améliorent les décisions quotidiennes.

Les deux invités soulignent que l'IA devrait servir à approfondir la compréhension plutôt qu'à automatiser le jugement. L'objectif est d'apporter de la cohérence aux informations qui existent déjà au sein des usines et de rendre ces connaissances accessibles aux personnes qui en ont besoin.

La dernière partie de la discussion porte sur la conception : comment mettre au point des systèmes qui rendent l'IA pratique et sûre pour une utilisation en conditions réelles.

Gilad présente l'approche Tulipen matière de conception de solutions : créer des systèmes composable, ouverts et adaptables qui évoluent au rythme des opérations. Il établit un lien entre cette philosophie et la production allégée ainsi que le développement logiciel agile, deux disciplines fondées sur l'itération et le retour d'expérience.

Geoff étend la discussion au terrain, en expliquant comment des outils tels que l'AI Composer Tulippermettent aux ingénieurs de transformer une documentation statique en applications fonctionnelles en quelques minutes. L'IA générative et l'IA agentique élargissent ces capacités, en favorisant l'automatisation là où elle crée de la valeur, tout en continuant à impliquer les personnes dans la vérification et l'amélioration.

Il en ressort une vision de l'industrie manufacturière où la technologie s'adapte aux personnes. Les usines deviennent des environnements d'apprentissage continu, des lieux où les outils numériques reflètent la réalité du travail et où l'intelligence artificielle aide les équipes à s'adapter plus rapidement au changement.

À travers ces trois volets, cette discussion rend compte d'un tournant décisif dans le secteur manufacturier. L'intelligence artificielle passe du stade de la possibilité à celui de la pratique, s'intégrant désormais au quotidien plutôt que de rester une initiative isolée. Le défi consiste désormais à la mettre en œuvre sans perdre l'expertise humaine qui fait la force d'un fonctionnement efficace.

Pour Tulip, cet équilibre est l'essence même de l'implication humaine dans le processus. Cela implique de concevoir une technologie qui comprend le contexte, intègre la connaissance des processus et permet aux personnes de rester responsables des décisions qui façonnent la production.

L'échange entre Gilad et Geoff met en lumière une transformation silencieuse qui s'opère dans l'ensemble du secteur. Les fabricants les plus performants commencent à considérer l'IA comme un environnement qui se renforce à chaque fois que les utilisateurs s'en servent pour comprendre, s'adapter et s'améliorer.