Retour au blog
· 9 min de lecture · Par Kévin Niglaut

Pourquoi le machine learning est sous-coté (et largement mal compris)

Depuis trois ans, tout le monde parle d'intelligence artificielle. Mais dans 95 % des conversations que j'ai sur "IA" veut dire ChatGPT (ou claude etc ...) On parle prompts, génération de texte, automatisation d'e-mails. Très peu de gens, dans l'industrie, parlent encore de machine learning. Et c'est paradoxal, parce que c'est précisément cette branche-là qui aurait le plus à apporter à un atelier de tôlerie ou d'usinage.

Pourquoi le machine learning est sous-coté (et largement mal compris)

Depuis trois ans, tout le monde parle d'intelligence artificielle. Mais dans 95 % des conversations que j'ai sur "IA" veut dire ChatGPT (ou claude etc ...) On parle prompts, génération de texte, automatisation d'e-mails. Très peu de gens, dans l'industrie, parlent encore de machine learning. Et c'est paradoxal, parce que c'est précisément cette branche-là qui aurait le plus à apporter à un atelier de tôlerie ou d'usinage.

Le machine learning, ce n'est pas une mode. Ça existe depuis les années 60, et ça consiste, pour résumer brutalement, à apprendre des relations cachées dans des données pour faire des prédictions. Prédire un prix, un délai, une panne, une consommation. Rien de magique, beaucoup de mathématiques, et surtout : une utilité directe dans un atelier qui produit des données tous les jours sans s'en servir. Pourtant, dans les PME industrielles françaises, le sujet reste largement absent des feuilles de route. En 2025, environ 26 % des TPE-PME utilisent une solution d'intelligence artificielle, mais l'écrasante majorité de ces usages porte sur l'IA générative de texte, image, voix, beaucoup plus rarement sur des modèles prédictifs taillés pour le métier. Le ML, lui, est resté dans l'ombre du buzz.


Le frein psychologique : la peur de la boîte noire


Le premier frein, et de loin le plus puissant, est psychologique. Le machine learning souffre d'une image de boîte noire incompréhensible, réservée à des ingénieurs en blouse blanche penchés sur des écrans de matrices. Beaucoup de dirigeants que je rencontre me disent, en substance : "je ne comprends pas comment ça marche, donc je ne peux pas faire confiance". C'est une réaction parfaitement humaine, mais elle se base sur une confusion. Le ML n'est pas un oracle mystique. Une régression linéaire, la forme la plus simple de machine learning, c'est exactement la même logique qu'une courbe de tendance dans Excel. Personne n'a peur d'Excel. Mais dès qu'on parle de "modèle", de "Python" ou de "réseau de neurones", la défiance monte d'un cran.

Cette peur est entretenue par les médias, qui ne parlent du ML (ou deeplearning) qu'en termes d'IA spectaculaire, voitures autonomes, reconnaissance faciale, ChatGPT. Le résultat, c'est que beaucoup d'industriels imaginent qu'il faut des téraoctets de données et une équipe de docteurs en informatique pour commencer. C'est faux. La plupart des problèmes d'atelier peuvent être attaqués avec quelques milliers de lignes de données, un ordinateur portable et un peu (beaucoup, c'est un métier) de méthode.


Le frein financier : le mythe du projet à 100 000 €


Le deuxième frein est financier, mais il repose lui aussi sur une mauvaise compréhension. Beaucoup pensent qu'un projet de ML, c'est forcément un gros chantier : audit data, refonte SI, plateforme cloud, prestataire à 1 000 € la journée. Ce qui peut être vrai pour de l'IA générative déployée à grande échelle, ou pour des projets de maintenance prédictive complexes sur des lignes critiques. Mais ce n'est pas du tout vrai pour la grande majorité des cas d'usage utiles à une tôlerie.

Les chiffres récents le confirment d'ailleurs : les PME déploient leurs projets IA quatre fois plus vite que les grandes entreprises, 94 jours en moyenne contre 387, et avec un ROI légèrement supérieur (168 % contre 147 %). Moins de couches de validation, des environnements IT plus simples, et une capacité à trancher rapidement. Le vrai problème n'est donc pas le coût du ML en soi, mais l'absence d'accompagnement pour démarrer petit. Quand des projets échouent, ce n'est presque jamais à cause de la complexité algorithmique : c'est la qualité insuffisante des données qui est en cause dans 31 % des cas, et l'intégration technique dans 23 %. Autrement dit, le frein financier est rarement un vrai frein. C'est un frein de perception, alimenté par une méconnaissance des cas d'usage modestes mais utiles.


Le frein culturel : industriels et data, le dialogue de sourds


Le troisième frein est culturel, et c'est peut-être le plus difficile à lever. Dans l'industrie traditionnelle, la donnée n'a longtemps été qu'un sous-produit de la production. On produit des pièces, pas des chiffres. Les capteurs existent, les automates remontent des informations, les ERP enregistrent des heures, mais tout cela vit dans des silos rarement consolidés. Le ML, lui, exige l'inverse : il a besoin de données historisées, propres, structurées, exploitables. Quand on me demande "est-ce qu'on peut faire du ML chez nous ?", la vraie question est rarement technique. Elle est : "est-ce qu'on a une culture de la donnée ?"


Les secteurs à faible maturité digitale comme la construction plafonnent à 62 % de ROI sur leurs projets IA, freinés par des systèmes legacy et une culture de terrain peu digitalisée. La tôlerie est dans une situation comparable. On y trouve des opérateurs experts, des machines récentes, mais souvent un système d'information morcelé, avec des données dispersées entre l'ERP, les fichiers CAO, les tableurs et les têtes des gens. Le ML, dans ce contexte, ne peut pas être plaqué par-dessus. Il oblige à reconstruire un minimum de cohérence en amont. Et c'est précisément cette étape que beaucoup de dirigeants refusent ou repoussent, parce qu'elle est moins visible et moins gratifiante qu'un investissement matériel.


Un exemple concret : prédire le prix d'une pièce


Prenons un cas que tout chiffreur en tôlerie connaît : le devis. Quand un client envoie un DXF, le chiffrage repose souvent sur l'expérience du préparateur. Il regarde la matière, l'épaisseur, le contour, le nombre de plis, et il propose un prix. C'est lent, c'est dépendant de la personne, et c'est rarement comparable d'un devis à l'autre (meme parfois avec les logiciels de devis). Pourtant, sur dix ans d'historique, une entreprise dispose souvent de plusieurs milliers de pièces déjà chiffrées et facturées. Cette base est une mine d'or pour un modèle de régression.


L'idée est simple : à partir des caractéristiques d'une pièce, surface, périmètre, nombre de perçages, nombre de plis, épaisseur, matière, traitement, on entraîne un modèle à prédire le prix de vente final, en se basant sur l'historique réel. On ne remplace pas le chiffreur. On lui donne un outil qui propose en deux secondes un prix de référence, calé sur le passé de l'entreprise, et qui signale les pièces qui sortent du standard. Le préparateur garde la main, mais il chiffre plus vite, plus régulièrement, et il peut justifier ses écarts. Sur un volume de quelques centaines de devis par mois, le gain est immédiat. Et techniquement, on parle d'un modèle de régression, une des techniques les plus simples du ML, qui tourne sur un ordinateur de bureau.


Un autre exemple : prévoir la charge de production


Deuxième cas, encore plus parlant pour un responsable de production : la prévision de charge. Toute tôlerie sait qu'elle a des pics et des creux, mais peu savent les anticiper. L'historique du carnet de commandes, l'heure de production saisie par OF, les taux d'engagement machine, tout cela forme une série temporelle, c'est-à-dire une donnée qui évolue dans le temps. Et c'est précisément ce que les modèles de time series savent traiter.


Avec un historique de douze à vingt-quatre mois, des modèles comme Prophet, ARIMA ou des réseaux LSTM peuvent dégager des saisonnalités, des tendances de fond, et fournir une prévision de charge à quatre ou six semaines. Dans l'industrie lourde, on retrouve trois grandes familles d'usage : la maintenance prédictive, le contrôle qualité, et l'optimisation de production. Ce n'est pas de la science-fiction, c'est largement documenté et appliqué. Dans la semi-conducteur, par exemple, des systèmes combinent prévision de série temporelle et règles de contrôle statistique (SPC) pour anticiper les dérives avant qu'elles ne deviennent des défauts, exactement le genre d'usage qu'une tôlerie pourrait adapter, à plus petite échelle, pour ses pliages ou ses découpes.

L'enjeu n'est pas d'avoir une prévision parfaite, aucun modèle ne l'a. L'enjeu, c'est de passer d'un pilotage réactif (on subit la charge) à un pilotage proactif (on l'anticipe). Cela change la façon de discuter avec les commerciaux, d'embaucher des intérimaires, de planifier les congés ou de prioriser les achats matière.


Ce qui manque, ce n'est pas la techno


Le machine learning n'est pas sous-coté parce qu'il serait techniquement décevant. Il est sous-coté parce que personne ne raconte ces cas d'usage modestes mais utiles. Le buzz est ailleurs, sur des promesses spectaculaires d'IA générative ou de jumeaux numériques à plusieurs millions d'euros. Le ML "métier", lui, vit dans le silence : une régression pour un devis, une prévision pour une charge machine, une détection d'anomalie sur un capteur. Rien de glamour, beaucoup d'impact.


Ce qui manque dans l'industrie française, ce n'est pas la technologie. Ce sont des gens capables de faire le pont entre le métier et la donnée, et de proposer des projets courts, pragmatiques, ancrés dans le vrai. Le ML ne sauvera personne tout seul. Mais utilisé là où il a du sens, sur des données propres, dans une entreprise qui sait pourquoi elle le fait, il devient l'un des leviers les moins chers et les plus durables de compétitivité industrielle.

Et dans votre entreprise ? Combien de décisions seraient meilleures si vous appreniez à écouter ce que vos données disent déjà, sans que personne ne les écoute ?

Comment Nest2Prod peut vous aider ?

Nest2Prod accompagne les industriels dans leur transformation numérique — ERP sur mesure, MES, outil de chiffrage et déploiement clé en main. Discutons de votre projet.