L’écart de productivité de l’IA : pourquoi la transformation par l’IA dans l’ingénierie exige plus que l’automatisation

Le contenu de cette page a été traduit automatiquement par un service tiers.

La promesse de productivité de l’IA est réelle, mais incomplète

Chaque grande vague technologique s’accompagne d’un récit sur la productivité. Le cloud promettait l’évolutivité. Le SaaS promettait la rapidité. Le low-code promettait l’agilité. L’IA est désormais présentée comme le prochain grand accélérateur de productivité, et pour de bonnes raisons. La technologie progresse rapidement, les cas d’usage sont faciles à imaginer, et la pression exercée sur les organisations pour « faire quelque chose avec l’IA » augmente chaque jour.

Pour les organisations d’ingénierie et de fabrication, la première vague d’adoption de l’IA se concentrera presque certainement sur la productivité individuelle. Les ingénieurs utiliseront l’IA pour résumer des exigences, rédiger des rapports, générer des plans de test, rechercher de la documentation, comparer des spécifications et analyser des problèmes techniques. Les équipes de fabrication utiliseront l’IA pour examiner des instructions de travail, résumer des défauts, optimiser des plannings et soutenir la planification des processus. Les équipes qualité, service et fournisseurs feront de même dans leurs propres domaines.

Ces cas d’usage sont utiles. Ils permettront de gagner du temps et de réduire certaines charges administratives. Ils pourront même donner aux personnes le sentiment d’être plus productives.

Mais cela ne suffit pas.

L’écart de productivité de l’IA : accélérer un travail fragmenté

Le risque est que les entreprises confondent une exécution plus rapide des tâches avec une véritable transformation. Si l’IA est appliquée aux mêmes workflows fragmentés, aux mêmes systèmes déconnectés et aux mêmes transferts lents qui freinent déjà le développement produit, l’IA pourrait simplement aider les organisations à exécuter plus vite un travail défaillant. C’est cela, l’écart de productivité de l’IA.

La véritable opportunité n’est pas d’automatiser l’ingénierie telle qu’elle existe aujourd’hui. Elle consiste à transformer la manière dont le travail d’ingénierie est réalisé tout au long du cycle de vie du produit.

Le potentiel d’automatisation de 57 % selon McKinsey concerne les activités, pas les emplois

Le récent rapport de McKinsey, Agents, robots, and us: Skill partnerships in the age of AI, propose une manière pragmatique d’aborder cette transformation. Le rapport estime que les technologies actuelles pourraient automatiser des tâches représentant environ 57 % des heures de travail aux États-Unis.

Mais McKinsey précise soigneusement ce que signifie ce chiffre. Il ne prédit pas que 57 % des emplois vont disparaître. Il mesure le potentiel technique d’automatisation des activités de travail et des composantes des métiers qui pourraient être réalisées différemment à mesure que les agents IA et les robots gagnent en capacités.

Cette distinction est importante, surtout dans l’ingénierie. Le travail d’ingénierie n’est pas une collection bien ordonnée de tâches isolées. C’est un système de décisions. Une exigence influence la conception. La conception influence la fabricabilité. Une contrainte de fabrication influence les coûts, la qualité et les délais. Un problème fournisseur influence les risques. Un problème de service peut révéler une faiblesse de conception. Une demande client peut avoir des répercussions sur toute l’architecture produit.

Vue sous cet angle, la question de la productivité change. Il ne s’agit plus seulement de demander : « Comment l’IA peut-elle aider un ingénieur à accomplir cette tâche plus rapidement ? » La meilleure question devient : « Comment l’IA peut-elle aider l’organisation à prendre de meilleures décisions produit à travers l’ingénierie, la fabrication, la qualité, la supply chain, le service, les fournisseurs et les clients ? »

C’est une question plus complexe. C’est aussi là que réside la véritable valeur.

La véritable valeur vient de la refonte des workflows

McKinsey affirme que la plus grande opportunité offerte par l’IA viendra de la refonte des workflows plutôt que de l’automatisation de tâches individuelles. Dans son scénario intermédiaire, le rapport estime que les agents et robots alimentés par l’IA pourraient générer environ 2,9 milliards de dollars de valeur économique annuelle aux États-Unis d’ici 2030. Cependant, capter cette valeur dépend de la capacité des organisations à repenser les processus, les rôles, les compétences, la culture et les indicateurs afin que les personnes, les agents et les robots puissent collaborer efficacement.

Ce point parlera à toute personne ayant travaillé dans le développement produit complexe. La plupart des retards d’ingénierie ne surviennent pas parce que quelqu’un a mis trop de temps à rédiger un document. Ils surviennent parce que les informations sont incomplètes, que le contexte manque, que les décisions sont prises trop tard et que les équipes découvrent des dépendances après coup. L’ingénierie publie une conception avant de découvrir que la fabrication voit une contrainte. La qualité identifie un schéma qui n’est pas reconnecté assez rapidement au processus de conception. Les achats découvrent un risque fournisseur une fois les décisions déjà figées. Les équipes de service constatent des défaillances récurrentes sur le terrain, mais la boucle de retour vers l’ingénierie reste lente et incohérente.

L’IA peut aider à résoudre chacun de ces problèmes, mais seulement si l’organisation change la manière dont le travail circule. Si chaque fonction applique l’IA à l’intérieur de son propre silo, le résultat peut être une efficacité locale et une confusion à l’échelle de l’entreprise. L’ingénierie devient plus rapide. La fabrication devient plus rapide. La qualité devient plus rapide. Les fournisseurs répondent plus vite. Mais l’organisation dans son ensemble ne devient pas forcément plus intelligente.

L’IA modifie la répartition du travail

Cela est particulièrement important parce que l’IA modifie la répartition du travail. McKinsey estime qu’aux niveaux de capacité actuels, les agents pourraient accomplir des tâches représentant 44 % des heures de travail aux États-Unis, tandis que les robots pourraient en accomplir 13 %. Les 43 % restants ne peuvent pas être automatisés avec les technologies actuelles. Cela ne décrit pas un futur où les personnes disparaissent. Cela décrit un futur où les personnes, les agents et les robots se répartissent le travail différemment.

Pour les organisations d’ingénierie, la productivité de l’IA signifie que les personnes passeront moins de temps à assembler des informations et davantage de temps à formuler des problèmes, valider des recommandations, arbitrer des compromis et gouverner les décisions. Les agents IA rédigeront, compareront, résumeront, surveilleront et recommanderont. Les robots prendront en charge davantage de travail physique là où les exigences économiques et techniques le justifient. Les humains resteront essentiels, car le développement produit ne consiste pas seulement à produire des résultats. Il s’agit de prendre des décisions responsables face à l’incertitude.

Les compétences humaines montent dans la chaîne de valeur

McKinsey souligne un point similaire dans son analyse des compétences. Le rapport conclut que plus de 70 % des compétences recherchées aujourd’hui par les employeurs sont utilisées à la fois dans des travaux pouvant être automatisés et dans des travaux ne pouvant pas l’être. En d’autres termes, la plupart des compétences humaines ne disparaissent pas simplement. Leur application évolue.

Cela est particulièrement pertinent pour l’ingénierie et la fabrication. La résolution de problèmes, la communication, les opérations, le jugement qualité, la gestion des fournisseurs, la pensée systémique et le leadership ne deviennent pas obsolètes parce que l’IA peut automatiser certaines parties du travail. Ils deviennent plus importants parce que les personnes doivent savoir comment appliquer ces compétences dans un environnement assisté par l’IA.

C’est pourquoi la conversation autour de l’IA pour l’ingénierie ne devrait pas se limiter aux outils. La conversation plus stratégique porte sur la manière de combler l’écart de productivité de l’IA au sein du modèle opérationnel d’ingénierie.

Le modèle opérationnel d’ingénierie doit évoluer

Un modèle opérationnel d’ingénierie définit comment les décisions produit sont prises, qui participe, quelles informations sont jugées fiables, comment les compromis sont évalués, comment le changement est gouverné et comment la responsabilité est préservée. Pour la productivité de l’IA, ce modèle doit évoluer. Il doit intégrer les recommandations générées par l’IA. Il doit définir quand les humains valident les résultats, quand les agents peuvent agir de manière autonome, quand les exceptions sont escaladées et comment les décisions restent traçables tout au long du cycle de vie.

C’est là que la fabrication devient une partie essentielle de l’histoire. Trop souvent, l’IA dans la fabrication est réduite à des images de robots sur l’atelier de production. La robotique sera importante, mais les données de McKinsey suggèrent une réalité plus nuancée. Dans son scénario intermédiaire pour 2030, la fabrication représente un potentiel estimé à 250 milliards de dollars de valeur économique issue de l’IA et de l’automatisation, avec un niveau moyen d’adoption de l’automatisation équivalant à 31 % des heures de travail actuelles. Mais cette valeur se répartit entre 68 % pour les agents et 32 % pour les robots.

C’est un indicateur révélateur. Même dans la fabrication, la majeure partie de la valeur estimée provient de l’intelligence logicielle plutôt que de l’automatisation physique seule. L’opportunité ne réside pas uniquement dans un robot réalisant une opération d’assemblage. Elle réside dans l’IA aidant à coordonner la planification de la production, l’inspection qualité, l’enregistrement des défauts, le réglage des machines, les changements de série, le suivi des processus en temps réel et les décisions de supply chain. Ces activités dépendent de la circulation des informations entre les fonctions, pas uniquement de l’automatisation à l’intérieur des quatre murs de l’usine.

L’ingénierie et la fabrication deviennent parties d’une même boucle d’intelligence

Il en va de même pour l’ingénierie. McKinsey identifie les ingénieurs comme faisant partie des rôles « humain-agent », où les personnes restent centrales mais sont renforcées par des outils numériques et d’IA. Le rapport note également que les rôles agent-robot apparaissent principalement dans les environnements de production, y compris dans la fabrication automatisée et les opérations logistiques, où l’intelligence logicielle dirige les systèmes physiques.

Cela suggère un futur où l’ingénierie et la fabrication ne sont plus des domaines séparés reliés par des transferts. Elles deviennent parties d’une boucle d’intelligence partagée, où les agents IA aident à identifier les contraintes, évaluer les options et faire émerger les risques plus tôt dans le cycle de vie.

L’entreprise étendue doit faire partie du modèle

Combler l’écart de productivité de l’IA dépasse les équipes internes. Les fournisseurs et les clients deviennent également parties intégrantes du modèle opérationnel. Un fournisseur travaillant à partir de spécifications obsolètes peut créer autant de risques qu’une équipe interne travaillant à partir de données obsolètes. Un problème client bloqué dans un système de service peut retarder l’apprentissage autant qu’un défaut de fabrication enfermé dans un processus qualité. Si la productivité de l’IA doit améliorer les décisions produit, elle a besoin d’accéder à un contexte produit fiable à travers l’entreprise étendue.

Cela ne signifie pas ouvrir tout à tout le monde. Cela signifie créer une collaboration gouvernée autour des bonnes informations, au bon niveau de détail, avec les bons contrôles. L’IA augmente les enjeux parce qu’elle peut agir rapidement, synthétiser largement et générer des recommandations qui semblent convaincantes. Sans données fiables, permissions claires et contexte traçable, la vitesse peut devenir dangereuse.

La continuité numérique devient la fondation de l’IA pour l’ingénierie

C’est pourquoi la continuité numérique devient essentielle pour combler l’écart de productivité de l’IA dans les organisations d’ingénierie et de fabrication. L’IA a besoin de contexte, et dans le développement produit, ce contexte est réparti entre les exigences, les modèles systèmes, les BOM, la CAO, la simulation, les logiciels, les plans de fabrication, les données fournisseurs, les dossiers qualité, l’historique des changements, les événements de service et les retours clients. Si ce contexte est fragmenté, l’IA pourra toujours produire des réponses, mais ces réponses risquent d’être incomplètes, sans fondement ou difficiles à fiabiliser.

La continuité numérique n’est pas seulement un concept d’intégration des données. Dans une organisation d’ingénierie activée par l’IA, elle devient la fondation de la manière dont les personnes, les agents, les robots et les partenaires travaillent ensemble.

Elle comble le fossé en fournissant à l’IA le contexte produit dont elle a besoin. Elle donne aux humains la traçabilité nécessaire pour valider les résultats générés par l’IA. Elle aide à connecter les décisions tout au long du cycle de vie afin que l’ingénierie, la fabrication, la qualité, la supply chain, le service, les fournisseurs et les clients n’optimisent pas chacun de leur côté.

La productivité des tâches n’est pas la performance du cycle de vie

C’est la transformation la plus profonde. L’IA améliorera certainement la productivité des tâches, mais la productivité des tâches n’est pas la même chose que la performance du cycle de vie du produit. Un résumé d’exigences plus rapide n’a aucune valeur si l’exigence est déconnectée de la vérification en aval. Une recommandation de conception plus rapide est inutile si elle ignore la fabricabilité. Une réponse fournisseur plus rapide est sans intérêt si elle repose sur la mauvaise révision. Un rapport qualité plus rapide n’a aucune importance si le signal ne modifie jamais la conception ou le processus.

Les entreprises qui tireront le plus de bénéfices de l’IA seront celles qui la considèrent comme un défi de modèle opérationnel, et pas seulement comme un déploiement technologique.

Elles repenseront les workflows plutôt que d’insérer simplement l’IA dans d’anciens processus. Elles redéfiniront les rôles afin que les personnes puissent superviser, valider et orchestrer le travail effectué par des agents et des robots. Elles investiront dans des fondations de données afin que l’IA puisse fonctionner à partir d’un contexte produit fiable. Elles modifieront les indicateurs afin que la productivité soit mesurée non seulement par la vitesse, mais aussi par la qualité des décisions, la réduction des reprises, l’amélioration de la traçabilité, la résolution plus rapide des problèmes et de meilleurs résultats sur l’ensemble du cycle de vie.

La transformation, et non l’automatisation, crée l’avantage

C’est un programme bien plus vaste que le simple fait de donner aux employés accès à des outils d’IA. Cela nécessite du leadership, de la gouvernance, une refonte des processus, une discipline des données et un changement culturel. Cela exige que les organisations décident ce qui doit être automatisé, ce qui doit être augmenté et ce qui doit rester sous jugement humain. Cela exige que l’ingénierie cesse de se considérer comme un département et commence à se voir comme le tissu connectif des décisions produit à travers l’entreprise.

L’IA ne transformera pas les organisations d’ingénierie simplement parce qu’elle peut générer plus de contenu ou accomplir davantage de tâches. Elle transformera les organisations prêtes à changer la manière dont le travail produit est réalisé.

C’est la différence entre automatisation et transformation. L’automatisation accélère le système actuel. La transformation améliore le système.

Et à l’ère de l’IA, combler l’écart de productivité de l’IA grâce à la continuité numérique pourrait bien être ce qui détermine quelles organisations créent un véritable avantage concurrentiel et lesquelles ne font qu’accélérer la complexité qu’elles possèdent déjà.