Quatre virgule deux pour cent. C’est le taux de rebut qu’affichait, il y a deux ans, un transformateur de matières plastiques par injection installé à Vert-le-Grand, cinquante-cinq salariés et neuf presses. Un chiffre présentable, jamais discuté, inscrit chaque mois dans le même tableau. Personne ne savait dire de quoi il était fait. L’IA pour réduire les non-conformités en production commence rarement par un algorithme : elle commence par cette question désagréable, quelles pièces exactement, sur quelle presse, avec quelle matière, à quel moment.
Un taux global ne dit strictement rien
Le premier travail a consisté à décomposer ce fameux 4,2 %. Trois semaines de relevés plus tard, l’image était tout autre : deux références sur les quarante-sept produites concentraient plus de la moitié du volume rebuté, et l’essentiel se produisait dans les deux heures suivant un changement de moule. Le reste de la production tournait à un niveau que le dirigeant n’imaginait pas si bon.
Cette concentration est la règle, pas l’exception. Nous la retrouvons dans presque tous les ateliers que nous auditons, et elle change complètement la nature du problème : il ne s’agit plus d’améliorer la production en général, mais de traiter deux situations précises. Un chantier de six semaines, pas un programme de deux ans.
Ajoutons ce que le taux de rebut ne montre jamais, les retouches. Une pièce reprise à la main n’apparaît nulle part dans les statistiques et coûte pourtant du temps opérateur, parfois davantage que la valeur de la pièce. Sur ce site, une estimation grossière a fait apparaître un volume de retouches équivalent au tiers du rebut déclaré. Invisible dans les tableaux, bien réel dans les heures.
Notre premier conseil aux dirigeants industriels tient donc en une consigne : avant d’acheter quoi que ce soit, faites-vous remettre la liste des pièces rebutées d’un mois, avec référence, presse, équipe et motif. Si cette liste n’existe pas, vous venez de trouver votre chantier numéro un. Si elle existe et que personne ne l’a lue depuis six mois, vous venez de trouver le numéro deux.
Ce qu’un modèle trouve dans les données de presse
Les presses modernes enregistrent des dizaines de paramètres à chaque cycle : températures de fourreau, pression de maintien, temps de refroidissement, dosage, contre-pression. Ces données existent, elles sont rarement exploitées au-delà de l’alarme de seuil. Les rapprocher des pièces déclarées non conformes permet de faire ressortir des combinaisons de conditions associées aux défauts, que l’œil humain ne repère pas parce qu’elles impliquent trois ou quatre variables à la fois.
Attention au malentendu classique. Une corrélation n’est pas une cause. Le modèle vous dira que les défauts d’aspect apparaissent préférentiellement quand telle température se combine à tel temps de cycle ; il ne vous dira pas pourquoi, et l’explication peut se trouver ailleurs, dans un lot de matière plus humide ou dans un réglage de séchage. Le régleur reste celui qui tranche, l’outil lui indique simplement où regarder en premier. C’est déjà considérable quand on a neuf presses et une seule personne compétente sur le sujet.
Sur ce site, l’analyse a désigné le profil de montée en température après changement de moule. Le régleur le soupçonnait depuis longtemps. Il n’avait jamais eu de quoi le démontrer, ni de quoi obtenir les vingt minutes de stabilisation supplémentaires que la production lui refusait.
Détecter la dérive plutôt que constater le défaut
Le second usage est plus intéressant encore, et plus exigeant. Plutôt que d’expliquer les rebuts passés, on surveille en continu l’écart entre le comportement actuel d’une presse et son comportement de référence sur la même production. Quand cet écart croît, une alerte part avant que les premières pièces mauvaises ne sortent.
Le bénéfice ne se mesure pas seulement en pièces sauvées. Il se mesure en sérénité de l’équipe de nuit, qui dispose enfin d’un signal objectif pour appeler ou ne pas appeler le régleur d’astreinte.
Ce type de surveillance a un défaut connu, qu’il faut accepter d’emblée. Elle génère des fausses alertes, surtout les premières semaines, et un dispositif trop bavard finit ignoré. Le réglage du seuil est un compromis assumé entre alertes manquées et alertes inutiles, il se fait avec les équipes, il se révise, et il n’existe pas de valeur idéale. Nous consacrons généralement le premier mois à ce calibrage, sans autre objectif que celui-là.
Les conditions sans lesquelles rien ne fonctionne
La première tient en un mot, la déclaration. Si les non-conformités sont saisies de façon approximative, avec une nomenclature de défauts que chacun interprète à sa manière, aucune analyse ne tiendra. Réduire la liste à huit ou dix libellés sans recouvrement, illustrés par des photos affichées au poste, vaut mieux que la conserver à quarante entrées ambiguës. Cette mise au propre a pris quatre jours à Vert-le-Grand et conditionne tout le reste.
La deuxième est l’horodatage cohérent entre les machines et le système de déclaration. Un décalage de quelques minutes entre l’horloge d’une presse et celle du poste de saisie suffit à rattacher un défaut au mauvais cycle et à ruiner l’exercice. Vérifiez ce point avant toute chose, il est trivial et il est presque toujours défaillant.
La troisième est la présence d’un régleur ou d’un technicien qui accepte de jouer le jeu. Sans lui, les pistes remontées par l’analyse ne se transforment jamais en essais, et le projet reste un tableau de bord de plus. Cette personne existe dans presque tous les ateliers ; encore faut-il lui dégager du temps.
Un mot enfin sur le budget, souvent surestimé. La partie analytique repose sur des données que vous possédez déjà et sur des outils dont le coût mensuel reste inférieur à celui d’un contrat de maintenance de presse. La dépense réelle est ailleurs : dans les journées d’essais, dans les lots sacrifiés pour valider un réglage, dans le temps du technicien retiré de la production. C’est cette part-là qu’il faut arbitrer honnêtement avec le responsable d’atelier, sans quoi le projet sera arrêté au premier carnet de commandes tendu.
Deux ans après, ce site est descendu à 2,8 % de rebut, avec un pic résiduel toujours situé après les changements d’outillage. Le gain matière paie l’ensemble du dispositif chaque année, mais ce n’est pas ce que retient le dirigeant. Ce qu’il retient, c’est que les discussions du lundi matin portent désormais sur des faits partagés au lieu de tourner en accusations croisées entre production et maintenance. Une démarche d’IA pour réduire les non-conformités en production produit souvent cet effet secondaire avant de produire ses économies.
Ce type de chantier se rattache à l’ensemble des usages industriels que nous présentons dans le panorama de l’IA appliquée à votre métier. Si votre taux de rebut est stable depuis trois ans sans que personne ne sache le décomposer, MINOBIA peut commencer par cette décomposition, qui ne coûte que quelques semaines de relevés sérieux.
Questions fréquentes
Faut-il équiper les machines de nouveaux capteurs ?
Rarement au départ. Les machines récentes produisent déjà beaucoup plus de données que ce que l’atelier exploite. On ajoute des capteurs seulement quand l’analyse a montré un manque précis.
Combien de temps de données faut-il avant de commencer ?
Quelques semaines de production représentative valent mieux que deux ans d’historique mal déclaré. La qualité des déclarations pèse plus lourd que leur ancienneté.
Et si nos défauts sont trop rares pour être analysés ?
C’est une limite réelle. En dessous de quelques dizaines de cas par famille de défaut, les corrélations deviennent fragiles et il vaut mieux s’en tenir à l’analyse humaine classique.
Les retouches doivent-elles être comptées ?
Oui, et c’est souvent la découverte la plus rentable du projet. Elles représentent un coût caché que le taux de rebut ne fait jamais apparaître.
Le dispositif remplace-t-il le régleur ?
Non, il lui donne des arguments. Ce sont ses essais qui valident ou infirment les pistes, et son jugement qui décide des réglages retenus.
À propos de l’auteur
Joël Obitz est entrepreneur et fondateur de MINOBIA, cabinet spécialisé dans l’intégration stratégique de l’intelligence artificielle au sein des PME et ETI. Fort de 20 ans d’expérience dans le B2B industriel, il accompagne les entreprises dans leur transformation numérique, avec une approche directe, pragmatique et orientée résultats.
Contactez-nous : contact@minobia.ai
Suivez-nous sur LinkedIn et Facebook
MINOBIA – Activateur France Num https://www.francenum.gouv.fr/activateurs/minobia
