IA et qualité industrielle : ce qu'elle détecte, ce que l'humain tranche

Sur une ligne de production, la qualité ne se joue pas à un seul endroit. Elle se joue au poste de contrôle, dans le tri des rebuts, dans les fiches de non-conformité qui s'empilent, et dans les réunions où l'on cherche encore pourquoi le même défaut revient.

L'IA n'entre donc pas dans la qualité par une porte unique. Elle intervient à plusieurs étapes, chacune avec ses apports et ses limites propres.

Cet article est le chapitre qualité du guide IA industrielle : il dresse la carte de ce que l'IA sait faire ici, et surtout de ce qu'elle ne doit jamais trancher seule.

Où l'IA agit-elle dans la démarche qualité ?

Le plus utile, avant tout choix d'outil, est de situer chaque usage sur le cycle qualité. À chaque étape, la même règle : l'IA prépare la matière, un humain tranche.

Tableau faisant défiler horizontalement sur petit écran.

Aucune de ces lignes ne décrit une automatisation complète. Chacune décrit un partage du travail : la machine absorbe le volume, l'humain garde la décision.

Voir le défaut sans se fatiguer : le contrôle visuel

Le contrôle visuel est un vrai savoir-faire, mais il porte une faiblesse connue : il dépend de l'attention de l'opérateur, qui s'érode en fin de poste. Deux contrôleurs, ou le même à des heures différentes, ne rendent pas toujours le même verdict.

La vision par ordinateur apporte ce qui manque le plus ici : la constance. Un modèle entraîné sur vos pièces voit une rayure, une porosité ou un composant manquant avec la même sévérité sur la première pièce du jour comme sur la dernière.

Mais l'enjeu n'est pas de savoir s'il détecte. Il est de savoir ce qu'on fait des cas incertains. La réponse tient dans un seuil de confiance : l'IA tranche le cas franc, elle renvoie l'ambigu et le critique à l'humain. C'est tout le sujet du contrôle visuel qualité par IA, qui mérite d'être posé avant tout déploiement.

Reste le cas où le défaut n'est visible d'aucun œil, comme un biofilm sur une surface lavée. J'y consacre une hypothèse assumée dans la détection des biofilms et des bactéries.

Trier les non-conformités au lieu de les empiler

Une non-conformité se décrit avec des mots, en texte libre, et personne ne décrit un défaut exactement comme son voisin. Résultat : des fiches qui se ressemblent tombent dans des cases différentes, et la base grossit sans devenir plus lisible.

Un modèle de langage lit ces fiches telles qu'elles sont écrites. Il rapproche celles qui parlent de la même chose, signale les doublons et oriente chaque remontée vers le bon service, sans imposer un vocabulaire figé aux équipes.

Ce tri n'est pas une qualification. L'IA propose un rangement ; c'est le qualiticien qui confirme la nature du défaut, sa gravité et la suite à donner. La machine range la matière, l'humain lui donne un statut.

Retrouver les causes qui reviennent

Une non-conformité isolée se traite bien. Une récurrence, elle, reste invisible au fil de l'eau, parce que personne n'a pour mission de relire plusieurs centaines de fiches ensemble.

C'est précisément là que l'IA change l'échelle du regard. En regroupant l'historique par le sens plutôt que par libellé, elle fait apparaître le motif que le traitement au cas par cas dissout : un même poste, un même lot, un même moment qui revient sous des formulations différentes. C'est le cœur du travail sur les non-conformités récurrentes.

Préparer le constat, pas le signer

Rédiger un constat de non-conformité prend du temps : reprendre des notes brutes, structurer, reformuler proprement. L'IA peut produire un premier brouillon à partir de ces éléments, dans un format cohérent avec vos habitudes.

C'est un gain réel, à une condition stricte. Un texte généré peut être fluide et faux : plausible dans la forme, inexact sur le fond. Le brouillon ne vaut donc rien sans relecture. Le rédacteur reste responsable de ce qu'il valide, et c'est sa signature, pas celle de la machine, qui engage.

De la non-conformité à l'action corrective

Traiter les non-conformités et engager des actions correctives n'est pas une option de confort : c'est une exigence des systèmes de management de la qualité, dont la norme ISO 9001 pose le principe. La démarche corrective et préventive, ou CAPA, vit et meurt sur le suivi.

L'IA aide sur ce suivi. Elle rapproche les actions ouvertes, signale celles qui traînent, met en évidence les non-conformités qui reviennent malgré une action déjà soldée, signe qu'on a traité un symptôme et non la cause.

Ce qu'elle ne fait pas : décider qu'une action est efficace. Juger qu'une cause est réellement éliminée reste une évaluation humaine, appuyée sur les faits que l'IA a contribué à rassembler.

Chiffrer le coût de la non-qualité

Le coût de la non-qualité est rarement caché. Il est dispersé : le rebut vit dans la production, la retouche dans le pointage des heures, le retour dans la logistique, la réclamation dans un tableur à part. Personne ne les additionne, et un coût qu'on ne sait pas chiffrer est le premier budget rogné.

L'IA agrège ces sources séparées en un chiffre défendable, avec ses hypothèses assumées. Ce montant sert à réordonner les priorités et à décider où agir d'abord. La méthode pour chiffrer le coût de non-qualité suit la même logique qu'un business case, sans rien promettre.

La limite : remonter n'est pas décider

Le fil qui traverse tout ce qui précède est simple : l'IA fait remonter et propose, l'humain qualifie et décide. C'est la frontière entre préparer et décider, et elle n'est pas un principe décoratif.

En agroalimentaire, en pharmaceutique, la libération d'un lot reste une responsabilité humaine. La vision filtre, l'analyse regroupe, le modèle rédige un brouillon, mais aucun de ces gestes n'engage à la place d'une personne.

Deuxième limite, tout aussi ferme : en qualité, l'IA regarde des produits, des procédés et des rapports. Elle ne surveille pas les opérateurs. Faire glisser un outil qualité vers l'évaluation des personnes tarit les remontées dont dépend toute la démarche, et change la nature même du dispositif.

• Demander à l'IA de qualifier.Elle trie et rapproche ; nommer la nature et la gravité d'un défaut reste un acte humain.
• Signer un brouillon sans le relire.Un constat généré peut être plausible et faux. Sans relecture, l'erreur est archivée telle quelle.
• Laisser l'IA libérer un lot.En sécurité sanitaire ou en pharmaceutique, la libération est une responsabilité humaine, jamais un score de confiance.
• Traiter le symptôme et clore l'action.Si la même non-conformité revient après une action soldée, la cause n'a pas été atteinte.
• Faire glisser l'outil vers les personnes.Un dispositif qualité qui se met à évaluer les opérateurs perd la confiance et tarit les remontées.

Que retenir ?

L'IA a une place réelle et large dans la qualité industrielle, du poste de contrôle au chiffrage du coût de non-qualité, en passant par le tri des non-conformités et l'analyse des causes.

Partout, son rôle est le même : rendre visible ce que le volume dissimule, préparer la matière, proposer. La qualification, la décision et la signature restent humaines.

C'est à cette condition que l'IA rend la démarche qualité plus forte, au lieu de la rendre opaque ou suspecte.