Le déclic : découvrir l’IA au salon
Stéphane Gérard dirige Precis Manufacturing depuis dix-sept ans. L’entreprise, basée à Lyon, fabrique des pièces de précision pour l’automobile et l’aéronautique. Deux cents cinquante salariés, un chiffre d’affaires stable autour de quarante-cinq millions d’euros. Jusqu’à 2023, Precis Manufacturing fonctionnait selon un modèle classique : amélioration continue, réduction des coûts, contrôle qualité rigoureux. Puis, pendant un salon industriel, Stéphane a découvert l’IA appliquée à la maintenance prédictive. Deux ans plus tard, cette découverte a transformé l’entreprise de manière profonde. Sa trajectoire offre des leçons précieuses pour les dirigeants de PME hésitants face à l’IA.
Stéphane avait des craintes légitimes. Pour un dirigeant venant d’un monde de mécanique et de précision maîtrisée, l’IA semblait dangereuse, trop complexe, destinée aux géants. Il craignait aussi qu’elle ne remplace ses employés, ce qu’il aurait vécu comme une trahison envers une équipe qui lui avait fait confiance pendant des années. Mais plusieurs clients majeurs, des groupes automobiles, commençaient à exiger que leurs fournisseurs montrent des « signes de maturité digitale ». Précis Manufacturing risquait de perdre des commandes si elle n’avançait pas. C’est cette pression externe qui l’a poussé à agir, d’abord par pragmatisme commercial plutôt que par conviction technologique profonde.
La structuration : des données au projet
Les premiers mois ont été exploratoires. Stéphane a envoyé deux de ses meilleurs responsables de maintenance en formation. Il a demandé à l’équipe IT (trois personnes) de faire un audit des données disponibles. L’audit a révélé que l’entreprise collectait énormément d’informations : capteurs sur les machines, historiques de réparations, temps d’arrêts, consommation énergétique. Mais ces données étaient fragmentées, souvent stockées en silos départementaux sans connexion entre elles. Mettre en place une solution de maintenance prédictive a d’abord exigé de structurer les données. C’est une leçon que DécisionIA répète constamment aux PME : avant de parler d’IA, d’abord les données. Sans données de qualité, pas de modèles qui valent le coup.
Stéphane a aussi compris qu’il ne pouvait pas faire cela seul. Il a embauché un consultant pour trois mois, formé une équipe projet transversale (maintenance, IT, production). Il a communiqué auprès des salariés pour apaiser les craintes. « J’ai organisé des ateliers, montré des démos, impliquer les équipes dans la décision du fournisseur. Je n’imposais pas la solution ; je la co-construisais. »
Les premiers résultats et l’extension
La première année a été lente. Stéphane a investi cent cinquante mille euros : hardware pour les capteurs, logiciel SaaS, formation, consultant externe. « C’était significatif pour une PME. Mais une fois qu’on comprend le ROI, ça devient facile à justifier auprès du conseil d’administration. » Il a obtenu du soutien régional et une déduction fiscale pour l’innovation, ce qui a aidé.
Douze mois après le lancement, les résultats sont devenus tangibles. Les temps d’arrêt non planifiés ont baissé de vingt-quatre pour cent. Les équipes de maintenance, au lieu de réparer en urgence, commençaient à planifier et à se former. La satisfaction des salariés dans ce département a monté, l’absentéisme a baissé. Stéphane a découvert un bénéfice inattendu : ses salariés, une fois formés, devenaient plus attractifs pour d’autres entreprises, mais aussi plus fiables car reconnus comme experts. La rétention s’est améliorée.
Emboîtant le pas, il a étendu l’IA au contrôle de qualité. Une ligne de vision artificielle a été installée en six mois. Les résultats : identification des défauts avec précision surhumaine, réduction des retours clients de trente pour cent en un an. Mais plus important : les opérateurs, au lieu de rester collés à des microscopes huit heures par jour, supervaient la machine et se concentraient sur l’amélioration continue. Le turnover dans cette équipe a chuté de quarante pour cent à dix pour cent.
Stéphane reconnait les obstacles qu’il a surmontés. L’un était le coût initial. Cent cinquante mille euros pour une PME, c’est significatif. Il a obtenu un soutien régional et une déduction fiscale pour l’innovation. « Sans cela, je n’aurais pas osé. Maintenant, je dirais qu’on ne devrait pas considérer cela comme un coût, mais comme un investissement avec un ROI de moins de deux ans pour la maintenance prédictive. »
Un autre obstacle était la complexité technologique. « J’ai dû m’entourer : un consultant pour structurer les données, la startup pour opérer la plateforme, mes propres équipes IT qui ont grandi en compétences. Seul, je ne l’aurais pas fait. » Il recommande aux petits dirigeants de ne pas tenter la DIY (Do It Yourself) : les grandes entreprises qui construisent leurs propres solutions payent souvent plus cher à long terme qu’elles n’auraient dépensé en SaaS et services.
La transformation n’a pas été linéaire. Une première implémentation du contrôle qualité n’a pas fonctionné : les données d’entraînement du modèle d’IA étaient biaisées, la caméra n’était pas bien positionnée, et les opérateurs n’avaient pas été suffisamment associés à la phase de calibrage. « C’est après un échec qu’on apprend vraiment. On a changé d’approche, on a recommencé, et la deuxième fois, c’était bon. » Stéphane a appris à accepter l’expérimentation et l’échec comme normaux en IA. C’est un mindset que peu de PME possèdent naturellement, car la culture industrielle valorise traditionnellement le zéro défaut et la conformité plutôt que l’itération rapide.
Aujourd’hui, deux ans plus tard, Precis Manufacturing explore une troisième vague : la prévision de la demande et l’optimisation des stocks. Stéphane parle aussi de reprendre certains processus de planification en interne, aujourd’hui exécutés en externe. « L’IA n’est plus une question d’IT pour moi, c’est une question stratégique. Je pense maintenant en termes de cas d’usage métier qui créent de la valeur, pas en termes de technologies. »
Ses conseils aux autres dirigeants de PME sont clairs : commencer petit, avec un cas d’usage à fort ROI. Pour lui, c’était la maintenance prédictive. Impliquer l’équipe, ne pas imposer. Mesurer en continu. Ne pas dépendre d’une seule personne. Former les talents internes car l’expertise reste rare. « Et surtout, ne pas attendre que vos clients l’exigent. Ceux qui bougent maintenant seront en position de force dans trois ans. Ceux qui regardent passivement perdront du marché. »
Stéphane a aussi un message pour les consultants et les vendors : « Aidez-moi à structurer une approche, ne me vendez pas juste une tool. Ce dont j’ai besoin, c’est quelqu’un qui comprend mon métier et qui m’aide à voir où la donnée peut créer de la valeur. » DécisionIA aide justement à cette structuration en accompagnant les PME dans l’identification des cas d’usage prioritaires, l’audit des données, la formation des équipes et la construction progressive d’une gouvernance adaptée. Stéphane a bénéficié du bootcamp DécisionIA après ses deux premiers projets : « Ça m’a permis de formaliser ce que je faisais empiriquement et de construire une stratégie plus systématique pour les années à venir. »
La trajectoire de Stéphane n’est pas unique. Déclinée dans de nombreuses PME, elle montre une vérité : l’IA n’est pas réservée aux géants. Les PME qui acceptent d’apprendre, d’expérimenter et de construire progressivement peuvent non seulement survivre, mais prospérer dans cette nouvelle économie.
Vers une vision stratégique
Ce parcours illustre une transformation profonde dans la manière de diriger une PME industrielle. Stéphane ne considère plus la technologie comme un sujet délégué au service informatique mais comme un levier de compétitivité piloté depuis la direction générale. Cette évolution de posture est typique des dirigeants qui passent du stade ponctuel, où chaque projet IA reste isolé, au stade systémique où la donnée irrigue toutes les décisions opérationnelles et commerciales. Comprendre les cas d’usage IA en métiers manuels l’a aidé à identifier précisément où appliquer la technologie au-delà de la maintenance et du contrôle qualité. De même, apprendre les nouveaux business models lui a ouvert les yeux sur comment repenser la proposition de valeur et la monétisation de ses services industriels.
DécisionIA accompagne les PME dans cette transition en proposant une structuration par étapes adaptée aux contraintes budgétaires et humaines de chaque organisation. L’expérience de Stéphane confirme que la réussite ne dépend ni de la taille de l’entreprise ni du budget initial, mais de la capacité du dirigeant à engager ses équipes dans une démarche progressive et mesurée. Les PME qui acceptent d’apprendre, d’expérimenter et de construire pas à pas peuvent transformer durablement leur positionnement concurrentiel dans cette nouvelle économie portée par la donnée et les algorithmes.