Data vs IA : le comparatif
Poser une grille de lecture simple pour orienter un besoin vers la data ou vers l'IA, et savoir quand l'IA n'est pas nécessaire.
Dans un atelier d'injection plastique, deux questions reviennent chaque semaine : « Quel est notre taux de rebut ce mois-ci ? » et « Quand la presse n°3 va-t-elle tomber en panne ? ». Ces deux questions semblent proches. Elles n'appellent pourtant pas les mêmes outils — et confondre les deux coûte du temps et de l'argent.
01 — La data décrit et observe le passé
Faire de la data, c'est collecter des mesures, les organiser et les présenter pour répondre à une question sur ce qui s'est passé ou ce qui se passe en ce moment. Le tableau de bord de production affiché en salle de réunion, le graphique de suivi des rebuts par poste, l'indicateur OEE actualisé chaque matin : voilà de la data. L'outil central est le tableau de bord (ou rapport, ou indicateur). On mesure, on agrège, on visualise.
02 — L'IA prédit, décide ou génère à partir de cette data
L'IA va plus loin : à partir des données du passé, elle cherche à répondre à « que va-t-il se passer ? » ou « quelle est la meilleure action à prendre ? ». Un modèle d'IA prédictive analyse les mesures de vibration et de température de la presse n°3 pour estimer la probabilité de panne dans les sept prochains jours. Ce n'est plus de l'observation : c'est une inférence sur le futur.
03 — Le comparatif en un coup d'œil
- Objet : décrire et comprendre le passé
- Question : que s'est-il passé ? Combien ? Où ?
- Outil typique : tableau de bord, rapport, indicateur
- Exemple : taux de rebut par poste, OEE hebdomadaire
- Décision : prise par un humain après lecture
- Coût de mise en œuvre : souvent faible à modéré
- Objet : prédire, recommander ou générer
- Question : que va-t-il se passer ? Quelle action choisir ?
- Outil typique : modèle entraîné sur un historique
- Exemple : prévision de pannes, prévision de la demande
- Décision : suggérée ou automatisée par le modèle
- Coût de mise en œuvre : plus élevé, exige des données de qualité
04 — L'IA a toujours besoin de données
Il n'existe pas d'IA sans données. Un modèle qui prédit l'usure d'un roulement a été entraîné sur des milliers de relevés de vibration, de température et de durées de vie réelles. Si ces données n'existent pas, ou si elles sont trop parcellaires, le modèle ne peut pas apprendre. Avant tout projet IA, la première question à poser est donc : dispose-t-on des données nécessaires, en quantité et en qualité suffisantes ?
05 — On n'a pas toujours besoin d'IA
C'est peut-être la leçon la plus utile de ce module. Beaucoup de besoins industriels se règlent très bien avec un bon tableau de bord ou une règle simple — et pour bien moins cher qu'un projet IA. Si l'objectif est de suivre la production, de détecter un dépassement de seuil ou de comparer des équipes, un indicateur bien conçu suffit. L'IA est justifiée quand la question est complexe, les variables nombreuses, et qu'aucune règle manuelle ne permet de répondre de manière fiable.
06 — Comment choisir ? Le test en trois questions
- La question porte-t-elle sur le passé ou le futur ?Passé / présent → data viz. Futur / recommandation → envisager l'IA.
- Un tableau de bord ou une règle simple suffit-il ?Si oui → s'arrêter là. Moins coûteux, plus explicable, plus rapide à déployer.
- Dispose-t-on de données fiables en quantité suffisante ?Non → structurer la collecte d'abord. Oui → un projet IA peut être envisagé.