IA dans une PME industrielle : les données d'abord

Bpifrance Le Lab a interrogé 1 209 dirigeants de PME et d'ETI entre le 15 octobre et le 16 décembre 2024, puis publié en juin 2025 une étude sur leur usage de l'IA. D'après la page qui la présente, 32 % des PME et ETI utilisent l'IA. Parmi les leviers que l'étude décrit, la digitalisation vient en premier, présentée comme un « prérequis à toute transformation IA ».

L'étude porte sur tous les secteurs. Les passages repris ici ne donnent pas de chiffre propre à l'industrie : ils valent pour l'ensemble des PME et ETI interrogées.

Que dit l'étude de Bpifrance Le Lab sur les données ?

Elle cite le principe « garbage in, garbage out » : une IA, « quelle qu'elle soit, ne pourra produire des résultats de qualité que si on lui fournit des données de bonne qualité ». Quelques chiffres de l'étude situent le point de départ :

43 % des PME et ETI n'utilisent pas l'analyse de données pour piloter leur activité. Celles qui analysent leurs données sont 2,5 fois plus susceptibles d'utiliser une IA.
La part des entreprises engagées dans leur digitalisation est passée de 72 % en 2017, d'après une précédente enquête du Lab, à 76 % en 2024.
Parmi les freins, les coûts trop élevés sont cités par 30 % des dirigeants, au même niveau que la crainte de mauvais usages des données (confidentialité, souveraineté). Les cas d'usage difficiles à identifier sont cités par 23 % des dirigeants, la mauvaise disponibilité ou qualité des données nécessaires par 14 %.
Parmi les 387 dirigeants qui ont adopté une IA, 34 % ont modifié leurs pratiques de collecte et de gestion des données, et 66 % ont formé leur personnel.

Le dirigeant d'une entreprise de métallurgie de 20 salariés, interrogé pour l'étude, pose la question ainsi : « Est-ce que mes données sont assez bien organisées pour pouvoir utiliser la technologie avec succès ? »

La qualité des données vient loin dans la liste des freins. Un frein peu cité peut rester à découvrir, et l'étude elle-même fait des données fiables une condition de l'IA. L'inventaire qui suit sert à le savoir pour sa propre entreprise.

Où sont les données d'une PME industrielle ?

Rarement à un seul endroit. Pour les pièces et les références, elles se répartissent en général entre cinq sources :

L'ERP : articles, nomenclatures, stocks, commandes, fournisseurs. C'est la source la plus structurée. Ses champs facultatifs (famille, fabricant, référence d'origine) sont les premiers à vérifier.
Les tableurs : listes de rechanges par machine, tables de correspondance tenues par un technicien, suivis d'obsolescence. Ils portent parfois ce que l'ERP n'a pas, et n'ont pas toujours d'identifiant commun avec lui.
Les catalogues fournisseurs : fichiers, PDF ou sites, chacun avec ses références et sa façon de les écrire.
La documentation technique : plans, notices, nomenclatures de maintenance livrées avec les machines.
Ce que savent les personnes : l'équivalence que connaît le magasinier ou le vendeur au comptoir, et qui n'est écrite nulle part.

Pour chaque source, trois questions la situent : qui la tient à jour, à quel rythme, et par quel identifiant elle se relie aux autres. Une source sans identifiant commun ne se rapproche des autres qu'au prix d'un travail de correspondance, qu'il faut compter.

Dans quel état sont-elles, et comment le mesurer ?

Un export suffit, sans projet ni connexion à l'ERP. Quelques comptes donnent déjà une idée nette de l'état de la base :

Les références écrites de plusieurs façons. Par exemple, 6205-2RS, 6205 2RS et 62052RS désignent le même roulement. On retire espaces, tirets et points, on passe en majuscules, puis on compte les références qui tombent sur la même clé.
Les doublons : une même pièce sous deux codes articles, repérée par le couple fabricant et référence normalisée (voir les doublons articles dans l'ERP).
Les champs vides : la part des articles sans famille, sans fabricant ou sans référence d'origine. Un article sans famille n'apparaît dans aucune recherche par famille.
Les liens manquants ou faux : remplacements jamais saisis, chaînes de remplacement qui reviennent sur elles-mêmes, nomenclatures rattachées à aucune machine du parc (voir la référence remplacée).
Les désignations libres : le même article décrit avec d'autres abréviations d'un site ou d'une personne à l'autre.

Ces comptes ne disent pas si la base est bonne ou mauvaise dans l'absolu. Ils disent quels usages elle supporte aujourd'hui.

Quels cas d'usage ces données permettent-elles vraiment ?

Chaque usage de l'IA autour des pièces repose sur une donnée précise. Le plus simple est de partir de l'usage et de vérifier que cette donnée existe :

Retrouver une pièce par sa référence, quelle que soit son écriture : la référence fabricant doit être renseignée sur les articles concernés.
Proposer un remplaçant ou un équivalent : il faut des liens de remplacement saisis et datés, ou des tables de correspondance tenues à jour (voir la cross reference).
Partir de la machine pour trouver la pièce : il faut des nomenclatures rattachées au parc, par modèle ou par numéro de série.
Repérer le stock dormant ou les achats en double : il faut le stock et les mouvements par article, et des doublons déjà rapprochés.
Répondre en langage courant sur la documentation : il faut les documents eux-mêmes, accessibles et dans leur dernière version.

Quand la donnée manque, l'usage reste possible, mais le premier chantier porte alors sur le rangement des données. Mieux vaut le savoir avant d'acheter un outil. L'étude de Bpifrance Le Lab le dit à sa manière : « Tester pour tester a ses limites, il s'agit ensuite de viser des usages précis de l'IA, ayant un impact économique clair. »

Par où commencer ?

Lister les sources de données sur les pièces, avec la personne qui tient chacune.
Tirer un export de chaque source, tel qu'il sort aujourd'hui (voir commencer avec les exports).
Faire les comptes ci-dessus sur une famille de pièces, pas sur toute la base.
Choisir un seul cas d'usage que ces données permettent déjà.
Le mettre à l'essai sur cette famille, avec des demandes réelles et des critères d'arrêt fixés d'avance (voir faire un essai avant de déployer).

Le choix de l'outil vient ensuite, quand on sait ce qu'il aura à lire.

ZAFIR travaille sur les exports tels qu'ils sont, normalise les écritures de références à l'indexation et montre les références rattachées à plusieurs articles, sans rien réécrire dans l'ERP.

Questions fréquentes

Faut-il nettoyer toutes ses données avant d’utiliser l’IA ?

Non. Ce sont les données du cas d’usage choisi, sur le périmètre de l’essai, qui doivent être en état. Nettoyer toute la base avant de savoir à quoi elle servira prend du temps, sans dire si c’était le bon travail.

Une IA peut-elle corriger les données elle-même ?

Elle peut proposer des rapprochements : deux références qui se ressemblent, deux fiches qui semblent décrire la même pièce. La décision revient à quelqu’un qui connaît la pièce, parce que deux fiches proches peuvent décrire deux variantes réelles.

Les tableurs comptent-ils autant que l’ERP ?

Pour l’inventaire, oui. Une table de correspondance tenue dans un tableur peut contenir les seules équivalences écrites de l’entreprise. Il faut la lister, savoir qui la tient et par quel identifiant elle se relie aux articles de l’ERP.

Que dit l’étude de Bpifrance Le Lab sur la qualité des données ?

Elle rappelle qu’une IA ne produit des résultats de qualité qu’avec des données de bonne qualité, et relève que 43 % des PME et ETI n’utilisent pas l’analyse de données pour piloter leur activité. La mauvaise disponibilité ou qualité des données nécessaires est citée comme frein par 14 % des dirigeants interrogés.

Sources

← Tous les articles