L'écart entre la disponibilité des outils d'IA industrielle et la capacité à les utiliser de manière cohérente devient de plus en plus la plus grande contrainte dans la fabrication. Pendant des années, la plupart des fabricants ont géré les coûts des maintenances correctives – comme les arrêts imprévus, les heures supplémentaires et la perte de confiance des clients – sans grande alternative. Cependant, le déploiement rapide de l'IA dans la maintenance a changé la donne, passant du potentiel théorique à des solutions réelles et déployables qui rendent le cas d'investissement clair. Malgré un fort engagement de l'industrie envers l'IA, les progrès sont plus lents que prévu. Des recherches montrent que environ 78 % des obstacles à l'adoption de l'IA sont liés au personnel. Bien que les outils d'IA soient introduits plus rapidement, la capacité à les utiliser de manière cohérente n'a pas suivi. La maintenance prédictive, qui utilise l'IA pour anticiper les pannes d'équipements, a connu une croissance significative, mais la maintenance corrective – réparer les problèmes après leur survenance – reste stable. La maintenance proactive, qui vise à prévenir les problèmes avant qu'ils ne surviennent, a même diminué. Cela ne signifie pas un échec, mais plutôt un changement pratique, car les premiers projets d'IA ont fourni des preuves de concept utiles. La première vague de mise en œuvre de l'IA a prouvé les outils eux-mêmes, et non seulement les modèles. Bien que la technologie puisse rapidement s'intégrer au budget, il faut plus de temps pour modifier les habitudes de travail, construire la confiance et ajuster la confiance des personnels sur le terrain. L'investissement en IA se déplace désormais des projets exploratoires vers des priorités opérationnelles plus pratiques, comme la cybersécurité, la gestion des données et l'IA générative. Cela reflète une vision plus réaliste de la maturité numérique, où les dirigeants se concentrent sur les domaines où le coût des retards, des arrêts et des données de mauvaise qualité est immédiat. Les attentes concernant l'Industrie 5.0 – où l'expertise humaine et l'IA travaillent ensemble – évoluent également. Alors que la technologie industrielle passe du modèle centré sur l'automatisation de l'Industrie 4.0 à une approche plus intégrant l'humain, les dirigeants s'attendent à un parcours d'une à quatre années. Le problème de 78 % lié au personnel n'est pas seulement un manque de main-d'œuvre, mais met en lumière un manque d'expertise, des lacunes en connaissances et des déficits de compétences plus larges. Il s'agit de la capacité d'une organisation à absorber et à appliquer efficacement de nouvelles connaissances, connue sous le nom de capacité d'absorption. Dans la maintenance, cela inclut la rapidité avec laquelle une entreprise peut reconnaître de nouvelles informations et les transformer en actions pratiques, comme un superviseur de nuit qui décide si une anomalie nécessite une attention immédiate. Le rapport du gouvernement britannique sur les compétences en IA pour la main-d'œuvre du Royaume-Uni souligne le besoin de compétences techniques comme la formation de modèles d'IA. Il met également l'accent sur la capacité à interpréter les résultats de l'IA, à adapter les processus de travail et à communiquer les changements aux équipes sur le terrain. Ces problèmes liés au personnel ne peuvent pas être traités comme une tâche distincte de la gestion des ressources humaines, mais doivent être intégrés au système qui décide si les investissements en IA entraînent une meilleure exécution. Le succès de l'Industrie 5.0 dépendra des capacités des personnes sur le terrain de production. L'impact commercial du retard entre les dépenses en IA et les retours est clair. Alors que les entreprises investissent dans l'exécution basée sur les données, beaucoup continuent à perdre un temps considérable à cause de problèmes évitables. Selon la recherche True Cost of Downtime 2024 de Siemens, les arrêts imprévus coûtent aux 500 plus grandes entreprises du monde 1,4 trillion de dollars par an – soit 11 % de leurs revenus totaux. Cela reflète le changement incomplet de la maintenance corrective à la maintenance prédictive. Lorsque ce retard persiste, le retour sur l'investissement technologique arrive lentement et de manière irrégulière, entraînant des délais prolongés et une confiance affaiblie dans la livraison. La même discipline appliquée aux outils et aux plateformes doit maintenant être appliquée aux personnes et aux routines. Les dirigeants devraient commencer par identifier les maillons les plus faibles de leurs opérations. Quels actifs dépendent encore de quelques techniciens expérimentés pour leur interprétation ? Quels historiques de travail sont trop minces pour soutenir le diagnostic suivant ? Quelles alertes entraînent une action immédiate, et lesquelles sont ignorées jusqu'à ce qu'une personne compétente soit sur le service ? Ces questions révèlent si la maintenance prédictive est devenue partie intégrante des opérations quotidiennes ou si elle reste au-dessus des habitudes correctives. Capturer les connaissances qui restent dans l'esprit des personnes avant qu'elles ne quittent l'entreprise, garantir que les historiques de travail soient complets et former les équipes à comprendre les alertes d'IA sont toutes des étapes critiques. La fiabilité connectée – où les données des actifs, l'historique de maintenance et le jugement des équipes sur le terrain travaillent ensemble – soutient l'exécution pratique lorsqu'elle reste proche du travail. Des recherches montrent que près de la moitié des répondants prévoient d'avancer dans les initiatives de fiabilité connectée au cours de l'année à venir, considérant la fiabilité comme le pont entre les besoins opérationnels immédiats et les objectifs à long terme. Les dirigeants de la fabrication doivent maintenant auditer leurs capacités avec la même sérieux qu'ils le font pour leurs investissements technologiques. Ils devraient poser non seulement la question de savoir quels outils d'IA ont été déployés, mais aussi qui peut agir dessus, où les décisions ralentissent, quelles connaissances manquent et quels flux de travail tirent encore les équipes vers la maintenance corrective. Seulement alors la pleine potentialité de l'IA pourra être réalisée.