IA et planification de production : opportunités réelles et pièges à éviter

L'intelligence artificielle s'invite dans toutes les conversations sur la planification de production. Les promesses sont séduisantes, les projets se multiplient — et les déceptions aussi.

Un client nous a contactés il y a quelque temps avec un projet ambitieux : développer une solution IA maison pour automatiser sa planification. L'équipe technique était solide. La volonté, réelle. L'idée de départ semblait logique : capturer ce que le planificateur faisait manuellement, puis l'automatiser.

C'est exactement ce qu'ils ont fait. Ils ont automatisé les limitations du planificateur.

En reproduisant fidèlement le processus existant, ils ont encodé dans leur système toutes les contraintes qu'un humain s'impose parce qu'il ne peut pas tenir plus d'une dizaine de variables en tête en même temps. Le résultat n'était pas une planification optimisée. C'était une planification manuelle, en plus rapide, avec tous ses défauts intacts.

Au bout du compte, ils se sont rendu compte qu'ils étaient en train de recréer des algorithmes d'optimisation qui existaient déjà depuis des décennies dans des solutions APS éprouvées.

Le vrai risque d'un projet IA en planification de production

On parle beaucoup du risque technique dans les projets IA. En planification de production, le vrai danger est ailleurs. Ce n'est pas l'absence de compétence technique — c'est l'absence de compréhension de ce qu'est la planification.

Un développeur qui ne fait pas la différence entre un work center et un machine center peut écrire du code parfaitement fonctionnel. Il ne pourra simplement pas modéliser correctement un atelier de production. Et un modèle IA bâti sur une mauvaise représentation des contraintes produira des plans que personne ne pourra exécuter sur le plancher.

La planification de production est une discipline. Elle a ses concepts, ses règles, ses subtilités. Ce n'est pas un problème d'optimisation générique qu'on règle avec un bon algorithme et de la bonne volonté.

Les 4 rôles concrets de l'IA en planification

Cela dit, l'IA a de vraies applications en planification. Quatre, principalement.

Le prévisionnel : prévoir la demande

Les modèles de machine learning excellent dans l'analyse de données historiques pour produire des prévisions de demande plus précises que les méthodes statistiques traditionnelles. Saisonnalité, tendances marché, variables externes : l'IA détecte des patterns qu'un humain ne verrait pas. Une meilleure prévision, c'est moins de stocks de sécurité excessifs et moins de ruptures.

Le prédictif : évaluer la probabilité qu'un plan se réalise

L'IA prédictive va plus loin qu'un plan : elle évalue la probabilité que ce plan se réalise. Quelle commande risque d'être en retard compte tenu des pannes historiques ? Quel fournisseur présente le plus de risque ce mois-ci ? On passe d'un plan statique à un plan avec un niveau de confiance associé — et le planificateur peut concentrer ses interventions là où le risque est réel.

L'agent IA : dialoguer avec ses données

Les agents conversationnels permettent aux planificateurs d'interroger leurs données en langage naturel. « Quelles commandes risquent d'être en retard cette semaine ? » « Quel est l'impact si je décale la commande 4521 de trois jours ? » Pas de requête SQL, pas de tableau croisé. L'agent ne remplace pas le planificateur — il lui donne un accès immédiat à l'information.

La métaheuristique : simuler des milliers de plans

Planifier une usine avec des dizaines de ressources, des centaines de commandes et des milliers de contraintes est un problème mathématiquement insoluble par force brute. Les algorithmes métaheuristiques — génétiques, recuit simulé, essaims de particules — explorent intelligemment l'espace des solutions pour trouver un plan quasi-optimal en quelques secondes. C'est là que l'IA rejoint la recherche opérationnelle.

Le prérequis que personne ne veut entendre

Ces quatre applications ont un point commun : elles ont toutes besoin d'une structure de données solide qui représente fidèlement l'ensemble de vos contraintes opérationnelles. Si vos temps de production sont faux, si vos capacités machines ne reflètent pas la réalité, si vos nomenclatures sont incomplètes, l'IA produira des résultats inutilisables.

Garbage in, garbage out. La règle n'a jamais été aussi vraie qu'avec l'IA.

Pourquoi programmer quand on peut configurer ?

Le client dont on parlait au début a fini par tirer lui-même la conclusion : il investissait des ressources considérables pour recréer quelque chose qui existait déjà, développé par des équipes spécialisées et affiné sur des décennies de déploiements dans des usines réelles.

Personne ne penserait à développer son propre ERP. Alors pourquoi vouloir développer son propre APS ?

Des solutions comme DELMIA Ortems intègrent aujourd'hui de l'IA nativement : prévision d'adhérence au plan, optimisation par algorithmes avancés, simulation de scénarios. Ce n'est pas de l'IA ajoutée après coup. C'est de l'IA construite autour d'un modèle de planification qui comprend la différence entre un work center et un machine center.

Configurer un outil qui fait déjà tout ça est infiniment plus rapide et plus fiable que de le programmer from scratch. Et ça laisse vos équipes se concentrer sur ce qui compte vraiment : modéliser fidèlement vos contraintes opérationnelles. C'est là que réside votre avantage concurrentiel — pas dans les algorithmes.