Quand l’IA passe de « voici ce qui risque d’arriver » à « voici ce qu’il faut faire », c’est du pouvoir qui change de mains. L’industrie doit décider jusqu’où elle délègue ses arbitrages avant que l’usage ne tranche à sa place.
Une intelligence artificielle qui détecte un défaut, signale une anomalie, estime une probabilité de panne ou reformule une documentation, permet au milieu industriel de croire qu’il demeure dans un régime d’assistance relativement classique. La machine reste une source de clarté. L’humain, lui, y conserve sans ambiguïté la charge du jugement. Un basculement intervient lorsque le système ne se contente plus de montrer, mais commence à proposer. À cet instant, l’IA change de nature pratique. Elle ne décrit plus une situation. Elle hiérarchise des options, recommande une action, ordonne des priorités, combine des contraintes et, ce faisant, oriente déjà une part croissante du raisonnement collectif. La question n’est alors plus de savoir si l’algorithme est performant, mais quel statut l’organisation lui accorde dans la formation de ses décisions et de ses objectifs. C’est précisément pour cette raison que l’IA prescriptive constitue un point de réflexion majeur pour l’Industrie 5.0 et le monde en général. Cette dernière n’a jamais été pensée comme une nouvelle ivresse de l’automatisation, mais comme une tentative de réarticuler transformation numérique, résilience, soutenabilité et centralité humaine. La Commission européenne le formule particulièrement bien lorsqu’elle fait de la durabilité, de la résilience et du centrage sur le travailleur les trois piliers de l’Industrie 5.0.
Il faut donc commencer par clarifier un élément de confusion fréquente. Une IA prescriptive n’est pas une IA prédictive. La prédiction répond à une question de probabilité. Par exemple, que risque t’il de se passer ? La prescription répond à un besoin d’action. Que convient-il de faire maintenant, avec quels moyens, dans quel ordre, au prix de quels compromis, sous quelles contraintes de sécurité, de coût, de disponibilité, d’énergie, de qualité ou de délai ? Le passage de l’une à l’autre paraît naturel mais il ne l’est absolument pas. En effet, entre prévoir et prescrire s’ouvre tout l’espace du jugement. Cet espace contient des arbitrages que la donnée ne suffit pas à résoudre. Faut-il intervenir immédiatement sur un actif critique au risque d’interrompre une production tendue ? Faut-il reporter une maintenance pour profiter d’une fenêtre d’arrêt à venir, en acceptant une hausse temporaire du risque ? Faut-il mobiliser une équipe expérimentée sur l’équipement le plus sensible ou préserver cette équipe pour un autre site encore plus vulnérable ? Une IA prescriptive ne se contente donc jamais de prolonger le calcul. Elle met déjà en forme un monde de préférences, de priorités, d’objectifs et de renoncements.
Un optimum peut cacher un sacrifice, davantage de production aujourd’hui au prix d’une usine plus fragile demain. Avant de suivre l’algorithme, exigeons de savoir ce qu’il maximise et ce qu’il accepte de perdre.
C’est ce que la littérature la plus sérieuse sur les systèmes prescriptifs rappelle avec une netteté essentielle. Christopher Wissuchek montre dans Prescriptive analytics systems revised que les systèmes prescriptifs représentent la forme la plus aboutie des systèmes analytiques parce qu’ils visent non plus à comprendre ou anticiper, mais à guider une action jugée « optimale ». Son apport le plus intéressant n’est cependant pas cette définition générale. Il tient au fait qu’il identifie plusieurs archétypes de systèmes prescriptifs, depuis les formes simplement consultatives jusqu’aux formes adaptatives ou « quasi » auto gouvernées. Cette distinction est décisive pour l’Industrie 5.0. Elle montre qu’il n’existe pas une seule manière de prescrire. Un système peut rester clairement dans une posture de « conseiller », c’est-à-dire formuler des recommandations que les acteurs examinent et discutent. Il peut aussi glisser vers des formes plus ou moins exécutantes dans lesquelles la recommandation devient concrètement la décision par défaut. Le plus important est donc de s’assurer qu’une IA prescriptive, compatible avec l’Industrie 5.0, demeure intelligible, contestable et révisable. Elle doit organiser la lisibilité du choix sans absorber silencieusement le moment du choix.
L’industrie possède déjà plusieurs exemples de cette progression en puissance de la prescription. IBM présente ainsi l’analyse prescriptive comme la capacité à optimiser la planification de production, l’ordonnancement, les stocks ou la logistique en combinant algorithmes mathématiques, apprentissage et intelligence artificielle pour recommander un plan d’action jugé optimal. L’exemple de Continental Tires est particulièrement révélateur. IBM explique que la solution d’optimisation de décision y est utilisée pour optimiser la production de 20 sites, éliminer des goulots d’étranglement et améliorer l’usage des matières, du personnel et des capacités machines. Ce cas est instructif parce qu’il montre que la prescription n’est pas réservée à la maintenance. Elle prend forme dès qu’un système combine suffisamment de variables pour proposer une allocation des ressources nécessitant des arbitrages complexes. Mais il montre aussi clairement la zone de risque. Ce que l’algorithme prétend optimal dépend, avant tout, des objectifs qu’on lui a donnés. Maximiser le débit n’est pas minimiser l’usure. Minimiser les coûts n’est pas maximiser la résilience. Réduire les encours n’est pas toujours préserver la souplesse locale. La prescription ne supprime donc pas la définition de la politique industrielle exposant les conditions de la décision. Le plus grand danger réside dans le fait qu’elle la dissimule parfois derrière le vocabulaire neutre de l’optimisation.
Un ordre de maintenance généré en quelques secondes peut engager des conséquences pendant des années. Une recommandation doit donc venir avec ses raisons, ses incertitudes et ses alternatives, car sa précision apparente ne suffit pas à justifier l’intervention.
Le domaine de la maintenance donne à voir cette tension avec encore plus d’acuité. SAP expose plusieurs cas d’usage dans lesquels l’IA ne se contente plus d’alerter sur l’état d’un actif. Elle recommande directement des ordres de maintenance, propose des mesures de limitation des impacts, génère des backlogs prescriptifs ou suggère des corrections à partir d’incidents passés. Sur sa page produit dédiée à l’IA pour la supply chain et les opérations, l’éditeur indique par exemple que l’IA peut automatiquement retrouver des incidents de maintenance similaires et recommander des ordres de maintenance pour répliquer des solutions ayant déjà fait leurs preuves. Un document de présentation plus détaillé va plus loin en décrivant un Agent de gestion de cas de fiabilité capable d’analyser des motifs de défaillance, de proposer une analyse causale structurée selon la méthode des 5 pourquoi, puis de recommander des actions à partir de l’historique de performance de l’actif. Ces exemples sont précieux parce qu’ils permettent de constater que la rupture est à l’œuvre. La prescription n’est plus ici une aide périphérique. Elle entre dans le cœur du raisonnement de fiabilité, dans l’évaluation du risque et dans la préparation même de l’intervention.
Pourtant c’est à ces enjeux précis que l’Industrie 5.0 impose une exigence supplémentaire. Une recommandation n’est acceptable que si elle rend visible le monde de contraintes qu’elle a retenu. Une IA prescriptive pertinente ne doit pas se limiter à indiquer quoi faire. Elle doit montrer pourquoi cette option arrive en tête, quelles alternatives ont été écartées, quels critères ont pesé le plus lourd, quelle incertitude entoure encore le résultat, quel niveau de confiance accompagne la recommandation et quel type d’effets secondaires peut résulter de son application. Autrement dit, elle ne doit pas livrer un verdict, mais une structure de délibération. La différence est donc considérable. Dans un cas, l’algorithme commande sans l’avouer. Dans l’autre, il instruit la décision humaine. Cette distinction rejoint la réflexion plus large sur la confiance industrielle. Les travaux de Alamgir Kabir sur l’IA de confiance dans les opérations industrielles insistent précisément sur le fait que la confiance ne repose pas seulement sur la précision ou la robustesse, mais aussi sur la transparence, l’explicabilité, l’obligation de rendre des comptes et la capacité de gouvernance du système. Dans le même esprit, Ahangar et ses coauteurs rappellent que la diffusion d’une IA industrielle digne de confiance dépend de cadres suffisamment robustes pour traiter la transparence, la robustesse, l’équité et la responsabilité.
À force de cliquer sur « valider », l’entreprise peut désapprendre à décider. Le discernement se préserve en l’exerçant chaque jour, avec le temps de questionner, la liberté de contredire et la possibilité de prendre l’initiative.
Le problème déborde donc largement la simple dimension technique. Il est organisationnel, cognitif et presque anthropologique. Une fois qu’un système recommande, l’humain change de posture. Il ne produit plus ex nihilo une décision. Il réagit à une option déjà formulée. Or cette situation modifie profondément les biais d’attention et les formes de responsabilité. Le biais d’automatisation, bien documenté hors du seul champ manufacturier, rappelle qu’un opérateur exposé à une recommandation algorithmique a tendance à lui accorder une confiance excessive, y compris lorsque des signaux contraires sont présents. Le Center for Security and Emerging Technology souligne ainsi que ce biais peut éroder la capacité de l’utilisateur à contrôler significativement le système et à corriger ses erreurs. La conséquence industrielle est directe. Une IA prescriptive mal conçue ne retire pas seulement de la marge de manœuvre. Elle appauvrit l’organisation et affaiblit progressivement l’exercice même du jugement, parce qu’elle transforme la décision en validation de routine. On ne décide plus. On entérine, sauf exception manifeste. C’est précisément ce que l’Industrie 5.0 ne peut accepter car elle veut maintenir le travailleur, non comme simple opérateur terminal d’un système cyber physique, mais comme acteur de compréhension, de discernement et d’apprentissage.
Cette exigence est d’autant plus forte que la littérature récente sur l’industrie centrée sur l’humain montre combien les dimensions psychosociales demeurent sous-traitées. La revue systématique de Martina Passalacqua met en évidence que la confiance dans l’IA, l’autonomie, la motivation, le stress ou la charge cognitive restent encore insuffisamment intégrés dans de nombreux travaux consacrés à l’Industry 5.0. Maria Hartikainen arrive à une conclusion proche lorsqu’elle rappelle que la conception d’une collaboration humain IA en smart manufacturing doit soutenir simultanément l’efficacité productive et le bien-être des opérateurs. Ces travaux ont une implication précise pour le sujet qui nous occupe. Une IA prescriptive est ainsi un dispositif qui reconfigure la recommandation, l’attention et la responsabilité. C’est un dispositif qui redessine l’expérience du travail, redistribue l’attention, déplace la charge mentale et réorganise la frontière entre initiative, supervision et responsabilité.
Superviser sans pouvoir corriger, c’est devenir le fusible humain de la machine. Une gouvernance effective donne à l’expert les moyens de reprendre la main et de faire peser ce que le terrain sait, mais que le modèle ignore.
Dès lors, une IA prescriptive responsable et compatible avec l’Industrie 5.0 doit satisfaire à des conditions plus exigeantes que celles qui accompagnent ordinairement le discours sur l’efficacité analytique. Elle doit d’abord expliciter les contraintes qu’elle prend en compte. Une recommandation sans visibilité sur ses variables d’arbitrage demeure un angle mort maquillé en aide à la décision. Elle doit ensuite exprimer ses incertitudes. Une prescription qui instaure une assurance uniforme, quels que soient la qualité des données, le degré de généralisation du modèle ou la singularité de la situation, prépare davantage l’aveuglement que l’action éclairée. Elle doit donc rendre visibles les compromis qu’elle opère, car toute décision industrielle sérieuse sacrifie toujours quelque chose pour préserver autre chose. Elle doit aussi être insérée dans une boucle de contrôle dans laquelle l’humain n’est ni décoratif ni cantonné au rôle de fusible légal. La supervision humaine, sur ce point, ne peut être réduite à une formule juridique vide. Jesús Salgado Criado montre très bien que l’oversight (supervision humaine) doit être pensé comme un mécanisme opérationnel de gouvernance articulant exigences de sécurité, de conformité, d’éthique, mais aussi objectifs techniques et économiques. Cette idée est décisive car une surveillance humaine pertinente n’est pas un simple droit théorique d’intervention. C’est une capacité effectivement organisée à comprendre, évaluer et corriger.
Il faut alors affirmer une thèse, forte, simple, mais nécessaire. L’IA prescriptive la plus pertinente pour l’Industrie 5.0 n’est pas celle qui décide le plus vite. C’est celle qui rend la décision plus lisible. Elle aide à distinguer les contraintes dures des préférences ajustables. Elle montre les scénarios dominés et ceux qui demeurent réellement ouverts. Elle met en tension plusieurs objectifs au lieu de les condenser dans un score opaque. Elle permet à l’expert métier d’ajouter ce que le modèle ignore encore, tel que l’état réel d’un équipement, la singularité locale d’un atelier, la compétence effective d’une équipe, le contexte de sécurité exceptionnel et les contraintes énergétiques ou sociales momentanées. En ce sens, la meilleure IA prescriptive n’est pas une machine à commander. C’est une machine à rendre les arbitrages discutables sans les dissoudre dans un arbitraire.
Acheter une IA prescriptive ne fournit pas le mode d’emploi de la responsabilité. Sa maturité industrielle se juge à la capacité de l’organisation à comprendre ses recommandations, à décider quand les suivre et à répondre des conséquences.
Ce cadre général permet de mieux comprendre la situation actuelle des technologies prescriptives. La revue de Marko Orošnjak sur la maintenance prescriptive souligne que l’on parle beaucoup plus de prescription qu’on ne la déploie concrètement à grande échelle. Sa conclusion dénonce une illusion. Le passage du prédictif au prescriptif demeure très limité par des questions d’interopérabilité sémantique, d’optimisation en temps réel, de scalabilité, mais également par la difficulté à aligner ces systèmes avec des grands principes de confiance que l’Industry 5.0 nous rappelle. Ce constat invite donc à la prudence. Une organisation industrielle ne manque pas de solutions qui promettent de transformer ses prévisions en décisions. Ce qui lui manque pourtant le plus souvent, c’est une doctrine du bon usage de la prescription. Sans elle, la recommandation algorithmique prend une forme très confortable pour l’organisation, elle soulage à court terme l’effort d’arbitrage. Pourtant elle prépare à moyen terme une perte de compréhension et une dilution des responsabilités.
L’IA prescriptive n’a donc de sens industriel que si elle élève le niveau de discernement plutôt qu’elle ne l’escamote. Elle doit rendre les choix plus intelligibles, non pas plus automatiques. Elle doit exposer les contraintes, les incertitudes, les compromis et les conséquences possibles, non livrer un résultat compacté dans une apparence d’évidence. Elle doit soutenir le jugement, non l’absorber. Et c’est à cette seule condition qu’elle pourra devenir compatible avec l’Industrie 5.0. Elle ne doit pas devenir un prolongement triomphal d’une automatisation cognitive enfin accomplie. Elle doit installer une technologie plus sobre et plus mature, capable d’accepter que, dans l’industrie réelle, la bonne décision n’est presque jamais celle qui sort le plus vite d’un calcul. C’est celle qui reste suffisamment compréhensible pour pouvoir être assumée.
Mustapha Derras
