La loi de l’instrument appliqué au digital

Elle s’applique, hélas, très bien au choix d’une solution informatique à un problème donné.

Depuis, le concept s’est étendu vers l’informatique avec l’apport de José M.Gigaldo qui l’a théorisé “golden hammer” (“marteau d’or”) en 1998 (3). Il décrit que le “golden hammer”, c’est la tendance à utiliser systématiquement une technologie familière, même lorsqu’elle n’est pas la plus adaptée.

La chose : le besoin métier

L’industrie, comme la majorité des autres entreprises, est organisée en processus. Les besoins en digitalisation émergent à divers points, pour fiabiliser et faciliter la transmission ou l’acquisition d’information.

Pour l’adepte de la loi de l’instrument, ce besoin ou problème à résoudre dans l’entreprise apparaîtra comme simplifié. Celui qui cherchera à le résoudre techniquement sera souvent un éditeur ou intégrateur de solution numérique. Tout naturellement, il va orienter le problème de manière à le faire entrer dans l’empreinte de ses solutions. S’il est vraiment plus spécialiste de l’informatique que du secteur d’activité de l’entreprise qui a un problème à résoudre, il y a un risque que la solution proposée ne résolve pas le problème entier, qu’elle ne “rentre” pas bien dans les processus existants…

La chose “besoin digital” est donc à caractériser le plus précisément possible avec :

• suffisamment de hauteur de vue pour considérer les choix techniques possibles,
• suffisamment de connaissance profonde du secteur d’activité pour ne pas éloigner la solution du besoin.

Les marteaux : stack et biais

Ce qu’on nomme parfois “stack technique” regroupe l’ensemble des outils et langages mis en œuvre pour apporter la réponse.

Les “clous” sont très différents les uns des autres :

• solutions totalement sur-mesure dans un langage informatique plus ou moins bas niveau,
• solutions sur le cloud (ou SaaS) ou locale,
• solution s’appuyant sur un outil déjà en existant…

Dans tous les cas, le résultat peut être satisfaisant si le problème a été correctement compris et traduit. Chaque solution peut ainsi avoir des avantages et des inconvénients.

Chaque marteau sa contrainte

Dans le cas où la solution est basée sur un outil déjà développé par l’apporteur de solution, l’avantage est sa maîtrise. Il manie très bien son marteau et moyennant quelques efforts, si le prix de ces efforts n’est pas rédhibitoire, il apportera clé en main une solution qu’il saura, théoriquement, maintenir. Ou du moins la responsabilité sera totalement sur ses épaules. L’inconvénient sera que parfois, il a peut-être un peu trop martelé et que la solution sera bancale…

Dans le cas où l’offreur de solution dispose d’un panel de solutions et qu’il s’adapte en sélectionnant celle qui est la meilleure selon ses critères, l’avantage est que le résultat devrait être stable et “propre”. L’inconvénient est qu’il a probablement utilisé des outils appartenant à des tiers et qu’il ne peut pas être certain, sur le long terme, de pouvoir continuer à les exploiter aux mêmes conditions. Comme ce fut le cas avec Java (4), longtemps proposé gratuitement et devenu payant…

Enfin, dans le cas d’une solution totalement sur-mesure, les avantages dépendent de celui qui propose cette solution : a-t-il la souplesse du choix de son langage ? Va-t-il orienter aussi la solution en fonction des syntaxes qu’il maîtrise ?

Une solution choisie principalement parce qu’elle est familière peut également générer une dette technique importante sur le long terme (5).

Ainsi, les solutions techniques de plus en plus nombreuses sont à évaluer et une des questions à se poser reste : suis-je en discussion avec un prestataire “ouvert” et curieux ?

Exemple concret : API / ETL

Un exemple fréquent concerne la récupération et la centralisation de données provenant de plusieurs logiciels via des API.

De nombreux outils spécialisés existent pour réaliser ces traitements ETL (Extract, Transform, Load). Certains proposent des interfaces graphiques très puissantes, des centaines de connecteurs et des possibilités presque illimitées.

Pourtant, ces solutions ne sont pas toujours les plus adaptées.

Dans certains contextes, un outil très complet peut introduire une sur-complexité inutile :

• infrastructure plus lourde,
• consommation de ressources plus importante,
• dépendance à un éditeur,
• coûts de licence évolutifs,
• maintenance plus difficile,
• besoin de formation supplémentaire.

À l’inverse, une solution totalement développée sur mesure peut devenir difficile à maintenir si elle repose sur des choix techniques trop spécifiques ou peu documentés.

Le bon choix dépend donc moins de “l’outil préféré” du prestataire que :

• du niveau réel de complexité du besoin,
• des compétences disponibles côté client,
• des contraintes budgétaires,
• des enjeux de pérennité,
• et même des objectifs de numérique responsable (6).

Une solution techniquement impressionnante n’est pas nécessairement la meilleure réponse au problème posé.

L’AI amplifie-t-elle le phénomène

Avec l’IA, on observe une amplification du phénomène en même temps que la possibilité de s’ouvrir encore plus. Le versant négatif, l’amplification de la loi de l’instrument vient du fait que l’IA elle-même privilégie certains langages comme le Python. On peut donc penser que même si le Python n’est pas le plus adapté, il sera sélectionné dans davantage de projets. Le versant positif est que l’IA, connectée sur internet, peut aider les curieux à chercher et challenger les solutions.

Restons positif : l’IA donne accès à la connaissance, bien utilisée, avec un esprit curieux, elle permet d’ouvrir le champ des possibles et de proposer les meilleures solutions.

Conclusion sur les choix techniques

La loi de l’instrument n’est pas un défaut réservé à l’informatique : elle touche tous les domaines techniques.

Mais dans le digital, où les outils évoluent rapidement et où les effets de mode sont fréquents, elle peut conduire à des choix coûteux ou inadaptés.

La qualité d’une solution ne dépend donc pas uniquement de sa sophistication technique, mais surtout de son adéquation avec le besoin réel, les usages et les contraintes de l’entreprise.

Finalement, le meilleur partenaire n’est peut-être pas celui qui possède le plus gros marteau, mais celui qui accepte parfois de ne pas l’utiliser.

Rendez-vous ici pour découvrir comment Sca-Flex s’adapte à votre environnement.

(1) https://fr.wikipedia.org/wiki/Loi_de_l%27instrument

(2) https://fr.wikiquote.org/wiki/Le_Crime_de_l%27Orient-Express_(film,_2017)

(3) https://en.wikipedia.org/wiki/Golden_hammer

(4) https://elee.com/fr/blog/nouvelle-politique-java-2023-les-defis-de-cette-surprise

(5) https://martinfowler.com/bliki/TechnicalDebt.html

(6) https://label-nr.fr/referentiel-numerique-responsable/

The post Toute chose ressemble à un clou, pour celui qui ne possède qu’un marteau ? Application de la loi de l’instrument au digital en entreprise appeared first on Sca-Flex.

L’intelligence artificielle appliquée à la performance industrielle peut encore sembler lointaine. Pourtant, l’intérêt pour le sujet est bien réel. Les conférences, cafés-débats, initiations ou réunions publiques se multiplient. Elles attirent un public toujours plus nombreux. La question est donc légitime : l’IA industrielle est-elle un mythe porté par l’effet de mode ou une réalité opérationnelle ?
En échangeant lors de ces événements, un constat revient souvent. Beaucoup d’organisations et d’industries en sont encore aux balbutiements. Enfin, pas sur tous les sujets…

L’IA : un terme “tendance” pour des réalités bien distinctes

Le terme “IA” est aujourd’hui très utilisé. Il est parfois anxiogène et souvent réduit à l’IA générative. Il charrie à la fois mythes, peurs et promesses. Pourtant, on peut s’accorder sur une définition simple. l’IA est la capacité d’une machine à reproduire certains comportements humains (1). Alors, on s’aperçoit que l’IA est présente dans l’industrie depuis longtemps.

L’IA industrielle avant l’IA générative : une histoire ancienne

Dans l’industrie, la technique conditionne la survie et l’automatisation est un impératif. Mais, là, les applications d’IA n’ont pas attendu l’IA générative et l’avènement de ChatGPT, Gemini ou Le Chat pour exister.
Depuis plus de 40 ans, les systèmes de vision industrielle permettent, grâce à des capteurs et des boucles de retour, d’arrêter un convoyeur, d’éjecter une pièce non conforme ou de contrôler une qualité (2).
Les logiciels de planification multi-niveaux existent eux aussi depuis plusieurs décennies car pour rappel, le MRP apparaît dès les années 1960 (3).
Les véhicules à guidage automatique (AGV), capables de se déplacer de manière autonome, sont déployés dans les usines depuis plus de 40 ans (4).
Enfin, les programmes “maison” visant à automatiser des recherches ou des saisies remontent au moins à l’arrivée de Visual Basic avec Excel dans les années 1990 (5).

Autrement dit, l’IA industrielle n’est pas nouvelle. Ce qui change aujourd’hui, c’est son ampleur.

Ce qui change vraiment aujourd’hui : le passage à l’échelle

La véritable nouveauté repose sur deux ruptures majeures :

• Les réseaux de neurones et le deep learning, qui permettent aux systèmes, notamment de vision, d’apprendre en continu sans dépendre d’exemples exhaustifs.
• Les Large Language Models (LLM), qui rendent possible une interaction en langage naturel avec les machines, les systèmes et les équipements. La barrière du langage technique disparaît progressivement.

C’est précisément cette combinaison qui explique l’engouement actuel. Comme le souligne McKinsey, l’IA industrielle est en train de passer des pilotes à la performance à grande échelle, notamment dans des domaines très concrets comme la maintenance prédictive, l’amélioration de la qualité et la planification avancée. Cet alignement entre maturité technologique et valeur métier explique l’explosion des intentions d’investissement observées chez les industriels.

Vers une industrie “Babel” : quand le langage devient l’interface

Nous glissons progressivement vers une industrie “Babel”, où les barrières entre humains et machines s’estompent.
Certaines entreprises permettent déjà de programmer un robot en lui expliquant, à l’oral ou à l’écrit, ce qu’il doit faire, sans modifier une seule ligne de code. La maîtrise d’un langage de programmation n’est plus un frein : l’essentiel réside dans la capacité à concevoir ou co-concevoir l’algorithmie.

Des applications sur mesure exploitent désormais les bases de connaissances internes, couplées à la puissance des LLM, pour accéder aux procédures de maintenance, aux historiques de réclamations clients ou aux référentiels qualité. L’accès à la connaissance n’a jamais été aussi simple.

Connaissance banalisée, responsabilité accrue

Comme le souligne Laurent Alexandre dans Ne faites plus d’études (6), la valeur de la connaissance brute tend vers zéro. Ce qui compte désormais, ce n’est plus de savoir, mais de comprendre, arbitrer et décider.
Dans cette industrie omnisciente, la tentation est grande de croire que tout sera plus simple, plus productif, voire totalement automatisé. C’est un leurre. L’IA ne supprime pas la complexité : elle la déplace.

L’avenir sera plus compétitif et plus exigeant. Ceux qui se contenteront de “reposer” sur l’IA prendront du retard. Ceux qui l’exploiteront comme un levier d’amélioration continue iront plus vite.

IA et amélioration continue : une opportunité stratégique

Les démarches de productivité et d’amélioration continue sont ancrées dans l’industrie depuis longtemps. L’arrivée de l’IA de nouvelle génération — et demain de robots multi-tâches incarnant ces technologies — constitue une opportunité majeure pour gagner les points de compétitivité indispensables à la concurrence internationale.

Il ne s’agit pas de laisser l’IA décider seule, mais d’identifier en permanence ce qui peut être automatisé par des agents, ce qui peut être délégué après validation, et ce qui peut être créé ou résolu plus efficacement.

Ingénieurs et consultants augmentés, pas remplacés

Les services support sont déjà en première ligne. À condition d’un cadre clair et d’outils sécurisés, ingénieurs, managers et consultants deviennent des professionnels augmentés, capables d’accélérer l’analyse, la conception et la mise en œuvre.

C’est précisément dans cette logique que s’inscrivent nos missions : accompagner les industriels dans l’identification des cas d’usage à forte valeur, le déploiement pragmatique de solutions IA, et leur intégration au cœur des processus existants, en partenariat avec des solutions d’IA sécurisées et maîtrisées.

Mythe ou réalité ?

L’Intelligence Artificielle appliquée à la performance industrielle n’est donc ni un mythe, ni une baguette magique. C’est une réalité opérationnelle en construction, qui devient chaque jour un peu plus concrète, à mesure que les technologies mûrissent et que les organisations apprennent à les exploiter intelligemment.

Et oui — cet article, comme les précédents, a bien entendu été relu et corrigé par une IA. Mais la réflexion, elle, reste profondément humaine… Comme la relation qui se crée, la capacité d’écoute et la pédagogie qui font tout autant la réussite d’un projet que sa technique, boostée à l’IA : n’hésitez pas à prendre contact !

(1) Parlement Européen : https://www.enseignementsup-recherche.gouv.fr/fr/intelligence-artificielle-de-quoi-parle-t-91190

(2) Article sur la vision industrielle https://www.mdpi.com/2076-3417/14/4/1471.

(3) https://fr.wikipedia.org/wiki/Planification_des_ressources_de_production

(4) https://fr.wikipedia.org/wiki/V%C3%A9hicule_%C3%A0_guidage_automatique#:~:text=En%20effet%2C%20le%20premier%20AGV,%2C%20mus%C3%A9es%2C%20a%C3%A9roports%2C%20etc.

(5) https://www.developpez.com/actu/98932/Microsoft-celebre-les-25-ans-de-Visual-Basic-l-entreprise-explique-les-raisons-pour-lesquelles-elle-ne-peut-se-resoudre-a-le-rendre-open-source/

(6) Ne faites plus d’études – Apprendre autrement à l’ère de l’IA, Laurent Alexandre et Olivier Babeau, édition Buchet-Chastel

The post L’Intelligence Artificielle appliquée à la performance industrielle : mythe ou réalité ? appeared first on Sca-Flex.