Contrôle qualité avec l’IA : que sait-on des cas non signalés ?
Lorsqu’une IA aide à sélectionner les pièces à examiner, le manager ne décide pas seulement où concentrer l’effort : il influence aussi les données du prochain retour d’expérience. La question est précise : comment évaluer ce dispositif si les pièces non signalées sont rarement réexaminées ?
Ce que la littérature établit
Jerker Denrell (2003, Organization Science) montre, par une analyse théorique, comment la sous-représentation des échecs dans l’expérience observable peut fausser l’apprentissage et l’évaluation des pratiques. Une pratique peut paraître favorable parce que les situations qui la mettent en défaut sont moins visibles. Ce travail ne porte pas sur l’IA industrielle, mais établit un problème pertinent pour son évaluation : les cas observés ne représentent pas nécessairement les cas traités.
Apprendre exige aussi de savoir comment les cas deviennent visibles
James March, Lee Sproull et Michal Tamuz (1991, Organization Science) analysent les possibilités d’apprentissage lorsque l’expérience disponible est rare et soulignent le rôle de son interprétation. Accumuler des événements ne suffit donc pas à définir ce qu’une organisation peut en apprendre. Appliqué à un contrôle orienté par l’IA, ce raisonnement invite à documenter pourquoi une pièce a été examinée, et pas seulement le résultat de l’examen.
La conclusion trop rapide
On pourrait en déduire qu’il faut contrôler toutes les pièces de la même manière ou renoncer à cibler les examens. Ces travaux ne justifient ni l’une ni l’autre de ces conclusions : concentrer les ressources peut rester pertinent, sous réserve des exigences de qualité applicables. La nuance consiste à distinguer le ciblage opérationnel des contrôles et l’échantillonnage nécessaire pour évaluer ce ciblage. (nos formations pour cadres et collaborateurs)
Ce que les résultats courants ne permettent pas de conclure
Le taux de défauts parmi les pièces signalées renseigne sur cette sélection, pas sur les défauts laissés hors de celle-ci. Si seules ces pièces alimentent les corrections du système, l’organisation risque de reconduire une observation sélective sans en mesurer les conséquences. Les deux articles cités n’établissent toutefois ni l’ampleur de ce risque pour une IA donnée, ni une taille d’échantillon adaptée à un atelier neuchâtelois.
Une implication pratique, vérifiable à Neuchâtel
Dans un atelier de microtechnique, d’horlogerie ou de microélectronique de précision à Neuchâtel, conserver les contrôles obligatoires et ajouter, sur une période définie à l’avance, un examen aléatoire de pièces non signalées par l’IA, selon un protocole validé par la qualité. Consigner la population concernée, la règle de tirage, le nombre de pièces examinées et les non-conformités confirmées selon les critères habituels. La mesure à suivre est la proportion de non-conformités dans cet échantillon, avec son incertitude : aucun défaut observé ne signifie pas un risque nul. Dans le cadre du programme SHR « Manager à l'ère de l'intelligence artificielle », ce protocole constitue un exercice managérial concret : organiser l’observation avant de conclure à la performance. Pour aller plus loin : découvrez la formation Manager à l'ère de l'intelligence artificielle à Neuchâtel dans le canton de Neuchâtel, ou parcourez nos formations pour cadres et collaborateurs en Suisse.
En images : Manager à l'ère de l'intelligence artificielle à Neuchâtel
- manager à l'ère de l'intelligence artificielle
- Neuchâtel
- recherche
- formation neuchâtel