Autonomation, et l’IA alors ?

Il y a un usage de l'IA que personne ne mentionne. Le lean, lui, le pratique depuis la fin du XIXe siècle.

Quand on parle d'intelligence artificielle en entreprise, la conversation tourne presque toujours autour du même sujet : automatiser. Faire faire aux machines ce que les humains faisaient. Aller plus vite, à moindre coût.

Ce n'est pas un mauvais usage. Mais c'est un seul usage. Et il en existe un autre, que la majorité des dirigeants ne voient pas, non pas par manque de vision, mais parce que personne ne leur a encore posé la bonne question.

Premier usage : l'automatisation

L'IA peut prendre en charge des tâches. Des tâches simples d'abord : répondre à un email, résumer un document, classer une réclamation. Dorénavant, elle peut prendre des tâches plus complexes : traiter une demande client de bout en bout, 24h/24, sans intervention humaine, dans n'importe quelle langue.

La promesse de valeur est réelle : disponibilité permanente pour les clients, suppression des tâches ingrates pour les équipes, productivité accrue pour l'entreprise. Des services qui n'étaient tout simplement pas accessibles hier.

Cet usage mérite d'être exploré. Beaucoup d'entreprises ont bien raison de le faire. Mais s'arrêter là serait passer à côté de quelque chose d'important.

Ce que le lean sait depuis 1896

En 1896, Sakichi Toyoda invente un métier à tisser qui s'arrête seul dès qu'un fil casse. La machine n'a pas été conçue pour aller plus vite, elle a été conçue pour savoir s'arrêter. Pour détecter que quelque chose ne va pas et le signaler. Pas continuer à produire de la non-qualité.

Toyota appellera ce principe Jidoka, traduit par autonomation : doter la machine d'assez d'intelligence pour qu'elle interrompe sa propre production dès que de la non-qualité apparaît. Ce n'est pas une machine supervisée en permanence par un humain. C'est une machine qui sait quand appeler un humain et pourquoi.

Ce principe est l'un des deux piliers du Toyota Production System. Et l'un de ses principaux vecteurs de productivité. Non pas parce qu'il remplace les humains, mais parce qu'il les engage différemment.

Deuxième usage : l'autonomation avec l'IA

Jusqu'ici, “donner de l'intelligence à la machine" était une métaphore. Aujourd'hui, c'est littéral.

Une IA peut détecter qu'une réponse qu'elle s'apprête à donner est probablement incorrecte. Elle peut repérer qu'un processus produit régulièrement des anomalies. Elle peut signaler qu'un cas ne ressemble à rien de connu et mérite qu'un humain s'en empare. Elle peut, en d'autres termes, voir la non-qualité là où personne ne la cherchait encore.

Et c'est là que quelque chose d'important se passe. Quand la machine identifie un problème et attire l'attention d'une équipe, elle crée une opportunité. Comprendre pourquoi. Apprendre. Corriger durablement plutôt que de patcher en urgence. C'est exactement ce que Toyota a institutionnalisé avec l'arrêt de ligne : l'incident n'est pas un échec, c'est un signal. Le team leader ne vient pas réparer, il vient résoudre un problème avec son équipe.

Cet usage produit trois effets que l'automatisation seule ne peut pas générer.

• La qualité comme moteur de productivité. Chez Toyota, la qualité n'est pas un coût, c'est le premier vecteur de productivité. Une machine qui ne produit pas de défauts coûte infiniment moins cher à opérer qu'une machine rapide qui génère des rebuts. Une IA qui détecte la non-qualité avant qu'elle ne se propage, c'est la même logique appliquée à vos processus, vos données, vos interactions client.
• L'apprentissage des équipes. Chaque signal d'anomalie est une occasion de résolution de problème accompagné par le team leader. Pas une réunion de crise ou de blâme, une routine de progression.
• L'engagement. Les équipes qui se voient progresser s'engagent. C'est aussi simple et aussi profond que ça. L'automatisation peut libérer du temps, l'autonomation donne du sens au temps libéré.

Exemple chez Aramisgroup

Chez Aramis, site e-commerce automobile, nous avons mis en place un premier exemple concret de ce principe. Chaque nuit, un agent autonome scanne notre website. Il a été “prompté” par nos équipes produit. Sa mission est la recherche d'anomalies susceptibles de dégrader l'expérience de nos clients : un prix incohérent sur une fiche véhicule, une page qui ne charge pas, des données manquantes ou erronées dans une fiche produit. Autant de signaux de non-qualité que le client rencontrerait seul, sans filet, au milieu de son parcours d'achat.

L'agent ne corrige rien. Il détecte et remonte. C'est exactement le principe du métier à tisser de Toyoda : la machine s'arrête et signale, les humains comprennent et corrigent. À nos équipes ensuite de traiter les anomalies, d'en comprendre la cause racine, et d'éviter qu'elles ne se reproduisent.

L'étape d'après ? Déplacer l'agent encore plus en amont, au plus près du moment où la non-qualité est générée, avant même qu'elle n'atteigne le site. Arrêter la chaîne encore plus tôt.

Les deux usages, pas l'un ou l'autre

Ce serait une erreur de les opposer. Ils ne répondent pas aux mêmes questions.

L'automatisation : que peut faire l'IA que mes équipes ne peuvent pas ?
L'autonomation : que peut voir l'IA que mes équipes ne voient pas encore ?

Les deux usages génèrent des gains mesurables, en qualité, en lead time, en coût. Mais le second ouvre, paradoxalement, une transformation plus rapide à amorcer, moins risquée. Créer un agent capable d'identifier de la non-qualité ne nécessite pas un chantier : il suffit de lui inculquer les points critiques de qualité associés aux standards existants. Vous les avez déjà, l'agent, lui, ne dort jamais et ne les oublie pas.

Ce qui conditionne le succès, c'est autre chose : un team leader capable de deux choses (j'en parlais dans un précédent article) :

1/ comprendre la non qualité détectée par la machine

2/ former son équipe via la résolution de problème qualité et du coaching.

Les dirigeants qui n'explorent que le premier chemin construisent une entreprise plus efficace. Ceux qui explorent aussi le second construisent une entreprise qui apprend.

Il y a plus de 130 ans, le lean nous a montré que la machine intelligente n'est pas celle qui va le plus vite, c'est celle qui sait quand s'arrêter. L'IA nous donne aujourd'hui la chance de redécouvrir cette leçon à grande échelle.

Les deux usages existent. Les deux ont une promesse. Il serait dommage de n'en explorer qu'un.

Cyril Gras 11 mai 2026

Abonnez-vous à Articles ILF sur LinkedIn

Cet article Autonomation, et l’IA alors ? est apparu en premier sur Institut Lean France.