Le retour de l'expertise à l'ère de l'intelligence artificielle

Les débats sur le remplacement du travail humain par l'intelligence artificielle se résument souvent à une dichotomie : soit les machines gagnent, soit les humains. La récente stratégie qualité de Ford vient briser cette opposition simpliste. Au cours des trois dernières années, l'entreprise a embauché, réintégré ou promu près de 350 experts techniques chevronnés. Ces spécialistes forment les jeunes ingénieurs, supervisent les évaluations de conception, traquent les points de défaillance potentiels avant le passage en production et contribuent au développement d'outils de qualité basés sur l'IA.

Sur les réseaux sociaux, l'événement a été résumé ainsi : « L'IA a échoué, Ford rappelle 350 ingénieurs ». Une phrase frappante, mais incomplète. Ford n'a pas renoncé à l'intelligence artificielle ; l'entreprise continue d'utiliser des systèmes de vision, des tests automatisés et des outils de validation logicielle dans ses usines. Ce qui a changé, ce n'est pas l'investissement dans la technologie, mais la croyance que la technologie suffirait à elle seule. La réalité découverte par Ford est la suivante : on ne peut garantir la qualité uniquement avec plus de données, de caméras et d'automatisation.

Car la qualité ne consiste pas seulement à détecter un produit défectueux au cours du processus ou en fin de ligne. L'enjeu réel est de prévoir pourquoi cette erreur surviendra, dès la phase de conception. Un ingénieur expérimenté peut pressentir qu'une pièce posera problème lors de l'assemblage, même s'il ne voit rien d'anormal sur le plan technique. Il sait, grâce à son expérience passée, qu'une tolérance acceptable sur le papier créera une déviation en production de série, qu'une modification logicielle entrera en conflit inattendu avec un autre système, ou qu'un fournisseur reproduira le même problème dans certaines conditions.

Toutes ces informations ne figurent pas dans les procédures. En sciences de gestion, on appelle cela le « savoir tacite » : une expertise née de l'expérience, impossible à consigner entièrement par écrit ou par des règles. Au fil des années, l'humain apprend non seulement les résultats enregistrés, mais aussi le contexte à travers les pannes vécues, les essais infructueux, les plaintes des clients et les crises de production. Il distingue quelles données sont réellement importantes, quelle mesure peut être trompeuse et quel petit signe annonce une panne majeure. L'IA peut trouver des modèles dans les données qui lui sont présentées, mais elle ne peut pas créer spontanément une mémoire institutionnelle qui n'a jamais été transmise au système.

Les déclarations des dirigeants de Ford pointent également dans cette direction. L'entreprise reconnaît ne pas avoir accordé suffisamment d'importance à l'expérience des ingénieurs seniors ayant traversé de nombreux cycles de développement de produits par le passé. Ayant pris conscience de cette lacune, Ford replace les experts techniques chevronnés au cœur du processus. Ces personnes ne sont pas seulement des auditeurs traquant les erreurs ; elles agissent comme des guides qui établissent des liens entre différents domaines d'ingénierie et alimentent les systèmes d'IA avec des informations plus précises.

Les résultats sont remarquables. Ford s'est hissé à la première place parmi les marques grand public dans l'étude initiale de qualité 2026 de J.D. Power aux États-Unis. Le score de la marque est passé de 193 problèmes pour 100 véhicules à 152 en un an. Ford est ainsi devenu le leader de cette catégorie pour la première fois depuis 2010. Les modèles F-150, Mustang et Super Duty se sont également classés premiers dans leurs catégories respectives. 

La transformation chez Ford ne se limite pas au rappel d'experts expérimentés. En 2023, l'entreprise a regroupé ses unités d'ingénierie automobile, de production, de chaîne d'approvisionnement et de qualité sous un même système industriel ; elle a renforcé les revues de conception hebdomadaires et a impliqué les fournisseurs plus tôt dans le processus de développement. Tandis que les ouvriers d'usine bénéficient de systèmes de vision assistés par IA, les logiciels automobiles sont testés avec des centaines de milliers de scénarios automatisés avant d'atteindre le client. En somme, la recette de l'amélioration n'est pas de « couper les machines et de rappeler les humains », mais de connecter les processus, de prévenir l'erreur avant qu'elle ne naisse plutôt que de la trier après production, et de soumettre la technologie au jugement des experts.

Il faut toutefois garder raison. L'étude de J.D. Power ne se base pas sur la durée de vie totale ou la durabilité à long terme des véhicules, mais sur les problèmes signalés par les nouveaux propriétaires au cours des 90 premiers jours et sur les dossiers de service. Dans le classement général des marques, Porsche devance Ford avec 138 problèmes pour 100 véhicules. Genesis est également légèrement devant Ford avec 151 problèmes contre 152. De plus, les problèmes passés de Ford liés aux rappels de véhicules ne sont pas totalement résolus. Il ne s'agit donc pas d'un « miracle », mais d'une amélioration forte dans la bonne direction.

Cette distinction est importante. Car lire le cas Ford comme « l'humain a vaincu l'IA » serait tout aussi superficiel que l'affirmation selon laquelle « l'IA remplacera tous les ingénieurs ». Le résultat atteint par l'entreprise n'est pas le produit d'une compétition entre l'humain et la machine, mais d'une juste répartition des tâches. L'IA peut scanner des milliers d'images en quelques secondes, tester des centaines de milliers de scénarios logiciels et saisir des modèles que l'œil humain pourrait manquer. En contrepartie, l'ingénieur expérimenté décide quelle question poser, quel résultat est inhabituel et ce qu'une découverte signifie dans les conditions réelles de production.

Le problème fondamental ici n'est pas la technologie, mais la philosophie de gestion. Lorsque les entreprises écartent des employés expérimentés au nom de la réduction des coûts ou d'une numérisation rapide, elles ne réduisent pas seulement leurs dépenses salariales. Elles perdent également la mémoire des erreurs passées, la relation maître-apprenti et la capacité de jugement qui s'active en période de crise. Ensuite, elles tentent de racheter cette connaissance via des bases de données, des projets de conseil ou une nouvelle application d'IA. Or, certaines informations ne peuvent être récupérées une fois que les personnes qui les portaient ont quitté l'institution.

C'est pourquoi il est nécessaire d'ajouter un « bilan de mémoire institutionnelle » aux investissements dans l'IA. Quelle connaissance critique ne réside que dans l'esprit de quelques employés ? Comment cette connaissance est-elle transmise aux nouvelles générations ? Avec les évaluations de quels experts les systèmes d'IA sont-ils entraînés ? Lorsque la technologie détecte une erreur, la compétence humaine pour en comprendre la cause profonde est-elle toujours présente dans l'institution ? Une automatisation réalisée sans poser ces questions peut générer de la fragilité plutôt que de l'efficacité.

L'expérience de Ford est importante au-delà du secteur automobile. De la santé à la banque, des médias aux services d'ingénierie, de nombreuses entreprises voient l'IA comme un raccourci pour réduire les effectifs. Pourtant, surtout dans les métiers complexes et à haut risque, le gain essentiel ne vient pas de l'éviction de l'humain du système, mais de l'amélioration de la qualité de la décision. Dévaloriser l'employé expérimenté pour ensuite le rappeler afin d'entraîner l'IA n'est pas une transformation numérique ; c'est une erreur de gestion coûteuse.

La leçon apprise par Ford est en réalité très ancienne : la qualité ne naît pas du contrôle effectué après la sortie du produit de la ligne, mais de l'implication dès le départ de personnes possédant le savoir adéquat dans le processus. L'IA peut accélérer, élargir et rendre ce processus plus visible. Mais sans l'humain qui sait ce qui est important, qui doute là où les données se taisent et qui reconnaît la trace d'une erreur déjà vécue, le système reste incomplet.

Car la qualité n'est pas seulement une donnée. La qualité est une mémoire préservée ; c'est un investissement dans l'avenir.