Chez Michelin et Technip, l’IA ne remplace pas, elle recadre le geste 

Dans l’industrie, l’IA ne s’impose pas par effet d’annonce, elle se négocie avec le terrain. Jeudi 19 mars, au CNIT Forest à Paris La Défense, Michelin et Technip Energies ont livré, lors de l’Oracle AI Tour 2026, deux retours d’expérience qui racontent moins une ruée qu’une mise sous contrôle. D’un côté, Technip Energies cherche à faire levier sur une organisation tentaculaire, répartie dans plus de 100 entités à l’international, avec des projets longs, complexes et fortement interconnectés. “On exécute à peu près 450 projets par an”, a rappelé Sylvian Champonet, VP Digital for Operational Excellence at Technip Energies. De l’autre, Michelin avance sous une pression concurrentielle assumée, dans un marché où le pneu standardisé est déjà tiré vers le bas. “Le métier traditionnel avec du pneu n’existe pas chez Michelin. Il est façonné par la Chine et on n’a aucune chance”, a ajouté Yves Caseau, Group Chief Digital & Information Officer chez Michelin. Voici le point commun. Pour l’un comme pour l’autre, l’IA constitue un instrument de transformation pour tenir l’échelle, absorber la complexité et rester dans la course.  

La donnée avant la promesse   

Sous les démonstrations, une idée a dominé la matinée. Avant de demander beaucoup à l’IA, il faut d’abord demander mieux à la donnée. Chez Technip Energies, ce travail prend la forme d’un plan d’accélération lancé mi-2024, avec environ 80 initiatives, dont certaines relèvent directement de l’IA et d’autres préparent simplement le terrain. “Il est important déjà de digitaliser les process pour vraiment créer cette donnée-là”, a insisté Sylvian Champonet. Le dirigeant a aussi défendu la nécessité de “pouvoir avoir une continuité de la donnée entre les différentes disciplines”.

Michelin a formulé la même exigence avec d’autres mots. Le groupe, engagé depuis plusieurs années dans le cloud, ne parle pas d’un socle monolithique mais d’une fédération de plateformes. Derrière cette formule, il y a une ligne de conduite. “On a besoin d’avoir vraiment cette excellence de la manipulation de données”, a soutenu Yves Caseau. Le retour d’expérience est net. Dans ces environnements industriels, l’IA ne répare pas une information lacunaire. Elle amplifie d’abord ce qui est déjà structuré. 

L’augmentation plutôt que l’automate   

Sur le fond, Michelin et Technip Energies ont également convergé sur la fonction assignée à l’IA. Ni remplacement massif, ni automatisation aveugle, mais un déplacement du travail humain vers le contrôle, l’arbitrage et l’expertise. Chez Technip Energies, Sylvian Champonet a cité un cas d’usage très concret sur le test de résistance de lignes critiques en ingénierie. Jusqu’ici, ces tâches étaient réalisées manuellement par les ingénieurs. Désormais, l’entreprise teste une IA capable de proposer, à partir des données historiques, des projets passés et des dessins techniques, une première liste de tests à conduire. “Les gens, au lieu de faire, font maintenant beaucoup de contrôles alors que l’IA propose un certain nombre de choses”, a observé le VP Digital for Operational Excellence.

Michelin, lui, a donné à voir cette logique avec davantage de précision grâce à Iris, son système de contrôle qualité visuel. “C’est du deep learning, machine vision”, a décrit Yves Caseau. Mais l’outil ne se réduit pas à une caméra intelligente. “Ce n’est pas une caméra, c’est un robot avec 100 caméras, 2/3 2D, 1/3 3D”, a-t-il détaillé. Le dispositif accélère le tri, améliore la performance et remonte les cas litigieux vers des experts humains. Point crucial, dans un univers où la qualité produit engage directement la marque. “À la fin, c’est un humain qui signe, ce n’est pasla machine”, a martelé le CDO de Michelin.   

Aller plus vite sans se raconter d’histoires  

Les deux prises de parole ont retenu l’attention, non vis-à-vis des cas d’usages, mais bien face à leur retenu méthodique concernant un marché plein de promesses. Technip Energies a parlé de “balbutiements” sur certains usages dans la finance ou les RH, tout en observant déjà des effets tangibles dans l’ingénierie et le développement. Michelin, de son côté, a assumé une position presque austère au regard de l’emballement ambiant. “Tous les mois on fait des progrès spectaculaires”, a reconnu Yves Caseau. Mais dans le même mouvement, il a rappelé que les modèles surévaluent parfois les gains, se trompent sur les contextes complexes et hallucinent encore dès que la granularité augmente. “On est très prudent chez Michelin”, a-t-il résumé. Cette prudence ne contredit pas l’ambition. Elle la rend exploitable. Chez Michelin, elle sert à préserver ce qui fait la différence entre reproduire le passé et inventer un produit nouveau. Chez Technip Energies, elle permet d’inscrire l’IA dans une mécanique industrielle où les disciplines doivent parler le même langage avant de déléguer une part du travail à la machine. La leçon, au fond, tient en peu de mots. Dans ces grands groupes, l’IA ne vaut pas pour sa démonstration. Elle vaut lorsqu’elle encaisse la complexité, améliore un geste métier précis et laisse, au bout de la chaîne, quelqu’un capable de répondre du résultat.