Agent IA de pilotage production — PME métallurgie, Finistère
Métallurgie — Finistère (29)
-4h/sem
Reporting
+2 pts
TRS
Temps réel
Réactivité
3 mois
ROI
8 semaines
Durée du projet
Le contexte
Cette PME de métallurgie fine dans le Finistère (80 salariés, 3 lignes de production) avait un problème classique : les données de production existaient — dans la GPAO, dans les automates machines, dans les fichiers Excel du chef d'atelier — mais personne ne les voyait au bon moment. Le responsable production passait chaque vendredi après-midi à compiler manuellement les chiffres de la semaine : TRS, cadences, écarts qualité, temps d'arrêt. 4 heures de copier-coller pour un rapport que le directeur lisait le lundi matin.
Le déclic
Le déclic est venu quand un problème qualité récurrent sur la ligne 2 n'a été détecté qu'au bout de 5 jours — après avoir produit 3 lots défectueux. Un changement de lot matière première (acier S355) avait provoqué une dispersion accrue sur les épaisseurs, impactant les temps de réglage. Personne ne l'avait vu parce que le reporting était un rétroviseur à J+5, pas un outil de pilotage. Le directeur de production a cherché quelqu'un qui comprenne la réalité d'un atelier — pas un éditeur qui vend un MES à 200K€.
La démarche
On a déployé un agent IA autonome connecté aux automates machines (OPC-UA) et à SAP. Chaque matin à 5h30, l'agent collecte les données, calcule les KPIs, détecte les anomalies et croise les sources (machines + qualité + approvisionnement). À 6h02, le rapport hebdomadaire est dans la boîte mail du directeur — rédigé en français, avec analyse causale et plan d'action priorisé. En parallèle, un dashboard temps réel affiche l'état des 3 lignes en continu, et des alertes Slack partent instantanément quand un seuil est franchi.
Les difficultés rencontrées
Le principal défi : calibrer les seuils d'alerte. Trop sensibles, on noie l'équipe sous les notifications. Pas assez, on rate les vrais problèmes. On a itéré avec le chef d'atelier pendant 2 semaines pour trouver le bon réglage par ligne et par indicateur. L'analyse prédictive (usure plaquettes, dérive thermique) a aussi nécessité 3 semaines de données historiques avant d'être fiable.
La première valeur
Dès la troisième semaine, l'agent a détecté une dérive de cadence sur la ligne 2 — corrélée au changement de lot matière première S355 (fournisseur AcierPlus, lot #2026-1542). Alerte Slack envoyée en temps réel, investigation lancée dans l'heure, zéro lot défectueux. Le même problème qui avait causé 3 lots perdus quelques mois plus tôt. Le vendredi suivant, le responsable production a regardé le rapport automatique et a dit : "C'est exactement ce que je passais 4 heures à faire, en mieux."
Avant
- ✗4h de compilation manuelle chaque semaine pour produire le rapport de production
- ✗Découverte des problèmes qualité à J+5 minimum — après avoir produit des lots défectueux
- ✗Pas de vision temps réel sur les cadences, TRS et taux de rebut par ligne
- ✗Alertes inexistantes : les dérives passent inaperçues jusqu'à ce qu'elles deviennent critiques
Après
- ✓4h/semaine de reporting économisées — le rapport est généré automatiquement
- ✓Problèmes détectés en temps réel au lieu de J+5
- ✓2 arrêts de ligne évités le premier mois grâce aux alertes prédictives
- ✓TRS en hausse de 2 points grâce à la réactivité sur les anomalies
- ✓Plan d'action hebdomadaire priorisé — le directeur de production pilote au lieu de compiler
Notre intervention
Un agent IA autonome qui collecte les données machines et ERP chaque matin à 5h30, calcule les KPIs de production (TRS, OEE, cadence, rebuts), détecte les anomalies, génère un rapport hebdomadaire rédigé en français, et envoie des alertes Slack en temps réel quand un seuil est franchi.
- Agent de collecte — connexion OPC-UA aux 3 lignes de production (pièces usinées, sous-ensembles soudés, assemblage) et synchronisation avec SAP pour les données qualité. Cycle automatique chaque matin à 5h30, sans intervention humaine.
- Dashboard temps réel — TRS, OEE, cadence et taux de rebut actualisés en continu. Production horaire sur 24h avec code couleur (vert/orange/rouge selon seuils). État des 3 lignes avec temps d'arrêt cumulé.
- Détection d'anomalies — l'agent croise les données machines, qualité et approvisionnement pour identifier les corrélations. Exemple : chute de cadence ligne 2 corrélée au changement de lot matière première.
- Rapport hebdomadaire automatique — résumé exécutif rédigé par l'IA, tableau comparatif semaine N vs N-1, points d'attention identifiés avec analyse causale, plan d'action suggéré avec priorités et responsables. Envoyé par email chaque lundi à 6h02.
- Alertes intelligentes — notification Slack immédiate quand une cadence passe sous seuil, quand un taux de rebut dépasse la tolérance, ou quand l'analyse prédictive identifie un risque (usure plaquettes, dérive thermique broche).
En images
Le dashboard affiche les KPIs en temps réel (TRS 87%, cadence 142 p/h, OEE 82%), la production horaire sur 24h avec code couleur, l'état des 3 lignes et les alertes actives.
Le rapport de la semaine 16 : plan d'action priorisé en haut, résumé exécutif rédigé par l'IA, tableau comparatif semaine N vs N-1, et points d'attention avec analyse causale.
L'agent trace chaque action : collecte ERP à 5h30, calcul KPIs à 5h45, génération rapport à 6h00, envoi email à 6h02, alerte Slack à 6h15. Tout est auditable.
“Le lundi matin, le rapport est dans ma boîte mail avant que j'arrive. Avec le plan d'action priorisé, je sais exactement quoi traiter en premier. On a gagné 2 points de TRS en 3 mois.”
Jean-Pierre M.
Directeur de production
Découvrez d'autres cas clients
Votre situation ressemble à cette problématique ?
Diagnostic terrain de 3 jours sur site, ou échange gratuit de 30 minutes. Sans engagement.
contact@balise-ia.fr — Lorient, Bretagne