Les chronomètres freinent la renaissance de l'industrie manufacturière

Il y a près de 25 ans, j'ai fait mes premiers pas sur le site de production de General Motors (GM), travaillant à la fois dans l'atelier de carrosserie hautement automatisé et sur la chaîne d'assemblage centrée sur l'humain. J'ai rapidement compris que les processus robotiques transmettaient des données de manière transparente via Ethernet, tandis que l'activité humaine devait être capturée manuellement par des ingénieurs industriels à l'aide de chronomètres — une technique initiée par Frederick Taylor à l'époque de la Ford Model T. Le contraste était saisissant : une ère industrielle moderne entrant en collision avec une méthode de collecte de données vieille de 75 ans.

Aujourd'hui, je parcours encore les chaînes d'assemblage et je vois de jeunes ingénieurs réaliser des études de temps. Les outils ont évolué — des montres Casio aux iPhones — mais la pratique reste inchangée, et cette méthode alarmantement dépassée continue d'entraver le progrès. Les études de temps et de mouvements ont autrefois propulsé l'industrie manufacturière américaine au sommet mondial ; aujourd'hui, elles sont profondément inadaptées à l'ère de l'Internet industriel des objets (IIoT).

Focus sur le time-to-market et la productivité

L'industrie manufacturière américaine connaît une renaissance, se développant au rythme le plus rapide depuis 2004. En 2017, 171 000 emplois sont revenus aux États-Unis grâce au reshoring et aux investissements directs étrangers. L'accès au marché est un moteur clé : « Le reshoring, c'est avant tout une question de time-to-market », explique Ben Smith, conseiller senior chez AT Kearney. « Les fabricants modernes peuvent préférer 15 petites usines à travers le pays pour un meilleur accès au marché, déplaçant leur focus des coûts vers la productivité. »

Le consensus de l'industrie veut que l'IIoT soit le principal moteur de la croissance de la productivité. Accenture le prédit comme le plus grand levier de productivité de la décennie, tandis que GE Digital estime des gains de performance annuels d'environ 8 600 milliards de dollars. Pourtant, la majeure partie de la valeur créée en usine provient des personnes — le Boston Consulting Group rapporte que les humains effectuent jusqu'à 90 % des tâches sur le terrain. Optimiser les machines seules ne capture qu'une fraction de l'activité réelle.

Le time-to-market bute sur le time-to-data

Peter Marcotullio, VP de la recherche et du développement commercial chez SRI International, note que « seul un faible pourcentage des tâches sont effectuées par des machines ». Ainsi, l'instrumentation des machines ne capture qu'une fraction du processus. Alors que l'IIoT peut générer 50 Go de données machine pendant le temps nécessaire à une étude de temps traditionnelle, le lien entre l'optimisation des équipements et la productivité globale de l'usine reste ténu. Les décisions qui façonnent le staffing quotidien, les prévisions de production, le calcul des coûts et les devis reposent sur des données générées par l'humain, qui influencent à la fois le chiffre d'affaires et le résultat net.

Un jeu de données incomplet et peu fiable

Les études de temps souffrent de deux défauts majeurs : un volume de données limité et une fiabilité discutable. Un ingénieur type peut échantillonner dix opérations par poste — insuffisant pour prendre en compte la variabilité des opérateurs ou des facteurs contextuels tels que le jour de la semaine, la période de paie ou la fatigue en fin de journée. Ce jeu de données parcimonieux ne permet pas d'établir des corrélations ou des causalités robustes.

De plus, l'acte d'observation peut altérer la performance. Inspiré par le principe d'incertitude d'Heisenberg, certains travailleurs peuvent accélérer ou ralentir sous observation, et des définitions incohérentes de début et de fin compromettent davantage la précision. Par conséquent, les études de temps produisent des mesures douteuses qui peuvent induire en erreur à la fois les opérateurs et les managers.

Ce qui manque à l'usine moderne

Les usines modernes manquent de données humaines évolutives et en temps réel. Si les Gemba walks, les rideaux lumineux instrumentés et les systèmes poka-yoke peuvent capturer une partie de l'activité humaine, le volume reste trop faible pour des analyses significatives. Anik Bose, associé chez Benhamou Global Ventures, explique que « les fabricants rassemblent ouvriers et managers pour brainstormer, mais sans données en temps réel, ils s'en remettent à des méthodes manuelles et ad hoc. » Sans métriques fiables de productivité humaine, les usines ne peuvent améliorer la ressource qui génère la plus grande valeur.

Marshall Goldsmith a dit : « Ce qui vous a amené ici ne vous mènera pas là-bas. » La méthodologie des études de temps nous a propulsés à notre pic manufacturier actuel, mais elle ne suffit plus pour accélérer le time-to-market en améliorant la productivité du travail humain. Il est temps de ranger le chronomètre et d'adopter une collaboration homme-machine pilotée par les données et l'IA sur le terrain de l'usine.

À propos de l'auteur

Le Dr Prasad Akella a dirigé l'équipe qui a construit les premiers robots collaboratifs au monde chez GM. Il est PDG de Drishti, une entreprise qui déploie l'intelligence artificielle pour collaborer avec les humains et les assister sur le terrain de l'usine.