
Étude de cas
L’intelligence artificielle au service de l’excellence opérationnelle dans différents secteurs
Objectifs: permettre aux organisations de transformer les données en décisions, d’éliminer les inefficacités opérationnelles et de construire des systèmes intelligents
La capacité à transformer les données en décisions rapides et éclairées est devenue l’un des principaux facteurs de différenciation compétitive dans les organisations modernes. Dans un contexte où le volume d’informations disponibles croît à un rythme sans précédent, la question centrale n’est plus la quantité de données : c’est la capacité à les interpréter, les structurer et les exploiter au bon moment.
Cette étude de cas regroupe des projets développés au sein d’organisations issues de secteurs variés, tous réunis par un défi commun : transformer des données dispersées, des processus manuels et des décisions intuitives en systèmes intelligents et automatisés. Dans chacun d’eux, la solution mise en œuvre a combiné des modèles d’intelligence artificielle, une analyse géospatiale, de l’apprentissage automatique ou de l’IA générative avec une intégration soignée dans les processus et technologies existants des organisations, permettant d’obtenir des résultats mesurables en termes d’efficacité opérationnelle, de qualité, de fiabilité de l’information et de capacité d’innovation. Les cas présentés ci-après illustrent cette logique de transformation dans des réalités opérationnelles distinctes.
Détection de fuites et anomalies de consommation dans un réseau de distribution d’eau
L’organisation opère dans le domaine de l’approvisionnement en eau municipal. Le processus de détection des fuites était assuré par plusieurs équipes, qui procédaient à des inspections sur le terrain et à des vérifications des vannes. Il s’agissait d’une tâche complexe et fastidieuse, rarement menée à bien dans les délais nécessaires, ce qui entraînait d’importantes pertes d’eau et des conséquences économiques et environnementales considérables.
L’approche pour transformer la détection de fuites
Pour répondre à ces défis, une solution d’intelligence artificielle a été développée et mise en œuvre, capable de classer le risque de fuite et d’identifier des consommations anormales en temps réel, et intégrée à la plateforme de gestion existante.
La solution repose sur un modèle d’IA qui combine des données internes et externes pour générer une carte de risque dynamique du réseau. Parmi les données utilisées, on distingue :
- Données internes : historique pluriannuel des ruptures, distribution spatiale du réseau de distribution, données de pression et de performance du réseau ;
- Données externes : température et précipitations, densité de population et type de sol.
Le système développé traite des données internes et externes à l’aide de modèles de causalité basés sur l’IA, générant ainsi la localisation probable des ruptures, une mise à jour de la carte des risques et des alertes en temps réel en cas de consommation anormale. Le système dispose d’une capacité d’auto-apprentissage et s’intègre aux systèmes existants de l’organisation.

Figure 1 – Exemple du système mis en œuvre
Résultats obtenus
La mise en œuvre de la solution d’IA pour la détection des fuites et des anomalies de consommation a généré des impacts significatifs sur les principaux indicateurs opérationnels :
- 80 % des conduites présentant des ruptures ont été correctement identifiées par le modèle ;
- Réduction de 25 % de l’eau non facturée, avec un impact direct sur les coûts opérationnels ;
- 10 % des conduites du réseau ont été classées comme étant à risque élevé ;
- Réduction des ressources allouées au processus de détection des fuites ;
- Meilleure efficacité dans la détection en temps réel des fuites dans le réseau.
Inspection automatisée de blisters dans l’industrie pharmaceutique
L’entreprise concernée opère dans l’industrie pharmaceutique, où le processus de conditionnement en blisters exige une vérification rigoureuse afin de s’assurer que chaque alvéole contient le médicament correct, une exigence critique pour la sécurité du patient et la conformité réglementaire du secteur.
Le défi opérationnel
Les équipements existants nécessitaient entre 25 et 40 minutes de calibration manuelle pour chaque nouveau lot ou changement de format, ce qui représentait un coût opérationnel significatif en termes de disponibilité de ligne.
Les systèmes d’inspection traditionnels reposaient sur des contrastes simples, tels que la couleur et le poids, ce qui s’avérait insuffisant dans des contextes plus complexes ou pour des équipements de différentes générations.
Automatisation de l’inspection comme solution
Une solution de vision par ordinateur reposant sur des modèles de Deep Learning, capable Une solution de vision par ordinateur basée sur des modèles d’apprentissage profond a été mise au point ; elle permet d’inspecter des blisters en temps réel sans réglage préalable. À partir d’images capturées sur la ligne de production et d’une base de données regroupant différents formats, le modèle détecte automatiquement chaque alvéole et la classe comme « pleine » ou « vide », en émettant des alertes pour un rejet immédiat.
La solution fonctionne pour les emballages en aluminium et en plastique transparent sans nécessité de reprogrammation, avec la capacité potentielle d’identifier des défauts plus complexes, notamment la contamination par pigmentation, la rugosité, les fissures et les dommages sectionnels dans les comprimés, ouvrant la voie à une inspection qualité plus complète.
Résultats atteints
La mise en œuvre de la solution d’inspection automatisée par IA a généré des impacts significatifs sur les indicateurs de qualité et d’efficacité opérationnelle :
- Réduction du temps de setup d’environ 25 minutes à seulement 0 ;
- Taux de précision de 100 % dans la classification des alvéoles pleines vs. vides lors des tests réalisés ;
- La solution peut être mise en œuvre sur n’importe quelle ligne de production, indépendamment du nombre d’alvéoles ou du format du comprimé.
Prêt à transformer vos données en décisions ?
Analyse géospatiale pour l’expansion d’un réseau de stations-service
Disposant d’une présence géographique déjà établie, l’entreprise cherchait à développer son réseau de façon structurée, sur la base de données objectives et de modèles prédictifs, plutôt que sur des décisions reposant exclusivement sur des critères empiriques.
Le processus d’identification de nouveaux emplacements pour les stations-service était mené sans recours aux techniques géospatiales ni aux données de contexte géographique, ce qui limitait l’objectivité et la précision des décisions d’investissement. Par ailleurs, le potentiel de chaque emplacement à caractériser la performance future de la station n’était pas quantifié, rendant difficile la comparaison entre les alternatives et la priorisation des opportunités.
L’organisation a identifié les lacunes suivantes dans le processus actuel :
- Absence de modèles de prévision des ventes par emplacement, empêchant une évaluation objective de leur potentiel ;
- Manque de données géospatiales intégrées (mobilité, points d’intérêt, démographie) pour soutenir la prise de décision ;
- Impossibilité de comparer la performance réelle de chaque station avec son potentiel estimé.
L’approche pour identifier les emplacements idéaux
Une solution intelligente d’aide à la sélection des emplacements a été développée, reposant sur des modèles d’apprentissage automatique et d’analyse géospatiale. La solution intègre des données internes et externes pour construire un modèle prédictif robuste. De plus, les données internes comprennent le portefeuille de stations existantes, telles que leur emplacement, l’offre de produits et les ventes de carburant et hors-carburant. À partir de ces données, le modèle effectue quatre processus analytiques principaux :
- Regroupement des postes existants par profil contextuel, en regroupant les stations présentant des contextes géographiques similaires ;
- Développement de modèles de prévision des ventes pour chaque groupe, via des algorithmes d’apprentissage automatique ;
- Modèle d’optimisation pour identifier les meilleurs emplacements pour de nouvelles stations-service ;
- Comparaison entre la performance réelle de chaque station et son potentiel estimé, permettant d’identifier des opportunités d’amélioration opérationnelle.
La solution a été mise à disposition sous forme de carte interactive, sur laquelle les équipes peuvent obtenir des prévisions de ventes pour n’importe quel emplacement géographique d’intérêt.
Résultats qualitatifs obtenus
La mise en œuvre de la solution intelligente de localisation a généré des impacts directs sur la capacité stratégique et opérationnelle de l’organisation :
- Identification des meilleurs emplacements pour l’expansion du réseau, sur la base de critères objectifs et quantifiables, en remplacement de l’approche empirique antérieure ;

Figure 2 – Carte illustrative de l’expansion du réseau
- Comparaison systématique de la performance réelle versus le potentiel estimé de chaque station ;
- Création de propositions d’offre de produits différenciées par emplacement.
Gouvernance des données : de la qualité à la prise de décision fondée sur les données
L’entreprise analysée dans ce projet opère dans l’industrie de la pâte à papier et des produits forestiers, un secteur à forte intensité capitalistique et fortement orienté par les données opérationnelles. Elle disposait de multiples systèmes d’information, avec des silos de données déconnectés et de qualité inégale, ce qui engendrait une méfiance à l’égard des données pour la prise de décision. La gestion des données était essentiellement ponctuelle, sans processus standardisés ni responsabilités clairement définies, et la qualité des données variait considérablement d’une plateforme à l’autre, en l’absence de standards de validation uniformes.
L’approche pour mettre en œuvre la gouvernance des données
Une méthodologie structurée a été adoptée dans l’objectif de construire une base de données fiable et préparée pour tirer parti des solutions d’intelligence artificielle. La phase initiale a consisté à évaluer le niveau de maturité de l’organisation en matière de gestion des données, à définir la stratégie de gouvernance et à concevoir l’architecture de données cible, pour aboutir à l’élaboration d’une feuille de route stratégique sur 24 mois.
La mise en œuvre a porté sur plusieurs aspects : la création de rapports certifiés, la mise en place de fonctionnalités en libre-service, la gestion des données et le développement d’un programme général de formation à la maîtrise des données à l’échelle de l’organisation. Les éléments de soutien suivants ont été mis en place :
- Rapport sur la stratégie en matière de données et page interne contenant des informations sur le programme ;
- Feuille de route et plan de communication publiés en interne ;
- Cadre de gouvernance des données mis à la disposition de l’ensemble de l’organisation ;
- Comité des données mensuel et sessions de formation et chantiers réguliers ;
- Glossaire métier, catalogue de rapports et processus de gestion de la demande documentés ;
- Alignement entre la feuille de route technologique et la feuille de route des données.
Résultats atteints
La mise en œuvre du programme de gouvernance des données a généré des améliorations mesurables dans la qualité de l’information, l’efficacité des processus et la culture organisationnelle :
- Plus de 200 KPIs avec une fiabilité garantie, assurant une plus grande cohérence dans les indicateurs clés de l’organisation ;
- Réduction de 185 heures mensuelles dédiées à la préparation des rapports ;
- Mise en place d’une source unique et fiable de données, avec un rapport certifié et une traçabilité complète des informations ;
- Définition claire des responsabilités et des standards de qualité dans toute l’organisation ;
- Infrastructure de données prête pour l’IA ;
Planification de la production fondée sur les données : synchronisation entre usines et réduction des inefficacités
L’entreprise appartient au secteur de l’industrie manufacturière et dispose de deux usines distinctes, l’une dédiée à la production de produits semi-finis et l’autre aux opérations de personnalisation et de conditionnement, qui étaient gérées par des planificateurs indépendants. Ainsi, la forte interdépendance entre les deux unités faisait de l’alignement du plan de production un défi opérationnel permanent.
La complexité inhérente à la coordination entre les deux usines engendrait des inefficacités récurrentes affectant la fiabilité du plan et l’utilisation de la capacité installée.
De plus, l’organisation disposait d’une visibilité réduite sur l’impact des modifications du plan tout au long de la chaîne, ce qui rendait difficile une réponse rapide et éclairée aux perturbations dans le cadre opérationnel.
Transformation de la planification de la production
Une solution de planification intégrée et automatisée a été développée, reposant sur des algorithmes d’optimisation et une logique de synchronisation entre usines, qui élimine la nécessité d’une coordination manuelle et génère des plans fiables en temps réel. La plateforme de planification traite les données relatives à la demande et les données du système, et met en œuvre trois capacités analytiques essentielles :
- Logique de synchronisation pour aligner automatiquement les plans des deux usines ;
- Routage avec connaissance des stocks, optimisant le flux de matériaux en fonction des stocks disponibles ;
- Optimisation basée sur les contraintes de capacité, setups et les limitations opérationnelles, générant un plan réalisable pour les semi-finis et pour la personnalisation et le conditionnement.
Résultats disruptifs
La mise en œuvre de la solution de planification a généré des impacts significatifs sur la fiabilité opérationnelle et l’efficacité des ressources :
- Augmentation de 20 points de pourcentage du taux de traitement entre la production de produits semi-finis et la personnalisation et le conditionnement ;
- Amélioration de 15 points de pourcentage dans l’adhérence au plan de production ;
- Réduction de 80 % du temps dédié au processus de planification ;
- Réduction de 4 jours dans le processus de décision d’investissement (CAPEX) ;
- Coordination en temps réel entre les deux planificateurs et les deux usines, réduisant les erreurs de communication et les retouches.
Moins d’intuition, plus d’impact. Découvrez nos solutions numériques
Web Scraping avec IA pour la R&D : surveillance intelligente de l’information stratégique
L’organisation opère dans l’industrie des composites avancés, un secteur où l’avantage compétitif repose sur l’innovation continue et la capacité à appliquer des matériaux durables à des marchés techniques exigeants. Elle dispose de plusieurs équipes de R&D qui dépendent d’un accès continu aux connaissances externes pour stimuler l’innovation. Cependant, la collecte de ces informations s’effectuait manuellement, de manière fragmentée et sans possibilité de mise à l’échelle, ce qui mobilisait des ressources considérables sans garantir une couverture systématique des sources pertinentes.
Le volume élevé de données externes non structurées, provenant de multiples sources et en différentes langues, rendait la collecte manuelle inefficace et incomplète. La duplication des efforts entre les équipes et l’absence d’un processus de tri standardisé aggravaient ce problème.
Ainsi, le manque de standardisation et de structuration des informations obtenues par les différentes équipes engendrait des silos d’information et réduisait la capacité à tirer parti des connaissances accumulées. L’organisation ne disposait pas de mécanismes efficaces pour partager et consolider les résultats de la surveillance de manière transversale.
De plus, l’absence de mécanismes systématiques de validation des informations collectées mettait en péril la précision, la cohérence et la fiabilité des données utilisées dans les décisions de R&D, exposant l’organisation à des erreurs basées sur des sources non vérifiées.
Automatiser la surveillance de la R&D
Une solution de web scraping de bout en bout intégrant l’IA a été développée. Elle repose sur deux agents intelligents en communication entre eux et automatise la collecte, la validation, la structuration et la diffusion d’informations stratégiques destinées aux équipes de R&D. Le système utilise deux agents IA complémentaires :
- Agent 1 (collecte) : effectue un scraping intelligent de pages web avec prétraitement du code HTML, identification des actualités pertinentes à l’aide de mots-clés et validation du contenu selon les critères définis ;
- Agent 2 (analyse) : procède à l’analyse approfondie des articles complets, générant des résumés exécutifs structurés via des modèles d’IA générative.
Les résultats générés comprennent une base de données structurée contenant les actualités et les opportunités identifiées, un rapport PDF présentant un résumé des conclusions pertinentes généré automatiquement, ainsi qu’une intégration à Microsoft Teams permettant aux équipes d’interagir et de collaborer autour des informations recueillies.
Le flux de travail est orchestré par un « planificateur » automatique intégré à Power Automate, garantissant que le processus de surveillance est exécuté en continu, sans nécessité d’intervention manuelle. La solution est entièrement intégrée à la pile technologique existante de l’organisation.
Résultats obtenus
La mise en œuvre de la solution de web scraping avec IA a généré des impacts significatifs sur l’efficacité opérationnelle et la capacité d’innovation des équipes de R&D :
- Surveillance automatique et structurée de plus de 300 sources d’information ;
- Réduction de 150 heures hebdomadaires dédiées à la collecte et à la synthèse d’informations stratégiques ;
- Élimination des tâches sans valeur ajoutée ;
- Traitement de l’information reproductible et validé, avec traçabilité assurée par les agents d’IA ;
- Accélération de l’innovation grâce à l’anticipation des tendances mondiales.
Prévision basée sur l’IA pour la planification de la construction
L’entreprise en question, une référence dans le secteur de la construction spécialisée dans les installations industrielles, rencontrait des difficultés pour estimer avec précision la durée des tâches lors des phases d’établissement du devis et de planification initiale de projets complexes de construction industrielle.
Le manque de précision dans la planification initiale avait un impact direct sur les calendriers et les coûts des projets. À ce défi s’ajoutaient l’existence de risques non détectés au cours des phases clés de la construction, ainsi qu’une difficulté à adapter les plans en fonction de variables externes.
L’approche pour une prévision plus précise
Une solution reposant sur des modèles d’IA a été développée, capable de prévoir la durée des tâches et d’identifier les risques de retard en utilisant diverses sources de données. Parmi les données utilisées, on distingue :
- Données historiques de projets : reconnaissance de modèles de durée par type de tâche, localisation et caractéristiques du projet ;
- Indicateurs macroéconomiques et régionaux : disponibilité de la main-d’œuvre, inflation et autres facteurs économiques locaux pertinents ;
- Historique et prévisions météorologiques : effets du climat sur les activités sensibles aux conditions météorologiques (par exemple, fondations et toitures) ;
- Capacité des sous-traitants et des fournisseurs : données sur les promotions et les remises qui améliorent la précision de la prévision.
La solution orchestrée permet également la génération automatique de calendriers de tâches basés sur les caractéristiques du projet, l’émission d’alertes en temps réel lors de l’exécution indiquant de possibles retards, et la mise à jour continue du modèle à partir des données réelles d’exécution du projet.

Figure 3 – Exemple de calendrier
Résultats qualitatifs obtenus
La mise en œuvre de la solution d’IA pour la prévision et la planification a généré des impacts qualitatifs significatifs sur la capacité de planification de l’entreprise :
- Capacité de simulation de scénarios, permettant une meilleure planification des contingences et une allocation des ressources plus efficace ;
- Visualisation des risques et suivi des écarts en temps réel ;
- Prise de décisions plus rapide et mieux fondée ;
- Apprentissage continu du modèle à chaque projet, créant une base de connaissances en évolution constante.
Conclusion : l’impact transformateur de l’intelligence artificielle dans différentes industries
Cette étude de cas démontre que l’adoption de solutions d’intelligence artificielle et d’analyse avancée des données n’est pas une fin en soi, c’est un moyen de construire des organisations plus agiles, plus fiables et plus capables de répondre aux exigences d’un marché en constante transformation.
Le parcours vers une organisation véritablement axée sur les données est un processus continu, et c’est précisément là que le Kaizen Institute et ses solutions numériques spécialisées font la différence.
Nous respectons les accords de confidentialité de nos clients. Bien que les noms aient été modifiés ou omis, les résultats présentés sont réels.
Digital et IA
Découvrez plus d’informations sur ce type de transformation
Opérations de production
Découvrez comment améliorer ce secteur d’activité