L'IA dans la fabrication : Almetra et le Shopfloor

KI & Automatisierung · 1. Juli 2026 · Ohiku Mose Guy

L'IA dans la fabrication devient opérationnelle. Découvrez ce que la levée de fonds de 16 millions d'euros d'Almetra signifie pour les PME du DACH et comment démarrer.

Quiconque en 2026 croit encore que l'IA dans la fabrication est un projet informatique sera dépassé par son propre atelier. Je le pense sérieusement, car les prochains gains de productivité ne viendront pas de tableaux de bord plus jolis, mais de décisions prises au rythme de la ligne. Pas mensuellement. Pas après le prochain atelier Lean. Mais pendant qu'une installation fonctionne, que le matériel fluctue, qu'un opérateur improvise et que les ventes promettent quand même des délais de livraison. La série A de 16 millions d'euros d'Almetra n'est donc pas simplement une nouvelle de startup de Berlin - c'est un signal que l'Intelligence Manufacturière sort du stade pilote et veut s'intégrer dans la vie quotidienne de la production.

Almetra, anciennement Deltia, a levé une série A de 16 millions d'euros, selon un rapport d'EU-Startups de janvier 2026, menée par blisce/ de New York et Paris, avec NAP, Merantix Capital, Robin Capital, Underline Ventures et Critical Ventures comme autres investisseurs [1]. Ce n'est pas la somme qui m'intéresse. 16 millions d'euros ne sont pas un feu d'artifice dans le calendrier du capital-risque. Ce qui est intéressant, c'est où l'argent est utilisé - sur le shopfloor, là où de nombreuses PME du DACH jonglent encore avec des exportations Excel, des carnets de bord, des lacunes MES et l'intuition. Kärcher, Trumpf, Phoenix Contact, Festo, Schaeffler - les grands noms montrent depuis des années la quantité de structure que peuvent contenir les données de production. Mais la vraie question est : que se passe-t-il chez un fabricant d'outils de 180 personnes en Westphalie orientale, chez un injecteur de plastique au Vorarlberg ou chez un fabricant de pièces de précision près de Winterthour ?

Statut Quo - L'IA dans la fabrication est plus avancée que beaucoup de COO ne le pensent

Le statu quo est contradictoire. Dans les diapositives stratégiques, la Smart Factory est déjà là depuis longtemps. Sur le sol de l'usine, ça sent le lubrifiant de refroidissement, une vieille imprimante d'étiquettes cliquette à côté de la ligne, et l'écart OEE le plus important est écrit à la main sur un presse-papiers. Les deux sont vrais. Selon le Swiss Disruption Landscape 2026 d'AlixPartners, la disruption technologique - y compris l'automatisation et l'IA dans les processus de production - affecte déjà 62 % des entreprises manufacturières suisses [4]. La réglementation et la pression ESG affectent même 68 % [4]. Ce n'est pas une note de bas de page pour les responsables du développement durable. Cela arrive chez le COO, le directeur général et, à un moment donné, chez le directeur des ventes, lorsque les promesses de livraison ne correspondent plus à la capacité réelle.

Je vois souvent la même courbe dans les PME du DACH. On parle d'abord de pénurie de main-d'œuvre qualifiée. Puis des prix de l'énergie. Puis des rebuts. Puis quelqu'un dit : nous devrions en fait savoir quelle ligne perd de l'argent. C'est là que la conversation bascule. Car de nombreuses usines ont des machines avec des capteurs, un automate, parfois un MES, parfois un ERP avec des commandes à peu près propres - mais elles n'ont pas de vérité commune fiable sur les pertes. Une ligne de découpe signale les arrêts différemment de l'assemblage. Le retravail vit dans un formulaire de qualité séparé. Les raisons des micro-arrêts sont estimées par l'équipe, si quelqu'un a le temps. Enfin, presque. Dans les usines bien gérées, il y a bien sûr des indicateurs. Mais les indicateurs ne sont pas la même chose que les causes.

C'est ce qui rend le positionnement d'Almetra intéressant. Maximilian Fischer, co-fondateur et PDG d'Almetra, le formule durement dans le communiqué : les usines fabriquent tout ce qui nous entoure, mais fonctionnent souvent à l'aveugle [1]. Cette phrase fait mouche parce qu'elle ne sonne pas comme de l'IA. Elle sonne comme une direction de production à 6h10 du matin, quand le rapport de l'équipe du matin a une heure et n'explique toujours pas pourquoi la commande 4711 est bloquée sur la machine 4. L'Intelligence Manufacturière ne promet pas de magie ici. Elle promet une chose brutalement pratique - rendre les pertes visibles, les attribuer, les prioriser.

Pour les directeurs commerciaux, ce n'est pas une simple histoire d'opérations. Si une usine ne connaît pas sa capacité réellement utilisable, elle vend soit trop prudemment, soit trop audacieusement. Les deux coûtent cher. Trop prudemment signifie : des concurrents comme DMG Mori ou un sous-traitant polonais avec une meilleure planification emportent le volume. Trop audacieusement signifie : les ventes gagnent la commande, la production perd la marge, le client perd confiance. J'ai vu dans des projets qu'un seul goulot d'étranglement mal compris fausse toute la logique de l'offre. Le calculateur travaille avec des temps standard. La ligne vit dans une autre réalité.

Tendance 1 - L'Intelligence Manufacturière devient une couche opérationnelle au-dessus des MES et ERP

La première tendance : les plateformes d'intelligence manufacturière natives de l'IA ne remplacent pas les ERP, MES ou SCADA. Elles se superposent à eux. Cela semble techniquement peu spectaculaire, mais c'est la raison pour laquelle cette catégorie se développe maintenant. Un fabricant de taille moyenne avec 50 à 500 employés ne va pas reconstruire du jour au lendemain SAP S/4HANA, ProAlpha, Infor, un ancien système BDE et trois îlots de machines. Quiconque exige cela perd le projet avant le premier atelier. Almetra dit en substance : nous prenons les données de production existantes, identifions les goulots d'étranglement, quantifions les pertes de performance et permettons de meilleures décisions avec une perturbation minimale des opérations en cours [1]. C'est précisément cette capacité de connexion qui est décisive.

En pratique, cela signifie : la plateforme doit supporter des données sales. Des temps de cycle différents. Des raisons d'arrêt manquantes. Des commentaires d'opérateurs avec des fautes de frappe. Des machines qui communiquent via OPC UA, et des machines qui ne sont accessibles que via un fichier CSV une fois par équipe. Quiconque ne conçoit l'Intelligence Manufacturière que comme une architecture cloud propre n'a pas été assez souvent dans les usines. Chez un équipementier automobile en Franconie, Thomas, responsable de l'ingénierie industrielle de Nuremberg, m'a dit : « L'installation n'est pas vieille, mais la chaîne de données est restée bloquée en 2008. » C'est précisément là que se trouve le marché. Pas dans les usines phares de Siemens Amberg, mais dans les 10 000 usines intermédiaires.

Ce que nous constatons concrètement chez Amplifa : au cours des 12 derniers mois, nous avons observé un schéma récurrent chez nos clients de l'ingénierie mécanique, de la transformation des plastiques et de la fabrication B2B technique - entre 18 et 32 % des hypothèses de capacité pertinentes pour les ventes dans les processus CRM et d'offres n'étaient pas alignées avec les données actuelles de l'atelier. Cela ne signifie pas qu'un directeur des ventes invente de faux chiffres. Cela signifie que les chiffres vieillissent. Une ligne qui avait encore 82 % de disponibilité en mars 2025 ne fonctionne peut-être plus qu'à 74 % en novembre, parce qu'un outil se coince plus souvent, parce que deux opérateurs expérimentés ont changé ou parce qu'un nouveau mélange de matériaux décale le temps de cycle. Les ventes ne le remarquent que lorsque les délais de livraison glissent.

La couche technique au-dessus du MES et de l'ERP n'est donc pas seulement un modèle informatique. Elle devient une couche de confiance. Si un COO constate qu'une ligne A perd 14 heures de capacité par semaine à cause des mêmes micro-arrêts, il peut prioriser. Si les ventes voient que la famille de produits B est confrontée à un goulot d'étranglement, elles ne peuvent pas accorder aveuglément des remises juste pour acheter de la charge. Et si la direction constate qu'un investissement dans la maintenance rapporte plus que la prochaine machine, les dépenses d'investissement sont discutées différemment. C'est ennuyeux ? Pas tout à fait. C'est la différence entre la défense des marges et la croissance sur du sable.

Nous leur donnons de la certitude au lieu de devinettes. La plupart de nos clients trouvent des opportunités d'optimisation significatives dès les premières semaines - et c'est précisément cette vitesse dont l'industrie a besoin maintenant.

— Maximilian Fischer, Co-fondateur & PDG d'Almetra, Berlin [1]

J'aime dans cette citation la partie sur les premières semaines. Non pas parce que je crois tout fournisseur qui promet des résultats rapides. Honnêtement ? Je me méfie d'abord de telles phrases. Mais dans la fabrication, il existe effectivement une catégorie de problèmes qui devient visible après une courte intégration de données : raisons d'arrêt erronées, pertes de réglage sous-estimées, dérive de qualité sur une équipe donnée, surcharge sur une installation secondaire qui n'apparaît jamais comme un goulot d'étranglement dans la planification de la production. Ces choses ne sont pas cachées parce que personne ne regarde. Elles sont cachées parce qu'elles sont réparties sur différents systèmes.

Tendance 2 - La maintenance prédictive quitte la diapositive et atterrit dans le planning hebdomadaire

La deuxième tendance est la maintenance prédictive, mais sans le brouillard des stands d'exposition. La maintenance prédictive a été une promesse pendant dix ans, avec trop de capteurs et trop peu de responsabilités. Maintenant, l'économie change. L'énergie est chère, les pièces de rechange ne sont pas toujours disponibles le lendemain, les techniciens de maintenance expérimentés partent à la retraite, et les arrêts imprévus n'affectent pas seulement la production. Ils affectent la prise de commandes, la fidélisation des clients et la discipline des prix. Chez Webasto ou Brose, l'organisation de la maintenance est suffisamment importante pour gérer ses propres programmes de données. Chez un fournisseur de 220 personnes près de Heilbronn, c'est différent. Là, un responsable de la maintenance doit souvent choisir entre éteindre un incendie et analyser les causes.

L'Intelligence Manufacturière rend la maintenance prédictive précieuse lorsqu'elle ne se contente pas de dire : le roulement 3 sonne bizarrement. Elle doit dire : si ce schéma persiste, la ligne 2 perdra probablement 9 à 12 heures de temps productif au cours des 14 prochains jours, et ce, sur les commandes des clients X et Y. Ce n'est qu'alors que la maintenance peut être priorisée économiquement. Le simple fait de marquer les anomalies ne suffit pas. Une usine a besoin d'un classement par coût, risque et impact sur la livraison. Lors d'une conversation en décembre 2025, Jan, COO d'un fabricant de précision de Pforzheim, m'a dit : « Nous avons suffisamment de capteurs. Ce qui nous manque, c'est une décision qui s'intègre dans le plan du lundi matin. » On ne saurait mieux dire.

Pour les directeurs commerciaux, la maintenance prédictive devient indirectement une question de pipeline. Si une commande importante avec un délai de livraison de huit semaines ne peut être fabriquée que sur une installation clé, l'état technique de cette installation fait partie de la qualification de l'affaire. Cela semble exagéré ? Alors demandez à un responsable grands comptes chez un équipementier automobile qui a promis à un OEM un démarrage de série et qui doit expliquer trois jours plus tard un dommage imprévu à la broche. Les ventes parlent de disponibilité, mais la machine décide. C'est précisément pourquoi les données de l'atelier seront de plus en plus intégrées dans les stratégies d'offre et de compte au cours des prochaines années. Pas comme une jolie exportation. Mais comme un indicateur de risque.

Ici, l'ESG devient soudain concret. Pas dans un PDF pour le site web, mais dans la consommation par commande, par ligne, par lot de rebut. Si une plateforme basée sur l'IA détecte qu'un certain lot de matériaux sur l'installation B entraîne plus de rebuts et consomme en même temps plus d'énergie par pièce bonne, ce n'est pas un slogan de durabilité. C'est de la marge. C'est de la capacité de livraison. C'est une conversation avec les achats, la production et les ventes dans la même pièce. Chez Kärcher ou Phoenix Contact, de telles chaînes de données sont des programmes stratégiques. Dans les PME, elles sont souvent maintenues par une seule personne que tout le monde interroge parce qu'elle sait depuis 17 ans quelle machine est défectueuse. Cette personne est précieuse. Mais elle n'est pas un système évolutif.

Tendance 3 - Le contrôle qualité par IA passera du poste de contrôle au processus de vente

La troisième tendance est sous-estimée : le contrôle qualité basé sur l'IA ne modifie pas seulement les rebuts. Il modifie ce que les ventes peuvent promettre de manière crédible. La vision par ordinateur, l'inspection acoustique, l'analyse des données de processus et les plans d'inspection numériques convergeront plus étroitement. Almetra mentionne le développement de produits comme utilisation du capital dans le communiqué [1] ; des modules pour le contrôle qualité basé sur la vision par ordinateur, les modèles de maintenance prédictive et les analyses de jumeaux numériques au niveau de la ligne sont évidents. Seuls Almetra et les clients savent exactement quels modules viendront dans quel ordre. Mais la direction est claire : les données de qualité deviendront plus précoces, plus denses et plus opérationnelles.

Pourquoi est-ce un sujet de vente ? Parce que la qualité n'est plus négociée en aval dans de nombreuses industries. Technologie médicale, automobile, électronique, ingénierie mécanique - les clients veulent des preuves. Schaeffler, Bosch, Trumpf, Wittenstein, Festo : quiconque fournit de telles entreprises connaît les audits, les échantillons, les rapports 8D et la menace silencieuse d'être retiré de la liste des fournisseurs à la prochaine erreur. Un fabricant de taille moyenne peut, grâce au contrôle qualité par IA, non seulement détecter les erreurs plus tôt. Il peut prouver que les fenêtres de processus étaient stables. C'est une autre conversation de vente. Moins de « faites-nous confiance », plus de « voici l'évolution des paramètres critiques sur le lot ».

Je reste néanmoins prudent en ce qui concerne le contrôle qualité par IA. De nombreux projets échouent non pas à cause du modèle, mais à cause de la définition des défauts. Qu'est-ce qu'une rayure ? Quelle déviation de surface est pertinente ? Qui décide dans les cas limites ? Un modèle de vision ne peut apprendre que ce qui a été correctement marqué par des experts. Chez un fabricant de pièces en plastique en Basse-Autriche, la cellule de test sentait le granulé chaud, tandis que le responsable qualité me montrait 40 pièces pour lesquelles deux clients évaluaient différemment la même surface. L'IA romantique n'aide pas ici. Ce qui aide, c'est un processus qui relie les exigences du client, la stratégie de test et les données de production. Ce n'est qu'alors que l'IA devient utile.

Ce tableau n'est délibérément pas construit comme un oracle. Les prévisions des analystes sont utiles, mais la réalité de la production est cruelle. Une prévision ne dit pas si votre ligne 7 perd 23 minutes chaque jeudi après le changement d'outil parce que le scanner lit mal les étiquettes. C'est pourtant la différence entre la tendance et le profit. L'Intelligence Manufacturière doit construire le pont - de la pression macroéconomique à une mesure concrète dans l'usine. Si ce pont manque, l'IA dans la fabrication reste une belle étiquette budgétaire.

Amplifa ICP Playbook Pour les directeurs commerciaux dans la fabrication : affinez votre profil de client idéal avec la réalité de la production, les modèles de capacité et des signaux d'achat fiables.

Pourquoi la série A d'Almetra est importante pour les PDG du DACH

On peut lire la levée de fonds d'Almetra comme une nouvelle de startup. On hoche la tête, on retient Berlin, Merantix Capital, blisce/ et 16 millions d'euros, et on passe à autre chose. Ce serait une erreur. Pour les PDG d'entreprises manufacturières de taille moyenne, ce financement est un signal du marché : une catégorie de logiciels est en train d'émerger, qui vise à opérationnaliser les connaissances de production plus rapidement que les projets ERP et MES classiques. Non pas remplacer. Compléter. Et parfois même démasquer.

Pourquoi démasquer ? Parce que de nombreuses organisations sont gérées avec des moyennes. Taux d'utilisation moyen, délai de livraison moyen, taux de rebut moyen. Les moyennes sont pratiques et dangereuses. Si une famille de produits rapporte 18 % de marge, mais ne fonctionne que sur une installation instable, la moyenne est un piège. Si un client génère beaucoup de chiffre d'affaires, mais que ses commandes déchirent la ligne goulot d'étranglement, le chiffre d'affaires n'est pas automatiquement un bon chiffre d'affaires. Si une usine est dans le vert dans le rapport mensuel, mais que deux équipes doivent régulièrement improviser, le vert n'est qu'une couleur. L'Intelligence Manufacturière rend ces contradictions visibles.

Je trouve particulièrement pertinent qu'Almetra souhaite s'étendre en Europe [1]. Le DACH n'est pas un marché facile. Comités d'entreprise, protection des données, paysages de systèmes historiques, parcs de machines couvrant 30 ans, exigences de qualité élevées, comités d'investissement tenaces. Quiconque fonctionne ici a construit quelque chose qui résiste aux frictions. Un outil américain avec un onboarding cloud parfait peut échouer à cause d'une seule autorisation de machine manquante. Un fournisseur européen qui s'attend à la fragmentation a un avantage. Pas une garantie. Mais un avantage.

Ce que l'IA dans la fabrication signifie pour les PME

Pour les PME, l'IA dans la fabrication signifie d'abord : moins d'excuses pour naviguer à l'aveugle. Je le dis délibérément de manière dure. De nombreuses entreprises de 50 à 500 employés sont techniquement meilleures qu'elles n'apparaissent organisationnellement. Elles ont de bonnes machines, des gens expérimentés, des clients stables, parfois même des processus très propres. Mais elles ne mesurent pas les pertes assez systématiquement, et elles ne relient pas ces pertes aux décisions commerciales. C'est là la rupture. Un COO regarde l'OEE. Un directeur des ventes regarde les prévisions et les commandes. La direction regarde l'EBITDA et le cash. La vérité se situe quelque part entre le temps de réglage, la réclamation et le délai de livraison.

Le premier effet commercial est la clarté de la capacité. Plus de : nous sommes à peu près pleins. Mais : nous avons réellement 11 % de capacité cachée sur la ligne 3 si nous éliminons deux causes d'arrêt et modifions le mix produit. Markus, directeur commercial d'un fournisseur de machines spéciales d'Augsbourg, l'a formulé en avril 2025 : « Si je savais quelles commandes passaient vraiment, je vendrais différemment. » C'est exactement le point. La vente sans intelligence de production est, dans de nombreuses entreprises manufacturières, un pari.

Le deuxième effet est la discipline des prix. Si vous savez qu'une commande monopolise une installation goulot d'étranglement, vous n'accordez pas de réduction juste parce que le client se plaint. Si vous savez qu'une variante de produit génère un taux de rebut supérieur à la moyenne, vous calculez différemment. Si vous pouvez prouver que vos données de qualité sont plus stables que celles de la concurrence, vous ne vendez pas seulement des pièces, mais aussi la sécurité des processus. Le positionnement premium, que AlixPartners décrit comme une stratégie contre la disruption pour les fabricants suisses [4], exige précisément de telles preuves. Pas des brochures. Des données.

Le troisième effet est l'internationalisation avec moins d'intuition. De nombreux fabricants du DACH examinent le nearshoring, des usines supplémentaires en Europe de l'Est ou des chaînes d'approvisionnement avec plus de redondance. Sans données de production fiables, cela devient coûteux. On ne déplace alors pas des processus, mais des hypothèses. Une couche d'intelligence manufacturière peut aider à rendre les lignes, les familles de produits et les sites comparables. Chez Phoenix Contact ou Festo, la comparaison des sites est un sujet de gestion établi. Dans les petites entreprises, elle n'apparaît souvent que lorsque le deuxième site est déjà en activité et que personne ne peut expliquer pourquoi le même assemblage en République tchèque entraîne 9 % de retouches supplémentaires.

La réalité technique - pourquoi de nombreux projets d'IA manufacturière échouent

J'écris en tant qu'ingénieur, donc la partie désagréable doit être incluse. Les projets n'échouent pas seulement parce que les gens refusent le changement. Ils échouent parce que les modèles de données sont naïfs. Parce qu'un signal machine n'est pas univoque. Parce qu'un arrêt de 18 secondes est parfois ignoré, parfois compté. Parce qu'une commande est terminée dans l'ERP, alors que le retravail est toujours en cours. Parce que la caméra voit une lumière différente en été qu'en janvier. Parce que les segments de réseau sont séparés pour de bonnes raisons. Parce que la sécurité dit : pas de connexion cloud depuis l'OT. Et parfois, parce que l'opérateur le plus important n'a pas envie de taper la même raison d'arrêt pour la troisième fois dans un masque.

C'est pourquoi le fournisseur avec le meilleur modèle d'apprentissage automatique ne gagne pas automatiquement. C'est le fournisseur qui parvient à stabiliser le chemin des données qui gagne. De la machine à la passerelle Edge, de la passerelle Edge au modèle de contexte, du modèle de contexte à la décision. Le contexte est le mot coûteux. Un pic de courant signifie peu si je ne sais pas quel outil, quel matériau, quelle commande, quelle équipe et quel mode de fonctionnement étaient actifs. Une erreur de qualité signifie peu si je ne peux pas la relier aux paramètres du processus. C'est précisément là que l'Intelligence Manufacturière se distingue du reporting.

Chez Amplifa, nous ne construisons pas le produit d'Almetra, et je ne vais pas évaluer ici une architecture étrangère que je n'ai pas vue dans le code. Mais je connais suffisamment bien cette catégorie de systèmes : la partie difficile n'est pas la démo avec des données historiques. La partie difficile, c'est la production. Nouveau numéro d'article. Caractéristique de test modifiée. Arrêt machine pendant la maintenance. Changement de personnel. Mise à jour ERP. Certificat VPN expiré. Une IA qui fournit de bonnes informations en trois semaines doit encore fournir des signaux utilisables au neuvième mois. Sinon, elle deviendra un écran de plus que personne n'ouvrira.

FAQ - L'Intelligence Manufacturière est-elle juste un nouveau MES ?

Non. Un MES planifie, enregistre et contrôle les processus de production, très en profondeur selon son niveau de maturité. L'Intelligence Manufacturière se situe typiquement au-dessus et tente de déduire des modèles à partir des données de machines, de qualité, de commandes et de maintenance. La frontière n'est pas toujours nette. Certains fournisseurs de MES intègrent des modules d'IA, certains fournisseurs d'Intelligence Manufacturière reprennent des fonctions proches du MES. Pour un PDG, la meilleure question est : quel système me dira dans deux semaines où nous perdons de l'argent et quelle mesure prendre en premier ?

FAQ - Avons-nous besoin de données parfaites pour cela ?

Non. Mais vous avez besoin de données honnêtes. C'est une différence. Les données parfaites sont rares en usine. Des données honnêtes signifient : des lacunes connues, des hypothèses documentées, des définitions claires pour l'arrêt, le rebut, le retravail et la bonne pièce. Si un fournisseur prétend que l'IA réparera tout cela automatiquement, je quitterais la pièce. Ou du moins je resterais silencieux très longtemps.

FAQ - Qu'est-ce que le service commercial en retire concrètement ?

Le service commercial obtient une meilleure réponse à quatre questions : Quels produits pouvons-nous développer de manière rentable ? Quels clients bloquent la capacité goulot d'étranglement ? Quelles promesses de livraison sont réalistes ? Où pouvons-nous vendre la qualité comme différenciation ? Cela ressemble à des opérations. Et ça l'est. Mais dans la fabrication, la qualité des affaires et la réalité de la production sont plus étroitement liées que de nombreux processus CRM ne l'admettent.

Préparation - 7 étapes avant d'acheter de l'IA dans la fabrication

1. Nommez un goulot d'étranglement économique, pas une technologie. Exemple : la ligne 2 perd environ 10 heures par semaine, mais personne ne connaît la cause principale. Si vous commencez par « nous voulons de l'IA », vous obtiendrez des diapositives. Si vous commencez par la perte, vous obtiendrez de la mesurabilité.
2. Clarifiez vos sources de données. ERP, MES, BDE, SCADA, base de données qualité, tickets de maintenance, rapports d'équipe Excel - notez ce qui existe, à qui cela appartient et à quelle fréquence c'est mis à jour. Chez un fournisseur de Festo en Bade-Wurtemberg, une équipe a trouvé en juin 2025 trois définitions différentes pour les rebuts.
3. Définissez des indicateurs clés de performance au niveau de l'usine. L'OEE, le taux de rebut, le temps de réglage et l'énergie par bonne pièce ne sont utiles que si tout le monde accepte le même calcul. Sinon, vous ne discuterez pas des mesures, mais des mathématiques.
4. Impliquez les ventes et le contrôle de gestion dès le début. L'Intelligence Manufacturière est faible si elle ne montre que les pertes techniques. Elle doit montrer quelles pertes affectent le chiffre d'affaires, la marge, la capacité de livraison ou le risque de réclamation.
5. Commencez par une ligne ou une famille de produits. Pas avec toute l'usine. Choisissez une zone avec un volume élevé, une douleur visible et des personnes responsables qui veulent utiliser les résultats. Une ligne pilote silencieuse sans pression de la direction est un cimetière pour les bonnes idées.
6. Planifiez la sécurité OT avant l'intégration du fournisseur. Accès réseau, appareils Edge, autorisations cloud, modèles de rôles, journaux d'audit - ce n'est pas de la paperasse. Un seul problème de pare-feu non résolu peut bloquer un projet pendant quatre semaines.
7. Déterminez qui décide après la découverte. Si l'IA montre le goulot d'étranglement A, qui modifie le plan d'équipe, le plan de maintenance, le calcul de l'offre ou le mix produit ? Sans droit de décision, l'Intelligence Manufacturière devient un diagnostic sans thérapie.

Produit Amplifa Amplifa connecte les processus de vente B2B avec une priorisation basée sur les données - afin que le pipeline, l'ICP et la réalité opérationnelle ne divergent pas.

Ces sept étapes semblent terre-à-terre. C'est précisément pourquoi elles fonctionnent. J'ai vu trop de projets qui ont commencé avec l'architecture de modèle et sont morts à cause des responsabilités. Qui doit réagir si un système montre qu'un client premium génère régulièrement des commandes à perte ? Les ventes ? La production ? La direction ? Qui dit au client que sa demande spéciale n'est plus gratuite ? L'IA trouve le conflit. Elle ne le résout pas automatiquement.

L'angle commercial - pourquoi la gestion du pipeline sans données d'atelier devient faible

De nombreux lecteurs s'attendent probablement à de l'OEE, de la maintenance et de la qualité dans un article sur Almetra. C'est juste. Mais je veux renforcer l'angle commercial, car il est trop rarement discuté de manière approfondie dans le DACH. La gestion du pipeline dans les entreprises manufacturières est souvent découplée de l'usine. Le CRM connaît les opportunités, les probabilités, les segments de clientèle, peut-être les marges de contribution. L'usine connaît les goulots d'étranglement, la logique de réglage, les risques de qualité, les restrictions de personnel. Entre ces deux mondes se trouve généralement une feuille Excel ou un planificateur de production expérimenté qui, sous pression, dit « ça ira ».

Quiconque en 2026 mise encore sur une stratégie purement inbound dans l'environnement de la fabrication B2B n'aura plus de pipeline dans cinq ans. Oui, c'est brutal. Mais regardez la réalité : les processus d'approvisionnement s'allongent, les exigences techniques se resserrent, les évaluations des fournisseurs sont plus axées sur les données. Si votre service commercial ne sait pas quels clients correspondent à la force de production réelle, il vend contre sa propre entreprise. Un ICP pour les entreprises manufacturières ne doit pas seulement inclure l'industrie, la taille du chiffre d'affaires et la région. Il doit inclure l'adéquation à la production. Quelles pièces fonctionnent de manière stable ? Quelles variantes ont une courbe d'apprentissage ? Quelles exigences du client correspondent à la stratégie de test et à la capacité ?

D'après nos implémentations, nous savons que lorsque les équipes de vente alignent leurs listes de clients cibles sur les contraintes opérationnelles, les comptes prioritaires changent étonnamment souvent. Chez un fabricant DACH de composants techniques, 27 % des comptes cibles prioritaires ont été modifiés après que nous ayons inclus les familles de produits, le risque de délai de livraison et les schémas de réclamations historiques dans l'évaluation de l'ICP. Auparavant, un grand client semblait attrayant parce que le potentiel de chiffre d'affaires et le logo correspondaient. Ensuite, il était clair : le client aurait tiré précisément les variantes qui bloquent le test du goulot d'étranglement. Ce n'est pas de la théorie. C'est de l'hygiène de pipeline.

Amplifa ICP Playbook pour les fabricants Utilisez le Playbook pour évaluer les clients cibles non seulement en fonction du potentiel de marché, mais aussi de l'adéquation à la production, de la marge et de la capacité de livraison.

Ce qu'Almetra adresse correctement - et où le marché est encore ouvert

Almetra aborde un point sensible : les usines savent qu'elles perdent de la capacité, mais pas assez précisément où et pourquoi [1]. Cette formulation est forte car elle ne vend pas de science-fiction. Elle vend de l'orientation. Si, selon Fischer, les clients trouvent des opportunités d'optimisation significatives dès les premières semaines [1], alors la valeur réside probablement dans la contextualisation rapide des pertes. Pas dans le jumeau numérique parfait dès le premier jour.

Le marché reste néanmoins ouvert. Epicor Prism a également été positionné comme une solution de fabrication basée sur l'IA pour l'Europe, selon The Retail Data [2]. Les fournisseurs classiques d'ERP et de MES ajouteront des couches d'IA. Les hyperscalers cloud fourniront des architectures de référence. Les spécialistes de la vision par ordinateur, de la maintenance et de l'optimisation énergétique approfondiront leurs niches. Pour les clients, c'est à la fois bon et agaçant. Bon, parce qu'il y a du choix. Agaçant, parce que chaque outil prétend être la couche d'intelligence centrale. Mon conseil : ne croyez aucun diagramme d'architecture qui dessine vos systèmes existants de manière trop propre.

Les gagnants ne seront pas seulement capables de faire de l'IA. Ils seront capables de mettre en œuvre. Ils pourront parler à un directeur d'usine qui n'a pas le temps pour la poésie de plateforme. Ils pourront parler à la sécurité informatique sans paraître offensés. Ils construiront un compte de pertes avec le contrôle de gestion. Ils expliqueront aux ventes pourquoi un nouvel accord est risqué sur le plan opérationnel. Et ils accepteront que certaines données restent manuelles au début. Enfin, presque. Le manuel reste souvent plus longtemps que les fournisseurs ne l'admettent.

Risques - Protection des données, comité d'entreprise, sécurité OT et confiance dans les modèles

Aucun rapport de tendance ne serait honnête s'il minimisait les risques. Dans le DACH, les données de production sont sensibles. Non seulement en raison de la protection des données, mais aussi en raison des connaissances concurrentielles. Des temps de cycle, des rebuts, du mix de commandes et des arrêts, on peut déduire beaucoup de choses sur la structure des coûts et les clients. Si un fournisseur traite les données de production dans le cloud, il doit être clair où les données sont stockées, qui y a accès, comment les modèles sont entraînés et si les données des clients finissent dans des processus d'entraînement généraux. Les comités d'entreprise posent à juste titre des questions lorsque les données d'équipe sont évaluées au niveau de l'opérateur. L'odeur du métal chaud dans l'usine est romantique. L'évaluation juridique des données de performance ne l'est pas.

La sécurité OT est le deuxième point difficile. Une plateforme d'intelligence manufacturière a besoin de données de production, mais elle ne doit pas compromettre la production. Segmentation, accès en lecture seule, traitement Edge, gestion des certificats, processus de patch - c'est la salle des machines, pas le marketing. Un COO devrait demander à son fournisseur : que se passe-t-il si la connexion est coupée ? Les lignes peuvent-elles continuer à fonctionner ? Comment les mises à jour sont-elles testées ? Quels journaux existent ? Quelles données quittent l'usine ? Si les réponses deviennent vagues, c'est un signal d'alarme.

La confiance dans le modèle est le troisième point. Une IA peut identifier un goulot d'étranglement et se tromper si le contexte manque. Peut-être que la ligne était lente parce qu'un nouvel employé était en formation. Peut-être que les rebuts étaient intentionnels parce qu'un processus de test a été renforcé. Peut-être que la commande était un cas particulier. C'est pourquoi les systèmes ont besoin de boucles de rétroaction. Les opérateurs, les techniciens de maintenance, les responsables qualité et les planificateurs doivent pouvoir apporter des corrections. Sinon, on obtient une machine qui semble intelligente et qui priorise bêtement.

Logique budgétaire - pourquoi l'IA dans la fabrication doit être rentable différemment

L'IA dans la fabrication ne se développera pas grâce aux budgets d'innovation. Pas durablement. Elle doit être rentable grâce à des facteurs de valeur concrets : moins d'arrêts, moins de rebuts, des temps de réglage plus courts, des délais de livraison plus stables, de meilleures marges d'offre, une consommation d'énergie réduite par bonne pièce. Je commencerais chaque projet par une base de référence. Quatre semaines de données, une ligne, des catégories de pertes claires. Puis des mesures. Puis une comparaison. Pas parfait, mais suffisamment fiable pour justifier une deuxième usine.

Un exemple : une cellule CNC avec quatre machines perd 12 heures par semaine à cause d'arrêts imprévus et de petites perturbations. Le taux horaire interne est de 95 €, le goulot d'étranglement empêche en outre deux commandes clients par mois avec une marge de contribution de 18 000 € chacune. Si une couche d'intelligence manufacturière ne réduit qu'un tiers de ces pertes, le business case n'est pas subtil. Mais pour cela, le système ne doit pas seulement compter les arrêts. Il doit montrer quels arrêts sont influençables et quelle mesure a le plus grand effet. Sinon, on optimise le plus bruyant au lieu du plus coûteux.

Pour les PDG, la meilleure question n'est pas : combien coûte le logiciel ? La meilleure question est : quelle perte acceptons-nous actuellement parce que nous ne la voyons pas ? Cette question fait mal. Elle révèle que certaines usines vivent depuis des années avec une taxe fantôme - sous forme de retouches, de trajets spéciaux, de retards, de remises et d'escalades internes. L'Intelligence Manufacturière promet de rendre cette taxe visible. Vous devrez quand même la payer tant que personne n'agit.

Prévision personnelle - les 2 à 3 prochaines années

Ma prévision : d'ici fin 2028, l'Intelligence Manufacturière dans le DACH ne sera plus perçue comme un terrain de jeu de l'IA, mais comme une infrastructure opérationnelle normale pour les fabricants exigeants. Pas partout. Pas pour chaque entreprise de 70 personnes avec trois machines stables et un carnet de commandes plein. Mais pour les entreprises qui ont plusieurs lignes, des clients exigeants, une pression d'audit et de réels conflits de capacité. Là, la question ne sera pas de savoir si les données de production sont utilisées. Elle sera de savoir pourquoi les ventes, la planification et la maintenance ont encore des vérités différentes.

J'attends trois changements. Premièrement, les COO achèteront davantage en fonction du temps d'obtention des informations. Pas en fonction des listes de fonctionnalités. Celui qui montre des schémas de pertes fiables en quatre semaines battra le fournisseur avec 80 fonctionnalités et neuf mois de plan de projet. Deuxièmement, les ventes intégreront les données de production dans l'ICP, la priorisation des offres et la planification des comptes. Cela créera de la résistance, car cela fera paraître certains clients préférés moins bons. Troisièmement, les données ESG et énergétiques s'intégreront dans l'optimisation de la production. Non par idéalisme, mais parce que les clients et les coûts l'exigent.

La levée de fonds de 16 millions d'euros d'Almetra est un marqueur, pas un point final. Elle montre que les investisseurs croient en une catégorie européenne : des outils natifs de l'IA qui génèrent directement de la valeur à partir des données d'atelier. Je ne sais pas si Almetra sera la plateforme dominante dans cinq ans. Personne ne le sait. Mais je crois que l'ancienne séparation entre les données d'usine et les décisions commerciales est en train de se briser. Les ventes se rapprocheront de la machine. Le COO se rapprochera du pipeline. Et quelque part dans un hall, une vieille imprimante d'étiquettes continuera de cliqueter, tandis qu'un tableau de bord montrera pour la première fois ce que ce bruit coûte réellement.