L'IA est un buffet à volonté : le piège de l'indigestion

La scène s’est produite il y a quelques semaines dans une salle de réunion d’un site industriel. Un responsable de projet, enthousiaste et sincèrement désireux de bien faire, a ouvert son ordinateur portable pour projeter un document d’une dizaine de pages. Le titre était prometteur : « 30 initiatives innovantes pour réinventer notre système de management de la qualité ».

En moins de deux minutes, en interrogeant un grand modèle de langage avec une invite généraliste, il avait obtenu une liste impressionnante d’idées : audits croisés automatisés, capteurs connectés sur les postes de contrôle, comités de vigilance prédictifs, gamification des fiches de non-conformité. Tout y était. C’était bien écrit, structuré avec des puces élégantes et des adjectifs valorisants.

Le résultat de la réunion ? Deux heures de discussions circulaires et tièdes. Chaque participant a picoré une idée, soulevé une objection théorique, débattu sur la faisabilité d’un point de détail à la page 6, puis la réunion s’est achevée sans qu’aucune décision ne soit tranchée. Les dix pages ont rejoint le cimetière des comptes-rendus non lus sur le serveur partagé. Sur le terrain, dans l’atelier, pas un seul geste n’a changé.

Ce phénomène porte un nom bien connu en psychologie comportementale et en gestion industrielle. C’est le syndrome du buffet à volonté.

1. Le buffet à volonté : pourquoi la gratuité apparente rend malade

Le principe d’un buffet à volonté est séduisant : pour une somme modique et forfaitaire, vous avez un accès illimité à une cinquantaine de plats différents. Vous n’avez pas à choisir avant d’entrer, vous n’avez pas à mesurer votre faim, et chaque portion supplémentaire ne vous coûte rien de plus.

Observez alors le comportement humain classique dans un buffet asiatique ou un brunch d’hôtel. Parce que la ressource est abondante et sans coût marginal, le client remplit son assiette au-delà du raisonnable. Il empile des nems tièdes sur une part de gratin, ajoute deux sauces incompatibles, pioche un dessert avant d’avoir fini son entrée. Le résultat est presque toujours le même : on mange trop, on mélange des saveurs incohérentes, on ne savoure rien, et on quitte la table avec une sensation de lourdeur digestive et de culpabilité diffuse.

L’intelligence artificielle générative agit exactement comme ce buffet à volonté.

Avant l’arrivée des modèles de langage, formuler trente hypothèses d’amélioration continue demandait un effort cognitif réel. Il fallait se déplacer dans l’atelier, observer les postes de travail, réunir les opérateurs, analyser les temps de cycle et confronter ses intuitions aux données historiques. L’effort consenti servait de filtre naturel : on ne proposait que des pistes mûrement réfléchies, parce que formuler une mauvaise idée coûtait du temps et de la crédibilité.

Aujourd’hui, demander à un modèle d’IA « donne-moi 30 idées pour améliorer la sécurité sur nos lignes d’emballage » prend quatre secondes et coûte une fraction dérisoire de centime d’euro. La friction de création est tombée à zéro.

Or, une ressource dont le coût de production est nul tend mécaniquement à être surproduite. En voyant défiler ces trente propositions en quelques secondes, notre cerveau subit un biais d’abondance : nous prenons le volume pour de la richesse intellectuelle. Nous confondons l’énoncé d’une intention avec la résolution d’un problème. En réalité, nous venons simplement d’empiler trente plats froids dans une assiette trop petite, créant une indigestion cognitive immédiate pour l’équipe qui doit les analyser.

2. La passerelle Lean : le premier gaspillage de Taiichi Ohno (Surproduction / Muda)

Pour les professionnels du monde de la qualité, de la sécurité et de l’environnement, cette dérive n’a rien de nouveau. Elle porte un nom identifié il y a plus de cinquante ans par Taiichi Ohno, le père fondateur du système de production Toyota (TPS) : la surproduction.

Dans la doctrine Lean, la surproduction est classée comme le pire des sept gaspillages majeurs (les célèbres Muda). Taiichi Ohno insistait sur un point cardinal : la surproduction n’est pas un gaspillage parmi d’autres, c’est la racine mère qui engendre et masque tous les autres gaspillages.

Quand une usine fabrique des pièces plus vite que le client ne les consomme, que se passe-t-il ?

• On encombre les allées de chariots et de bacs de stockage (gaspillage d’espace et de manutention).
• On immobilise de la trésorerie dans des stocks dormants qui risquent de s’oxyder ou de devenir obsolètes (gaspillage de matière).
• On masque les pannes des machines et les défauts de qualité, car un stock abondant permet de continuer à tourner sans régler la cause racine du problème.

Transposons rigoureusement cette réalité d’atelier aux flux documentaires et aux invites d’IA.

Générer des listes d’idées non sollicitées par le terrain, c’est fabriquer du stock mental dormant. Ces trente propositions d’amélioration stockées dans un classeur Excel ou un compte-rendu Word créent exactement les mêmes effets pervers :

1. L’encombrement cognitif : L’équipe passe son temps à trier, classer, noter et arbitrer des concepts virtuels au lieu d’agir sur le poste de travail où l’incident s’est produit.
2. L’obsolescence immédiate : Une idée générée en chambre noire sans ancrage terrain perd sa pertinence dès la semaine suivante, car le contexte de l’atelier a déjà évolué.
3. Le masquage du vrai problème : L’abondance d’idées donne bonne conscience au management. On se félicite d’avoir un plan d’action riche et ambitieux, ce qui dispense opportunément d’aller passer trente minutes au pied de la machine pour comprendre pourquoi l’opérateur contourne le protecteur de sécurité.

Dans le jargon industriel, le comportement réflexe avec l’IA relève du Flux Poussé (Push) : on pousse des dizaines d’idées dans le système en espérant qu’une ou deux trouveront preneur par miracle. C’est l’antithèse absolue de la performance opérationnelle.

3. Du Flux Poussé au Flux Tiré : la règle d’or du WIP = 1 pour l’IA

Pour éradiquer la surproduction en atelier, Toyota a inventé le Flux Tiré (Pull) et la méthode Kanban. Le principe est limpide : un poste amont n’a le droit de fabriquer une pièce que si, et seulement si, le poste aval a émis un signal de besoin réel pour consommer cette pièce immédiatement.

Si nous voulons tirer une valeur réelle des modèles d’IA sans sombrer dans l’indigestion de réunions stériles, nous devons appliquer le même principe d’ingénierie à nos outils bureautiques. Nous devons passer au Flux Tiré d’idées, régi par une règle d’or d’une simplicité biblique : la limite d’en-cours stricte (Work-In-Progress = 1, ou WIP = 1).

Règle 1 : Ne jamais solliciter l’IA à froid

Le brainstorming générique est une illusion. Ne tapez jamais dans ChatGPT une requête vague du type : « Donne-moi des idées d’objectifs sécurité pour l’année prochaine ». Une requête d’IA ne doit être déclenchée que par une friction terrain observée, documentée et mesurée. Si vous n’avez pas constaté un dysfonctionnement concret sur une ligne, un écart récurrent sur une fiche de contrôle ou un temps perdu identifié par un opérateur, l’IA doit rester éteinte.

Règle 2 : Une seule hypothèse en cours (WIP = 1)

C’est le cœur de la discipline. Lorsque vous soumettez votre problème à l’IA, exigez d’elle une et une seule hypothèse d’action actionnable. Interdiction formelle de solliciter une deuxième idée, d’explorer une variante ou de relancer un prompt tant que cette hypothèse unitaire n’a pas été testée sur le terrain.

Tant que l’opérateur n’a pas essayé la consigne modifiée, tant que le nouveau détrompeur visuel n’a pas été posé sur la table de tri, le système est verrouillé. L’en-cours d’idées est saturé.

Règle 3 : Le disjoncteur d’obsolescence à 48 heures

Dans la vraie vie d’un atelier, si une idée d’amélioration n’est pas testée dans les 48 heures qui suivent son émergence, elle ne sera jamais testée. Si après 48 heures, l’hypothèse est toujours bloquée dans votre tête ou sur votre écran sans avoir touché le plan de travail, la règle est impitoyable : l’idée est considérée comme non prioritaire, rayée du système, et le créneau d’en-cours redevient vacant. Aucun remords, aucun archivage encombrant.

4. La boîte à outils pratique de Marc (Zéro console, 100% terrain)

Pour mettre en œuvre cette méthode dès demain matin sans avoir besoin d’écrire une ligne de code ni d’installer un logiciel complexe, voici le dispositif à déployer sur votre poste de travail.

L’outil 1 : Le Tableau Kanban d’Idées (Tableur Excel ou 3 Post-it)

Tracez sur une feuille de papier, sur un tableau blanc ou dans un fichier Excel standard un tableau comportant strictement trois colonnes. La colonne centrale comporte une contrainte mécanique inviolable : une seule ligne autorisée.

Colonne 1 : Friction observée (Gemba)	Colonne 2 : En test terrain 48h (WIP = 1 STRICT)	Colonne 3 : REX factuel (Clôture)
Exemple : Les opérateurs de la ligne 2 perdent 4 minutes par changement de série à chercher la clé de réglage de 13.	Une seule carte autorisée : Fixer un support aimanté dédié avec silhouette de la clé peinte en rouge directement sur le bâti de la machine.	Résultat sous 48h : Validé (gain mesuré de 3 min 30) -> Standardisé dans la gamme. Ou Rejeté -> Case libérée.

Tant que la case du milieu est occupée par une action en cours d’expérimentation, personne dans le service n’a le droit d’ouvrir ChatGPT pour chercher d’autres pistes. Toute l’énergie de l’équipe reste concentrée sur la validation terrain de la solution en cours.

L’outil 2 : Le Prompt de Commande au Flux Tiré

Les modèles de langage ont une tendance naturelle à être bavards et complaisants. Si vous leur exposez un problème, leur réflexe d’entraînement statistique est de vous servir un banquet de dix propositions bien présentées pour vous faire plaisir.

Pour neutraliser ce comportement et forcer le modèle à respecter la discipline Lean, copiez-collez cette invite exacte lors de votre prochaine requête :

Agis comme un ingénieur méthode et organisation Lean intransigeant.
Voici mon problème terrain documenté : [décrire ici la friction précise et chiffrée observée sur le poste].

Consignes strictes :
1. Ne me donne aucune liste d'idées.
2. Formule une seule et unique hypothèse d'action corrective concrète.
3. Cette action doit être testable en moins de 48 heures sur le terrain, sans budget d'investissement et sans modifier nos logiciels.
4. Si mes données d'entrée sont trop vagues, refuse de répondre et pose-moi la question manquante sur le poste de travail.

Ce prompt agit comme un filtre Poka-Yoke sur le modèle d’IA : il coupe court au bavardage numérique et transforme le buffet à volonté en une commande unitaire précise, directement actionnable par vos équipes d’atelier.

En conclusion : l’élégance de la frugalité

L’innovation durable en milieu industriel n’a jamais été une question de volume d’idées. Les usines les plus sûres et les plus performantes ne sont pas celles dont les armoires débordent de classeurs de suggestions, mais celles où une petite équipe identifie une friction réelle le matin, teste un ajustement simple à midi, et en mesure les effets factuels le soir même.

L’IA générative est un outil extraordinaire pour nous aider à formuler des hypothèses et à structurer nos démarches de résolution de problèmes. Mais si nous la laissons nous gaver de propositions non sollicitées, elle ne fera que reproduire à l’échelle numérique le pire poison de l’industrie : l’illusion que le stock d’intentions équivaut au travail accompli.

La prochaine fois que vous ressentirez la tentation de demander à votre écran trente idées pour réinventer vos processus, souvenez-vous de la nausée du buffet à volonté. Fermez votre invite, enfilez vos chaussures de sécurité, descendez observer le travail réel pendant quinze minutes, et ne commandez à la machine qu’une seule pièce à la fois.