Fin juin 2026, TechCrunch, reprenant Bloomberg, a rapporté que Ford avait réembauché environ 350 ingénieurs expérimentés, anciens salariés du groupe ou venus de ses fournisseurs. Le constructeur comptait de plus en plus sur des systèmes automatisés de contrôle qualité, et les résultats n'étaient pas au rendez-vous. Charles Poon, vice-président chargé de l'ingénierie, a reconnu que Ford avait cru à tort que l'introduction de l'IA suffirait à produire un produit de qualité : beaucoup d'ingénieurs chevronnés étaient partis avant que leur savoir ait été intégré aux outils. Les ingénieurs réembauchés forment les plus jeunes et aident à reprogrammer les outils d'IA. Le PDG Jim Farley attribue à ce retour une baisse des coûts de garantie et de rappel. Pour les dirigeants de PME qui voient encore l'automatisation comme un projet informatique, la leçon est directe : sans la connaissance des praticiens, l'IA donne des résultats décevants.
Ce que Ford a appris à ses dépens
Dans les projets d'automatisation, la tentation est de raisonner en outils : on achète une plateforme, on connecte des flux de données, on paramètre des workflows, et on attend que la productivité suive. Cette approche déçoit souvent, pour une raison que le cas Ford illustre : les données brutes ne contiennent pas toute la connaissance. Elles en sont une trace, rarement complète.
Un modèle entraîné sur des données de production peut repérer des corrélations. Il ne sait pas pourquoi, par exemple, un opérateur expérimenté ajuste un réglage en début de poste selon l'humidité, ni ce que ce geste change pour la qualité finale de la pièce. Ce savoir tacite, absent des procédures écrites, est ce que Ford a dû aller rechercher chez ses anciens ingénieurs. C'est aussi ce qui sépare une automatisation utile d'une automatisation médiocre.
Dans une PME industrielle, la règle est la même : un projet d'automatisation a bien plus de chances de réussir si un expert métier senior participe à la conception des règles, à la validation des données et à la définition des seuils de décision. Un outil conçu uniquement par un prestataire à partir de données historiques fonctionne souvent en démonstration et déçoit en production.
L'expertise métier se perd si vous n'agissez pas
Le cas Ford pose une question que peu de dirigeants se posent explicitement : que se passe-t-il quand vos experts partent ? Ford a dû les faire revenir, avec un coût et un délai. Beaucoup de PME n'auront pas cette possibilité.
Les départs à la retraite des générations du baby-boom emportent des décennies de savoir-faire. Dans la plasturgie, la mécanique de précision, la logistique ou le négoce technique, ce savoir ne se transmet pas par des fiches de poste. Il s'acquiert par des années de pratique et de résolution de problèmes. Quand la personne qui le détient quitte l'entreprise, il disparaît.
L'IA ne reconstitue pas ce qui est perdu. Elle exploite ce qui a été documenté. Les entreprises qui attendent d'avoir un projet IA formalisé pour recueillir l'expertise de leurs seniors prennent donc un risque réel.
La formation à l'IA ne commence pas par les outils
Une erreur revient souvent : on forme les collaborateurs à utiliser des outils avant de leur avoir demandé ce qu'ils savent. On déploie Copilot, on organise des sessions sur la rédaction de requêtes, on mesure le taux d'adoption. Mais personne n'a cartographié les processus critiques, identifié les experts dont la connaissance conditionne la qualité des résultats, ni organisé le recueil de ce savoir.
La séquence qui fonctionne est inverse : d'abord identifier qui sait, ensuite formaliser ce savoir, enfin l'intégrer dans les outils. Elle surprend des équipes habituées à raisonner par déploiement d'outils, mais c'est elle qui donne une automatisation durable. Dans une démarche d'audit IA, cette cartographie de l'expertise précède le choix technologique.
Ce que révèle le cas Ford sur la valeur des données internes
On entend souvent que la donnée est le pétrole de l'IA. La métaphore est trompeuse, car elle laisse croire que la donnée a de la valeur en elle-même. La donnée a de la valeur quand elle est interprétable, remise dans son contexte et assez riche pour alimenter un outil pertinent.
Ford disposait des données de production. Ce qui manquait, c'était la capacité à les interpréter, que seuls les ingénieurs expérimentés apportaient.
Pour une PME, la conséquence pratique est directe. Vos données internes (historiques de production, tickets SAV, rapports d'anomalies, échanges clients) ont une valeur potentielle importante. Mais cette valeur ne s'exploite que si un expert métier peut les annoter, les corriger et les compléter du contexte qui leur manque. Sans cela, l'outil apprend sur des données bruitées et ses résultats ne justifient pas l'investissement.
Le coût de l'attente
La tentation est de reporter. Les projets IA semblent complexes, les budgets sont sous pression, et certaines promesses du secteur ont déçu. Cette prudence se comprend, mais elle a un coût.
Chaque départ non préparé d'un expert senior est une perte qui ne se rattrape pas. Recueillir son savoir-faire ne dépend pas d'un projet IA : c'est utile en soi, pour la formation des nouveaux arrivants, et c'est un préalable à toute automatisation sérieuse.
Concrètement, la démarche suppose de :
- Identifier les 3 à 5 processus où le savoir tacite d'une ou deux personnes conditionne la qualité du résultat
- Organiser le recueil structuré de ce savoir avant tout choix technologique
- Construire les exemples et les règles avec l'expert, pas seulement à partir de ses traces numériques
- Faire valider les résultats de l'outil par ce même expert avant tout déploiement
C'est un travail qui prend du temps, raison de plus pour le commencer tôt.
L'expertise métier, ce qui distingue votre automatisation
Un modèle généraliste accessible à tous vos concurrents produit des résultats comparables pour tout le monde. Ce qui distingue une entreprise, c'est le contexte qu'elle seule détient : ses règles, ses cas passés, son savoir-faire.
Cela vaut pour Ford dans l'automobile. Cela vaut pour un équipementier industriel dont les techniciens savent diagnostiquer une panne en trois questions, ou pour un bureau d'études dont les ingénieurs seniors appliquent des grilles d'analyse qu'aucune documentation ne retranscrit fidèlement. Le mouvement joue d'ailleurs dans les deux sens : bien déployés, les mêmes outils font émerger de nouveaux experts dans chaque service.
La question utile pour un dirigeant est donc : quelle expertise interne sommes-nous en train de laisser partir sans l'avoir recueillie ?
Par où commencer dans une PME
- Listez les personnes dont le départ vous mettrait en difficulté sur un processus précis, et les départs prévus dans les trois prochaines années.
- Pour chacune, organisez des entretiens enregistrés sur des cas réels (diagnostics, réglages, arbitrages), puis faites-en des règles et des exemples écrits.
- Choisissez ensuite l'outil (base de connaissances, assistant de recherche documentaire, règles automatisées) et faites valider ses réponses par l'expert.
Notre guide IA par fonction en PME présente les usages possibles service par service. Pour identifier les savoir-faire à recueillir en priorité, vous pouvez demander un diagnostic gratuit.
Article rédigé par Loïc Mabilon, cofondateur de Lumivi.
