IA générative ou IA prédictive : laquelle pour quel usage industriel ?

Un dirigeant nous pose souvent la même question, à peu près dans ces termes : « J'ai lu qu'il faut se mettre à l'IA. Mais laquelle ? » Bonne question. Parce que derrière ce mot valise se cachent deux familles qui n'ont presque rien en commun, sauf le fait de porter le nom « intelligence artificielle ».

L'une anticipe. L'autre comprend et rédige. L'une a besoin de milliers de lignes de mesures pour dire quelque chose d'utile, l'autre lit un email et vous répond dans la foulée. Confondre les deux, c'est acheter une bétonnière quand on cherchait un tournevis.

On va poser les deux à plat, sans jargon, avec des cas que vous reconnaîtrez. Et on finira par le point qui compte pour une PME industrielle : dans neuf situations sur dix de back-office, c'est la générative qui bosse.

Deux familles qu'on confond tout le temps

La coupure est nette une fois qu'on la voit. L'IA prédictive part d'un historique de chiffres et sort une estimation : une probabilité, une valeur, une date. L'IA générative part d'un texte, d'une image ou d'un document et produit un contenu : une réponse, un résumé, un tableau extrait, une classification.

Autrement dit, la prédictive calcule. La générative manipule du sens.

Prenez une machine-outil. Un modèle prédictif regarde la vibration, la température et l'ampérage des six derniers mois, puis annonce : « Ce roulement a 78 % de risque de lâcher dans les trois semaines. » Une IA générative, elle, ne sait rien de ce roulement. En revanche, donnez-lui le rapport d'intervention manuscrit du technicien, elle en tire une fiche propre, range l'info dans la GMAO et prévient l'acheteur par mail. Deux mondes. Deux outils.

Le grand public ne connaît vraiment que la seconde depuis fin 2022, quand les modèles de langage comme Claude d'Anthropic, ou ceux d'OpenAI et de Google, sont devenus utilisables par n'importe qui. La prédictive, elle, tourne dans l'industrie depuis bien plus longtemps, souvent sous le nom de « machine learning » ou de « analyse de données », sans faire de bruit.

L'IA prédictive : anticiper à partir de l'historique

La prédictive répond à une question de la forme « que va-t-il se passer ? ». Elle apprend sur des données passées, repère des régularités, et projette. Pas de magie : des statistiques musclées, entraînées sur beaucoup d'exemples étiquetés.

Dans un environnement industriel, ses terrains de jeu sont assez identifiables :

• Maintenance prédictive. À partir des signaux de capteurs (vibration, chaleur, courant), estimer quand un équipement va défaillir pour intervenir avant la casse.
• Prévision de la demande. À partir de l'historique de ventes, de la saisonnalité et parfois de la météo, anticiper les volumes des prochaines semaines pour ajuster la production.
• Contrôle qualité par vision. Un modèle entraîné sur des milliers d'images de pièces bonnes et défectueuses repère un défaut sur la ligne, plus vite qu'un œil fatigué en fin de poste.
• Optimisation de tournées ou de stocks. Prédire le niveau de réassort idéal pour éviter à la fois la rupture et le sur-stockage qui dort en entrepôt.

Le point commun ? Toutes ces applications ont faim de données propres. Beaucoup, bien rangées, bien étiquetées, sur une durée assez longue pour que le modèle apprenne quelque chose de solide.

Et c'est là que le bât blesse pour la plupart des PME. La maintenance prédictive fait rêver dans les salons, mais elle suppose des capteurs déjà posés, un historique de plusieurs années, des pannes correctement documentées, un référentiel machine tenu à jour. Beaucoup d'ateliers découvrent, en creusant, que leurs données sont trouées, saisies à la main dans un tableur, ou pire, dans la tête du chef d'atelier qui part à la retraite l'an prochain. Sans ce socle, le modèle prédictif se nourrit de vide et sort des prédictions dont personne ne veut. On en parle plus en détail dans notre article dédié à la maintenance prédictive.

La prédictive n'est pas hors de portée. Elle est juste exigeante en amont. Il faut un projet, un budget capteurs, parfois un data scientist, et de la patience avant que ça rende. Pour un grand groupe qui produit des millions de pièces, le calcul est vite fait. Pour une PME de 40 personnes, c'est un autre débat.

L'IA générative : comprendre et produire du langage

La générative répond à une autre question : « qu'est-ce que ce texte veut dire, et que dois-je en faire ? ». Elle lit, comprend, reformule, extrait, rédige, classe. Son carburant, ce n'est pas une colonne de chiffres, c'est du langage : emails, PDF, cahiers des charges, bons de commande, comptes rendus.

Et ça change tout pour une entreprise, parce que le langage, elle en croule.

Pensez à ce qui arrive chaque matin dans une boîte mail d'ADV ou de service achats. Une demande de devis en pièce jointe. Un accusé de réception fournisseur. Une réclamation client sur une livraison. Un plan au format DWG accompagné d'un mail de trois lignes. Un rappel d'impayé. Chacun de ces objets, un humain doit le lire, le comprendre, décider, ressaisir dans un logiciel. C'est exactement le travail que l'IA générative sait dégrossir.

Quelques usages concrets, tous déjà opérationnels aujourd'hui :

• Lire un email entrant, comprendre s'il s'agit d'une commande, d'une relance ou d'une réclamation, et le router vers la bonne personne avec un résumé.
• Extraire les lignes d'une facture fournisseur (référence, quantité, prix, TVA) depuis un PDF scanné, pour les préparer à l'entrée dans l'ERP ou le logiciel comptable, qu'il s'agisse de Sage, de Divalto ou d'un autre.
• Rédiger un premier jet de réponse à un appel d'offres en s'appuyant sur vos anciens dossiers, à charge pour un humain de valider.
• Transformer un compte rendu de réunion dicté en fiche d'action structurée, avec les responsables et les échéances.
• Comparer un cahier des charges client à votre catalogue et signaler les points qui ne collent pas.

Aucun capteur. Aucun historique de plusieurs années à constituer. Le modèle est déjà entraîné : on lui donne le document et le contexte, il travaille. C'est la grande différence pratique avec la prédictive, et c'est pour ça qu'une PME peut démarrer vite.

Attention, « vite » ne veut pas dire « sans rien faire ». Une IA générative livrée brute hallucine, invente une référence, se trompe sur un montant. Elle a besoin de garde-fous : des règles, une connexion propre à vos outils via des plateformes comme n8n ou Make, et surtout un humain qui valide ce qui engage l'entreprise. C'est tout le principe du travail avec un agent IA bien encadré, et de l'articulation entre RPA et IA quand il faut aussi cliquer dans des logiciels.

Le tableau qui les sépare vraiment

Pour fixer les idées, voici la comparaison ligne à ligne. Elle vaut mieux qu'un long discours.

Une nuance honnête : la frontière n'est pas toujours étanche. Un modèle génératif moderne sait aussi faire un peu de classification ou de prédiction simple, et certains outils mélangent les deux sous le capot. Mais pour raisonner clairement sur un projet, cette séparation tient très bien.

Laquelle pour quel usage en industrie ?

Passons du concept au terrain. Voici comment on tranche, cas par cas, quand on regarde une entreprise industrielle.

Ça relève de la prédictive quand…

Le besoin porte sur une valeur future à estimer à partir de données machine ou de flux mesurés. Anticiper une panne sur une presse. Prévoir la charge de la ligne d'assemblage le mois prochain. Détecter un défaut à la volée sur un contrôle visuel. Optimiser un niveau de stock au regard des ventes passées.

Point commun : il y a des chiffres, beaucoup, sur la durée. Si vous avez déjà les capteurs et l'historique, foncez. Sinon, il faut d'abord construire ce socle, et c'est un chantier en soi.

Ça relève de la générative quand…

Le besoin porte sur du document ou du langage à comprendre, produire ou faire circuler. Traiter les commandes qui arrivent par mail. Établir des devis à partir de demandes en texte libre. Répondre à un appel d'offres. Rapprocher une facture d'un bon de commande. Rédiger et relancer sur les impayés. Classer et retrouver des documents techniques.

Là, la question du « gros historique » ne se pose même pas. Vous avez déjà la matière : elle arrive tous les jours dans les boîtes mail et sur les bureaux. Le travail consiste à brancher l'IA sur ce flux et à l'encadrer. Nos exemples concrets d'IA en industrie détaillent une bonne partie de ces cas, tâche par tâche.

Un doute fréquent : la vision, prédictive ou générative ?

Le contrôle qualité par caméra sur une ligne, entraîné sur des images de pièces bonnes et mauvaises, c'est de la prédictive (de la classification, pour être exact). En revanche, « lis-moi ce plan PDF et sors-moi la nomenclature », c'est de la générative. Même support, la photo ou le document, mais deux logiques différentes. Le critère reste le même : est-ce qu'on estime une valeur, ou est-ce qu'on comprend un contenu ?

Pourquoi une PME de back-office mise surtout sur la générative

Voici le cœur du sujet, et notre parti pris assumé d'agence qui travaille avec des PME et des ETI industrielles.

Dans une entreprise de production, la valeur la plus rapide à aller chercher se trouve rarement sur la ligne. Elle est dans le bureau d'à côté. Là où une poignée de personnes passe ses journées à lire des mails, ressaisir des chiffres d'un PDF vers un logiciel, chercher un document, rédiger la même réponse pour la centième fois. Ce travail est répétitif, chronophage, mal aimé, et il est presque entièrement fait de langage.

C'est le domaine de la générative.

Trois raisons expliquent pourquoi une PME y gagne plus vite qu'avec la prédictive. D'abord, la matière première existe déjà et personne n'a besoin de poser un capteur ou d'attendre deux ans de mesures. Ensuite, le retour se voit en semaines, pas en trimestres : on prend une tâche, on l'automatise, on mesure le temps rendu, on passe à la suivante. Enfin, le ticket d'entrée est raisonnable, sans machine à instrumenter ni infrastructure lourde, ce qui compte quand on regarde de près le vrai coût de l'IA dans une PME.

On l'a constaté à force de regarder des back-offices industriels : sur une tâche de saisie ou de tri bien ciblée, on parle souvent d'un ordre de grandeur de plusieurs heures récupérées chaque semaine par personne concernée. Ce sont des fourchettes prudentes, pas des promesses gravées dans le marbre. Chaque atelier est différent, et c'est bien pour ça qu'on chiffre avant de s'engager.

Ce choix a une contrepartie qu'on assume : on n'ira pas vous vendre une maintenance prédictive parce que ça sonne bien. Si vos données machine ne sont pas prêtes, on le dira, et on ira chercher la valeur là où elle est atteignable tout de suite. C'est plus honnête, et franchement plus rentable pour vous.

Et quand faut-il les deux ensemble ?

Il arrive que la combinaison des deux fasse mouche. C'est même souvent là que naissent les automatisations les plus élégantes.

Imaginez la chaîne suivante. Un modèle prédictif surveille vos niveaux de stock et signale un risque de rupture sur une référence dans dix jours. Jusque-là, c'est de la prédictive pure. Mais un signal seul ne sert à rien tant que quelqu'un ne fait rien. C'est là que la générative prend le relais : elle rédige la commande fournisseur, la remplit avec les bonnes quantités, prépare l'email d'alerte à l'acheteur, et pose l'action dans l'outil. La prédictive a vu venir le problème, la générative l'a mis en mots et déclenché la réponse.

Autre exemple, côté maintenance. Le modèle prédictif annonce une défaillance probable sur un équipement. La générative, elle, ouvre le bon de travail dans la GMAO, retrouve la procédure d'intervention dans la documentation, et prévient le technicien avec un résumé clair de la situation. Chacune reste dans son couloir. L'ensemble tourne.

Pour une PME, la bonne démarche est presque toujours : commencer par la générative sur le back-office, engranger des gains concrets, puis, seulement quand les données machine le permettent, envisager la prédictive sur des cas ciblés. L'inverse mène souvent à un beau projet qui dort faute de données. Notre méthode de travail suit exactement cet ordre.

Un mot sur vos données

Beaucoup de dirigeants hésitent à cause d'une inquiétude légitime : « si j'envoie mes devis et mes plans à une IA, où finissent-ils ? » La question est saine, et elle mérite une réponse nette plutôt qu'un slogan rassurant.

Le principe qu'on applique tient en peu de mots : on envoie le minimum nécessaire aux services d'IA, on choisit un modèle dont l'éditeur s'engage à ne pas réutiliser vos échanges pour entraîner ses modèles, et tout ce qui est sensible passe par une validation humaine avant d'engager quoi que ce soit. On choisit aussi le niveau de service selon l'enjeu du document. Ce sujet mérite mieux qu'un paragraphe, on l'a traité en détail dans notre article sur l'IA et la confidentialité des données.

En résumé

Retenez la ligne de partage : la prédictive calcule à partir d'un historique, la générative comprend et produit du langage. La première brille sur la ligne et la logistique, quand les données existent déjà. La seconde brille au bureau, sur tout ce qui est email, document et ressaisie, et elle démarre sans attendre.

Pour une PME industrielle, le raccourci est simple. Commencez par là où le travail est fait de mots. C'est-à-dire la générative, sur votre back-office.