Quand l'IA rencontre les métiers traditionnels : le cas Estim.ai dans la fabrication métallique

Le secteur manufacturier québécois expérimente une nouvelle approche de l'automatisation avec le lancement d'Estim.ai, une solution d'intelligence artificielle développée par la firme montréalaise Explor.ai en partenariat avec Alliance Métal Québec. Financé à hauteur de 1,115 M$ par le MEIE et Développement Économique Canada, ce projet vise à automatiser les processus d'estimation dans la fabrication métallique industrielle.

Une réponse technologique à des contraintes sectorielles

L'initiative répond à des défis bien documentés dans l'industrie manufacturière québécoise : la pénurie de main-d'œuvre qualifiée et l'inefficacité des processus d'estimation manuels. Selon Hugues Mailhot, vice-président et associé chez Explor.ai, « beaucoup d'estimateurs passent des heures à extraire l'information de leurs plans et devis en format PDF, jongler avec des feuilles Excel ou tenter de standardiser un processus qui dépend encore trop de l'expertise d'une seule personne. »

Cette problématique n'est pas unique au Québec. Une étude de McKinsey de 2023 révélait que 40% des tâches dans le secteur manufacturier pourraient être automatisées d'ici 2030, l'estimation de projets figurant parmi les processus les plus concernés.

Décryptage : une IA hybride pour des besoins complexes

Pour analyser la portée d'Estim.ai, il est utile de s'appuyer sur la typologie des projets d'intelligence artificielle développée par IA Québec, qui classe les initiatives selon 13 catégories transversales plutôt que par secteur d'activité. Cette approche permet de mieux comprendre les compétences techniques requises et les impacts organisationnels des projets IA.

Estim.ai s'inscrit simultanément dans plusieurs catégories de cette typologie. Premièrement, l'efficacité opérationnelle, en rationalisant les flux de travail d'estimation et en réduisant les temps de traitement des dossiers. Deuxièmement, l'optimisation des processus, par l'amélioration de l'efficacité de la chaîne d'estimation et la réduction des erreurs humaines. Le projet relève également de la vision par ordinateur et analyse d'images, grâce à l'interprétation automatisée des plans techniques en format PDF. Enfin, il mobilise le traitement du langage naturel pour extraire et classifier les informations textuelles contenues dans la documentation technique.

Cette nature multi-catégorielle illustre la complexité croissante des solutions d'IA contemporaines, qui tendent à combiner plusieurs technologies pour répondre à des défis métier spécifiques.

Architecture technique et approche par phases

Estim.ai s'appuie sur une combinaison de grands modèles de langage (LLM) et de vision numérique pour traiter les documents PDF techniques. La solution intègre un mécanisme de réentraînement continu, permettant d'améliorer ses performances au fur et à mesure de son utilisation.

Le développement suit une approche progressive en trois phases :

• Phase 1 (actuelle) : Extraction automatisée de données PDF et export vers Excel

• Phase 2 (prévue) : Module d'analyse comparative avec l'historique des projets

• Phase 3 (future) : Intégration de formats 3D et CAD pour une automatisation étendue

Cette approche incrémentale reflète une tendance observée dans l'industrie technologique, où les solutions IA complexes sont déployées graduellement pour valider leur pertinence opérationnelle avant d'étendre leurs fonctionnalités.

Le modèle collaboratif multi-entreprises

L'aspect le plus intéressant du projet réside dans sa méthodologie de développement. Plutôt que de créer une solution générique, Explor.ai a travaillé directement avec dix entreprises manufacturières pour co-développer la plateforme. Cette approche collaborative présente plusieurs avantages techniques et économiques.

D'un point de vue technique, elle permet d'accéder à un volume de données d'entraînement plus diversifié et représentatif des cas d'usage réels. Économiquement, elle répartit les coûts de R&D entre plusieurs acteurs, rendant l'innovation accessible aux PME.

Cependant, cette approche soulève aussi des questions. Comment gérer les spécificités de chaque entreprise tout en maintenant une solution standardisée? Comment protéger la confidentialité des données sensibles partagées entre concurrents potentiels?

Enjeux de sécurité et de confidentialité

Dans un contexte où les entreprises manufacturières manipulent des données stratégiques (plans, devis, coûts), la question de la sécurité des données devient cruciale. Explor.ai met en avant sa nature « québécoise » comme argument de sécurité, Mailhot soulignant « l'avantage d'utiliser une solution québécoise avec tous les enjeux reliés à la sécurité et la confidentialité des données. »

Cette approche reflète une tendance plus large dans l'écosystème tech québécois, où la souveraineté numérique devient un argument commercial face aux solutions américaines ou européennes.

Impact sur l'organisation du travail

Au-delà des gains d'efficacité annoncés, Estim.ai soulève des questions importantes sur l'évolution des métiers dans le secteur manufacturier. L'automatisation des tâches d'estimation pourrait libérer les estimateurs pour des activités à plus haute valeur ajoutée, mais elle nécessite également une montée en compétences des équipes.

Philippe Blais, directeur général d'Alliance Métal Québec, voit dans cette solution « un levier puissant pour relever les défis liés à la pénurie de main-d'œuvre. » Cette perspective optimiste contraste avec les inquiétudes souvent exprimées sur l'impact de l'IA sur l'emploi dans les secteurs traditionnels.

Positionnement concurrentiel d'Explor.ai

Avec plus de 150 projets livrés depuis 2019 dans les secteurs manufacturier, construction et énergie, Explor.ai se positionne comme une firme spécialisée dans l'IA appliquée aux industries traditionnelles. Cette approche sectorielle la différencie des grandes firmes de conseil technologique qui proposent des solutions plus généralistes.

La stratégie de l'entreprise consiste à développer une expertise transversale en travaillant simultanément avec plusieurs clients d'un même secteur, permettant d'identifier des problématiques communes et de mutualiser les coûts de développement.

Perspectives et défis à venir

Le succès d'Estim.ai dépendra de sa capacité à démontrer un retour sur investissement mesurable pour les entreprises utilisatrices. Les métriques clés incluront la réduction des temps d'estimation, l'amélioration de la précision des devis et la satisfaction des utilisateurs finaux.

Plus largement, ce projet teste la viabilité du modèle collaboratif pour le développement d'IA sectorielle au Québec. Si l'expérience s'avère concluante, elle pourrait inspirer d'autres initiatives similaires dans d'autres secteurs industriels.

La prochaine étape critique sera l'adoption réelle par les estimateurs sur le terrain, un défi souvent sous-estimé dans les projets de transformation numérique des industries traditionnelles.

Analyse : entre promesses et réalité

Estim.ai illustre les opportunités et les défis de l'application de l'IA aux processus métier spécialisés. Si la solution technique semble solide et l'approche collaborative prometteuse, son succès dépendra ultimement de sa capacité à s'intégrer dans les workflows existants sans perturber les opérations.

Le projet représente également un test important pour l'écosystème IA québécois : peut-il développer des solutions sectorielles compétitives face aux géants technologiques internationaux ? La réponse viendra de l'adoption effective par le marché et des résultats opérationnels mesurables dans les mois à venir.