Kuken Industries retrouve un plan de pièce en 4,5 minutes au lieu d'une heure grâce à l'API OpenAI

Une histoire familière pour toute entreprise de plus de dix ans : le savoir existe, mais dort dans des archives, et seule la personne présente depuis vingt ans sait y trouver ce qu'il faut. La société japonaise Kuken Industries, l'un des plus grands fabricants de tours de refroidissement du pays, a résolu ce problème grâce à l'API OpenAI. Il s'agit d'un témoignage client publié par OpenAI elle-même ; il faut donc lire les chiffres en tenant compte de la source. Mais le scénario est très concret et s'applique bien au-delà de l'industrie.

Où était le problème

Les tours de refroidissement évacuent la chaleur de l'eau en circulation : elles refroidissent les centres commerciaux, les usines et les équipements des centres de données. Lorsqu'il faut remplacer une pièce dans une telle installation, une pièce moderne ne convient pas toujours à une ancienne conception. Sans le plan d'origine, l'ingénieur doit parfois concevoir et fabriquer le remplacement à partir de zéro.

Le problème est que, pendant 70 ans, Kuken a adapté ses équipements à des clients précis. Les spécifications dépendent du client et de la date de montage, et une recherche par modèle ou par nom de pièce renvoie plusieurs plans à la fois. Autrefois, quand les archives étaient sur papier, la recherche prenait une demi-journée. La numérisation n'a pas simplifié les choses : il fallait savoir quel nom ou quel numéro saisir et où se trouvait le fichier. Les nouveaux demandaient conseil à leurs collègues expérimentés, qui devaient interrompre leur propre travail.

Comment fonctionne la solution

Kuken a travaillé avec Recursive, une start-up japonaise d'IA et partenaire officiel d'OpenAI. Ensemble, elles ont créé un système de recherche et une application mobile pour les ingénieurs sur le terrain, en s'appuyant sur les archives réelles et sur les souhaits des ingénieurs eux-mêmes.

Avant de choisir un modèle, l'équipe a testé plusieurs variantes sur différents plans et comparé la précision d'extraction des pièces de chacune ainsi que son coût. Les modèles d'OpenAI ont donné de bons résultats sur les deux critères. L'article ne précise pas quels modèles exactement ont été utilisés ni avec lesquels ils ont été comparés.

Dans l'application, on peut saisir un numéro de plan ou de pièce, ou téléverser une image ou un PDF d'un plan ou d'une liste de pièces détachées. La capture d'écran d'une liste évite la saisie manuelle de chaque numéro : l'application lit les numéros et renvoie les correspondances possibles, y compris des plans de conceptions similaires. Le choix final revient à l'humain, qui vérifie les spécifications de la tour et l'historique des remplacements passés. Ici, l'IA restreint le champ de recherche sans prendre la décision.

Résultats et réserves

Selon Kuken, le bon plan se trouve désormais en 4,5 minutes, contre près d'une heure auparavant. L'entreprise s'attend à ce que le temps de recherche diminue d'environ 90 % sur un an. Il s'agit bien d'une prévision, et non d'un bilan annuel confirmé. Par ailleurs, les ingénieurs consultent les plans directement dans l'application, ce qui réduit les coûts d'impression. Les employés expérimentés consacrent une partie du temps libéré au mentorat, tandis que les nouveaux prennent en charge de manière autonome un éventail de tâches plus large.

L'étape suivante : un outil de vérification des plans préparés par les partenaires. Aujourd'hui, les ingénieurs les comparent aux spécifications à l'œil nu et recherchent les pièces ou quantités qui ne concordent pas. Le prototype doit mettre ces écarts en évidence. D'après Kuken, environ 90 % des problèmes qu'il a détectés étaient de véritables écarts. L'outil n'est pas encore en production : il s'agit donc d'un résultat de tests.

Ce qu'il faut en retenir

Premièrement, la valeur ne réside souvent pas dans un « chat intelligent », mais dans une recherche banale au sein de documents accumulés, où le texte comme l'image comptent. Si vous disposez d'archives de scans, de PDF ou de captures d'écran, c'est peut-être là le chemin le plus court vers un bénéfice concret.

Deuxièmement, choisissez le modèle sur vos propres documents. Kuken a comparé les variantes selon la précision d'extraction des données et le prix sur des plans réels, et non sur des benchmarks publics. Pour des documents à la mise en page complexe, c'est la seule méthode honnête.

Troisièmement, concevez l'entrée selon les habitudes réelles des utilisateurs. La possibilité de coller une capture d'écran d'une liste de pièces semble un détail, mais c'est elle qui supprime la routine de saisie manuelle.

Enfin, laissez la vérification à l'humain. Le système renvoie des candidats, y compris des similaires, et l'ingénieur confirme la correspondance d'après les spécifications. Pour les tâches où le coût d'une erreur est une pièce défectueuse, ce schéma est plus raisonnable qu'une automatisation complète.

Les limites sont également évidentes. Il s'agit d'un cas marketing d'un fournisseur, les métriques sont rapportées par l'entreprise, et rien n'est dit de l'architecture, du volume de données ni de la part de recherches infructueuses. Néanmoins, comme exemple d'application de modèles multimodaux dans une industrie dotée de vieilles archives, ce récit est utile.