Gouvernance
Yves Caseau (Michelin) : « Les agents, une nouvelle manière de capitaliser sur le savoir-faire de l’entreprise »
Par Reynald Fléchaux, publié le 04 novembre 2026
Pour Yves Caseau, Chief Digital and Information Officer de Michelin, l’intelligence artificielle offre à l’industrie européenne une occasion de regagner en compétitivité. À condition de dépasser le fantasme de l’usine sans salariés et de miser sur l’augmentation des capacités humaines. À l’occasion de la parution de son livre Réindustrialiser par l’IA, le 4 novembre, il détaille cette stratégie, les résultats déjà obtenus chez Michelin et les bouleversements que les agents d’IA préparent.
Confrontée à la concurrence asiatique, à des coûts de production élevés et au vieillissement de son appareil industriel, l’Europe cherche les moyens de relancer son industrie. L’IA peut-elle contribuer à inverser la tendance, ou risque-t-elle d’accentuer le décrochage des industriels historiques face à des concurrents partis d’une feuille blanche ?
Dans Réindustrialiser par l’IA, Yves Caseau défend une troisième voie : utiliser l’IA pour absorber la complexité des produits et des processus, moderniser les systèmes existants et valoriser le savoir-faire industriel. Une conviction nourrie par les transformations conduites chez Michelin.
Votre livre présente l’IA comme un levier de réindustrialisation. Pourquoi cette technologie pourrait-elle avantager les industriels européens plutôt que renforcer leurs concurrents ?
Yves Caseau : Je suis parti des enjeux de Michelin, qui évolue sur un marché extrêmement concurrentiel. Notre raison d’être se traduit par de meilleurs produits, davantage d’innovation et une plus grande capacité d’adaptation. L’IA est, pour nous, un facteur d’absorption de la complexité. Elle doit nous permettre de réaliser des choses plus difficiles que celles que nous savons faire aujourd’hui. Prenons le pneu de demain, entièrement durable. Il sera beaucoup plus complexe à fabriquer que le pneu actuel. Nous avons donc besoin de rendre tous nos collaborateurs plus performants.
En développant ce raisonnement, j’ai réalisé qu’il dépassait largement le cas de Michelin. Quelle usine voulons-nous pour réindustrialiser la France ? Une dark factory, entièrement automatisée, ou une usine d’humains augmentés, capables de fabriquer les meilleurs produits, de manière responsable, durable et adaptée aux marchés ? Je défends la seconde vision.
L’industrie 4.0 promettait déjà cette modernisation il y a dix ans. Les industriels européens ont pourtant dû composer avec des équipements anciens, quand leurs concurrents chinois pouvaient parfois partir d’une feuille blanche. Quel bilan en tirez-vous ?
Je ne considère pas l’industrie 4.0 comme un échec. En tout cas pas dans toutes les entreprises. Chez Michelin, nous nous inscrivons pleinement dans cette démarche, notamment avec le modèle de maturité de l’Acatech, l’Académie allemande des sciences et de l’ingénierie.
Il existe effectivement une difficulté liée à l’héritage industriel : les machines, les logiciels, les modèles de données, la dette technique. Mais cette pièce possède aussi une autre face : l’expérience accumulée par les collaborateurs qui fabriquent des pneus depuis 130 ans. C’est un actif considérable.
Nous obtenons aujourd’hui plus de 100 M€ de gains annuels grâce à l’IA. Et environ 90 % de ces gains proviennent des générations précédentes de ces technologies, pas de l’IA générative. Il ne faut surtout pas imaginer qu’une nouvelle technologie rend toutes les autres obsolètes. L’enjeu est de les combiner intelligemment.
L’IA générative était initialement peu adaptée aux processus industriels, notamment en raison de son caractère non déterministe. L’arrivée des agents change-t-elle cette situation ?
J’ai moi-même commencé 2025 en étant très sceptique sur les agents. Je ne croyais pas à leur autonomie : trop d’erreurs, trop d’hallucinations, pas assez de déterminisme.
Puis j’ai compris que nous avions justement besoin des agents parce que, seuls, les grands modèles de langage ne fonctionnent pas suffisamment bien. L’approche agentique consiste à décomposer un problème complexe en tâches plus petites et à introduire de la redondance, notamment des mécanismes de vérification. On peut ainsi obtenir un résultat final beaucoup plus fiable que chacun des composants pris isolément.
En octobre 2025, j’ai ainsi assisté chez Michelin à des démonstrations probantes de systèmes agentiques. Ce qui m’a particulièrement frappé, c’est que les réalisations les plus impressionnantes provenaient de collaborateurs possédant une forte expertise métier. Guider les agents suppose de savoir précisément ce que l’on cherche à obtenir et comment vérifier le résultat. C’est un point essentiel de ma thèse : développer des systèmes agentiques constitue une nouvelle manière de capitaliser sur le savoir-faire de l’entreprise.
Quels usages des agents vous paraissent aujourd’hui les plus prometteurs chez Michelin ?
Nous progressons sur la documentation et la recherche d’informations, notamment en utilisant des approches agentiques pour fiabiliser le RAG sur de grandes bases documentaires. Mais, à mes yeux, la rupture la plus spectaculaire concerne la production logicielle. En octobre 2025, j’ai vu un système capable de produire du logiciel avec son architecture, sa documentation et ses tests. À tout moment, nous pouvions débrancher l’IA et un développeur humain pouvait reprendre le travail. C’est extrêmement satisfaisant pour un DSI, car le risque de l’IA générative est de fabriquer une boîte noire, une application qui fonctionne mais que personne ne sait maintenir. Là, au contraire, nous avions des artefacts propres, structurés et compréhensibles. Nous ne savions pas faire cela fin 2024.
Cette capacité peut-elle accélérer la modernisation des systèmes industriels historiques ?
C’est probablement l’une des premières opportunités à saisir. Les industriels possèdent des stocks considérables de logiciels obsolètes, de machines hétérogènes et de systèmes cloisonnés. Ces silos empêchent de développer des usages numériques couvrant l’ensemble d’un processus de fabrication.
Il y a encore un an, les tentatives de modernisation de code avec l’IA donnaient des résultats moyens. Les progrès récents me font penser que nous allons pouvoir avancer beaucoup plus vite. Nous pourrons demander à des systèmes agentiques de reprendre des logiciels historiques et de les reconstruire sur des bases plus propres.
À terme, nous pourrons aussi moderniser les algorithmes eux-mêmes. Certains systèmes de règles ou de recherche opérationnelle ont été conçus avec les meilleures techniques disponibles à leur époque. Mais les technologies progressent.
Cette évolution peut-elle modifier les arbitrages traditionnels entre développement interne et achat de logiciels ?
Notre doctrine historique reste valable : nous développons en interne ce qui constitue notre différenciation, notamment en R&D ou dans le manufacturing. Pour les fonctions communes à toutes les entreprises, nous privilégions les solutions de marché.
Mais cette doctrine a tout de même un peu évolué récemment. Nous avons compris que certains composants logiciels, sans constituer directement notre cœur de métier, étaient essentiels à notre agilité. Lorsque l’utilisation d’une solution externe nous empêche d’évoluer rapidement, il peut être préférable de la développer nous-mêmes. Et nous avons déjà remplacé, dans certains domaines, des solutions SaaS par de petites applications spécifiques. Avec le recul, ces choix nous ont apporté davantage d’agilité.
Si l’IA agentique réduit significativement les coûts de développement, elle pourrait nous conduire à faire davantage de make, non seulement pour protéger notre savoir-faire, mais aussi pour conserver notre capacité d’adaptation.
Vous insistez également sur la modernisation des données. Est-ce un préalable indispensable à l’industrialisation de l’IA ?
C’est un travail de l’ombre, et il ne faut pas attendre d’avoir des données parfaites pour commencer. Sinon, on ne commence jamais. Il faut viser la mise en place d’un cercle vertueux : de meilleures données produisent davantage de valeur, ce qui encourage leur partage et leur amélioration. Les premiers problèmes sont techniques : qualité, formats, interconnexions. Mais on rencontre rapidement des questions métiers.
Car le véritable enjeu est la continuité numérique et sémantique. Il faut que les mêmes concepts aient le même sens dans les différents systèmes, de la conception à la fabrication. Aujourd’hui, cette continuité repose encore largement sur les échanges entre experts. Ma métaphore favorite est celle de deux spécialistes de modèles métiers qui se rencontrent devant une machine à café pour s’expliquer ce que signifient leurs données. Cela fonctionne entre humains, mais ce n’est pas extensible à grande échelle, ni adapté à des systèmes agentiques.
Nous devons transformer cette connaissance implicite en connaissance explicite, à travers des ontologies, des graphes de connaissances et une véritable couche sémantique. Michelin a lancé sa transformation vers une entreprise pilotée par les données il y a six ans, puis une nouvelle phase il y a environ deux ans. La continuité numérique figure aujourd’hui parmi mes cinq principales priorités pour 2026 et 2027.
Votre livre accorde une place importante aux jumeaux numériques. Pourtant, dans l’industrie, ils servent encore souvent davantage à simuler qu’à piloter les installations en temps réel.
Il faut distinguer la conception et la fabrication. En R&D, nous utilisons déjà des modèles numériques fortement couplés aux phénomènes physiques. C’est essentiel lorsqu’on cherche à concevoir des produits nouveaux.
Dans le manufacturing, nous avons mené plusieurs pilotes. Ils nous apportent des enseignements, mais nous ne sommes pas encore au stade d’un pilotage actif de nos processus par des jumeaux numériques à grande échelle. La fabrication d’un pneu reste extrêmement complexe. Nous travaillons des matériaux viscoélastiques, avec de nombreux paramètres susceptibles de sortir des tolérances. Nos usines comportent beaucoup de robots, mais aussi beaucoup d’humains, précisément parce qu’il faut constamment s’adapter.
L’objectif serait donc moins l’usine autonome que l’usine capable de réagir aux aléas ?
Exactement. Nous aimerions disposer de jumeaux numériques actualisés en temps réel pour rendre nos procédés beaucoup plus résilients, pas nécessairement pour construire des usines sans opérateurs.
Le pneu durable rend cet enjeu encore plus important. Les matériaux biosourcés ou recyclés présentent une dispersion plus importante de leurs caractéristiques physico-chimiques. Si nous voulons fabriquer demain des pneus composés entièrement de matériaux durables, nos procédés devront s’adapter à cette variabilité. C’est un problème industriel beaucoup plus complexe que la simple automatisation d’une chaîne de production. Et c’est précisément pour résoudre ce type de problème que nous avons besoin de l’IA.
Revenons à la DSI. Pourquoi estimez-vous que la génération automatique de code ne suffit pas à transformer la production logicielle ?
Parce que produire rapidement une application qui fonctionne ne signifie pas produire un logiciel industriel. J’ai beaucoup expérimenté le vibe coding. Au début, c’est impressionnant. Puis on teste le résultat et l’on découvre des erreurs, des approximations et des problèmes de qualité.
Pour un logiciel simple et jetable, cela peut suffire. Mais lorsqu’on veut construire des systèmes durables, il faut passer à une autre échelle. L’approche agentique permet précisément de constituer une sorte de micro-usine logicielle, dans laquelle plusieurs agents interviennent sur les différentes étapes : expression du besoin, spécifications, architecture, génération de code, documentation et tests.
Le rôle des informaticiens va évoluer. Ils produiront probablement moins de code directement, mais devront concevoir et piloter ces machines abstraites de fabrication de logiciels.
Cela suppose-t-il de repenser toute la chaîne DevOps ?
Il faut surtout repenser l’ensemble du processus de production. Les chaînes d’intégration et de déploiement continus restent utiles. En revanche, nous devons construire autour d’elles un système agentique qui assure la cohérence des différents artefacts.
Ce qui est frappant, c’est que les meilleurs résultats chez Michelin proviennent de collaborateurs qui ont intégré dans leurs systèmes agentiques de véritables cours de génie logiciel : comment structurer les spécifications, produire une architecture, documenter, tester, respecter les règles de sécurité…
Plus les besoins sont précisément formulés en amont, mieux la chaîne automatisée fonctionne. Cela signifie que les métiers doivent eux aussi changer leur manière de travailler. Ils peuvent, par exemple, produire une première maquette avec des agents, qui deviendra à son tour un élément de spécification pour la chaîne de développement. Il ne s’agit donc pas simplement d’accélérer une étape existante, mais de rendre l’ensemble de la fabrication logicielle plus cohérent et plus fiable.
Où en êtes-vous concrètement dans le déploiement de ces pratiques chez Michelin ?
Nous sommes encore dans une phase d’accélération. Sur une population d’environ 2 000 personnes, une grosse centaine utilise aujourd’hui ces approches. Nous étions restés assez longtemps autour d’une cinquantaine de pionniers, avant que l’adoption ne commence à progresser plus rapidement.
Nous avons d’abord favorisé l’exploration. Maintenant, nous cherchons à partager les bonnes pratiques, à standardiser certains outils et à enrichir les systèmes agentiques avec un maximum d’éléments communs.
L’objectif est de passer progressivement d’une pratique minoritaire à une pratique majoritaire, sans chercher nécessairement à atteindre 100 % des équipes. C’est une autre de mes grandes priorités pour l’année à venir.
Quel conseil donneriez-vous à un DSI qui souhaite engager cette transformation ?
Je lui conseillerais de commencer par construire un système agentique qui produit tous les artefacts nécessaires pour qu’un humain puisse reprendre le travail à n’importe quel moment. Il faut absolument sortir de la boîte noire. Demander à un agent de fabriquer une application, appuyer sur un bouton et voir apparaître quelque chose qui fonctionne dans son navigateur, c’est magique. Mais cela peut aussi être inquiétant si personne ne comprend ce qui a été produit.
À l’inverse, si vous imposez vos standards de développement, vos règles de documentation, vos tests et vos contrôles de qualité, les agents peuvent parfaitement les respecter. La première étape consiste donc à fixer des exigences très élevées de génie logiciel. C’est ainsi que l’on construit la confiance indispensable à une industrialisation de l’IA.
Réindustrialiser par l’IA, aux éditions Chemins de Tr@verse (8 euros).
Photos : D.R.
À LIRE AUSSI :
À LIRE AUSSI :
À LIRE AUSSI :
