Publié le
Mis à jour le
La vision par IA peut repérer des défauts d’aspect et compléter une caméra à règles. Avant son déploiement, l’équipe qualité mesure les défauts manqués et les rejets injustifiés sur ses propres pièces. Elle définit les critères d’acceptation et la procédure de libération. Quatre organisations nommées décrivent leur usage, et aucune ne publie de taux de détection. Une expérience menée chez Siemens montre que l’écran de l’outil change ce que l’opérateur rattrape.
Le contrôle qualité, tâche par tâche
L’unité de travail est la pièce, et au-dessus d’elle le lot que quelqu’un libère. Le temps part dans l’inspection d’aspect à 100 %, le re-contrôle des pièces qu’une caméra rejette à tort et l’attente d’une décision sur un lot bloqué.
Tâche | Ce que l’outil peut faire | Ce que l’équipe garde |
|---|---|---|
Inspecter l’aspect | Repérer rayures, manques, défauts de montage ou de surface | La définition du défaut et des critères d’acceptation |
Trier les rejets | Écarter les fausses alertes d’une caméra à règles, envoyer les cas douteux au re-contrôle | Le re-contrôle et le réglage du seuil |
Libérer le lot | Archiver l’image et le verdict de chaque pièce | L’autorisation de libération |
Corriger le procédé | Signaler une série de défauts sur un poste | L’analyse des causes et l’action corrective |
Chaque ligne connaît deux erreurs. Un faux rejet coûte une pièce bonne ou du re-contrôle ; un faux accepté, une réclamation client, parfois un rappel.
Sur une ligne de production, l’outil bute sur les défauts rares, dont l’équipe a peu d’images, et sur un éclairage instable. Mesurez la part des pièces défectueuses que l’outil accepte et la part des pièces conformes qu’il rejette. Distinguez les défauts critiques des défauts mineurs. L’absence de défaut manqué dans un échantillon ne prouve pas l’absence de risque.
Dans le tri et le recyclage, l’exploitant contrôle la balle ou la tonne par échantillon et suit la valeur par tonne à prix constants.
Dans l’inspection d’ouvrages, l’unité est l’ouvrage et sa note d’état, les données sont des années de photos et de notes, et l’inspecteur signe le rapport. Chiffre à suivre : l’écart de diagnostic entre deux inspecteurs.
Quand une caméra à règles ou un gabarit suffit-il ?
Une part des défauts disparaît sans caméra, et une part des caméras n’a pas besoin d’apprendre.
Les détrompeurs et les gabarits (poka-yoke) empêchent le montage à l’envers : le défaut ne se produit plus.
Le plan de contrôle fixe quoi contrôler, à quelle fréquence, avec quel moyen : sans lui, personne ne sait ce que l’outil remplace.
La maîtrise statistique des procédés repère la dérive d’une cote avant les pièces hors tolérance.
Les calibres et la vision à règles suffisent quand le défaut se mesure (une cote, une présence, un marquage). L’apprentissage sert quand il se décrit mal : une rayure, un aspect, une soudure.
Le catalogue de défauts avec échantillons limites, validé avec le client, sert de référence aux contrôleurs comme à l’outil.
Ce que montrent les cas publiés
Cinq constats ressortent ; aucun cas ne publie de taux de faux acceptés.
L’IA sert d’abord à filtrer les fausses alertes. Chez Bosch à Rodez (711 collaborateurs), un modèle d’IA rejuge les images d’une caméra Cognex sur des corps de régulateur de pression. Bosch affiche deux objectifs, sans résultat publié : aucune pièce mauvaise jugée bonne par l’IA, et une réduction de 60 % des pertes liées aux pseudo-défauts. Dans le schéma prévu après validation par la Qualité, les pièces que l’IA juge conformes avec une confiance supérieure à 85 % partent en livraison, celles sous ce seuil au re-contrôle.
Les utilisateurs nommés publient des récits, pas des taux. Horse Powertrain contrôle ses moteurs à Skövde (Suède) avec une caméra à IA sur robot collaboratif et archive les images. Pour le dirigeant de sa division Aurobay Technologies, l’outil ne remplace pas le jugement des opérateurs, il l’étend.
Le gain annoncé vient de la matière, et c’est une estimation. Greentech Baltic remplace un échantillon manuel mensuel (environ 300 kg pour 20 tonnes) par une analyse continue de ses balles de PET. Son éditeur estime le gain à 10 % de revenus, sans méthode.
La base d’images fait le délai. Socotec a travaillé deux ans avec le CEA List, sur près de 150 000 images d’inspection, pour aider ses inspecteurs à repérer les défauts des ponts. En janvier 2024, l’outil restait une preuve de concept.
L’expérience menée chez Siemens à Zoug mesure le travail de l’opérateur. Des chercheurs ont fait juger 200 images de cartes électroniques à 48 ouvriers de cette usine suisse (expérience de 2021, publiée en 2024). Avec un score d’IA seul, ils repèrent 82 % des défauts ; avec une carte des zones suspectes, 93 %. Siemens finance les travaux de Torbjørn Netland, l’un des auteurs ; les auteurs déclarent que les financeurs n’ont contrôlé ni la conception, ni l’analyse, ni la présentation des résultats. L’étude mesure la détection de défauts dans une expérience sur images, pas le rendement économique d’une ligne de production.
Bosch à Rodez vise une réduction de 60 % des pertes liées aux pseudo-défauts d’une caméra, sans pièce mauvaise jugée bonne par l’IA : des objectifs, sans résultat publié
Statut du chiffre :
Non publié
Ce qui a été fait :
Contrôle par vision des corps de régulateur de pression : caméra Cognex, automate, base de données, scripts Python et modèle d’IA entraîné sur des images étiquetées OK et NOK. Schéma actuel : les pièces que l’IA juge NOK partent au rebut, les autres au re-contrôle. Schéma après validation par la Qualité : les pièces que l’IA juge conformes avec une confiance supérieure à 85 % partent en livraison client, celles jugées conformes sous ce seuil au re-contrôle, les pièces jugées NOK au rebut.
Résultat :
Résultat obtenu non publié. Objectif annoncé par Bosch : aucune pièce mauvaise détectée bonne par l’IA, et réduction de 60 % des pertes liées aux pseudo-défauts détectés par la caméra (particules, cercle blanc, mauvais positionnement).
Auteur de l’affirmation :
Entreprise
Coût cité :
Non publié
Limites :
Présentation du chef de service Transformation digitale, diffusée par un colloque d’IUT, non datée (mise en ligne en juin 2025). Deux schémas distincts : la situation actuelle et la situation après validation par la Qualité ; le seuil de 85 % ne vaut que pour les pièces que l’IA juge conformes. La source ne dit pas si les 60 % portent sur un nombre de pièces ou sur un coût. Aucun taux de détection ni de faux rejets publié ; les gains de TRS et de coûts cités ailleurs dans le document sont « donnés à titre d’exemple ».
Horse Powertrain : une caméra à IA sur robot collaboratif pour le contrôle final des moteurs à Skövde, sans taux publié
Statut du chiffre :
Non publié
Ce qui a été fait :
Système Siemens Inspekto (caméra à IA et robot collaboratif) au poste de contrôle final des moteurs, pour automatiser des contrôles de défauts jusque-là manuels. Images stockées pour la traçabilité ; intégration à TIA Portal, aux automates Simatic S7 et aux pupitres Simatic HMI ; le personnel ajoute ou retire des points de contrôle sans modifier le robot.
Résultat :
Contrôle « en quelques secondes », selon l’entreprise. Aucun taux de détection, de faux rejets ni de gain publié. Le directeur général d’Aurobay Technologies Sweden : « It does not replace their judgment. It scales it. »
Auteur de l’affirmation :
Entreprise
Coût cité :
Non publié
Limites :
Communiqué de l’entreprise relayé par la presse (avril 2026) et page de l’éditeur (juin 2026). Le délai de deux heures pour décider d’un go ou no-go est une affirmation de Siemens, pas une mesure à Skövde. Nombre de postes équipés et durée d’exploitation non publiés. Taille du groupe non reprise : Siemens indique 17 usines, le communiqué de Horse Powertrain du 15 avril 2026 en indique 18.
Greentech Baltic : l’analyse continue des balles de PET vaudrait 10 % de revenus en plus, selon l’éditeur de l’outil
Statut du chiffre :
Estimé
Ce qui a été fait :
Greyparrot Analyzer : analyse continue par vision de la composition des flux, à la place d’un lot représentatif trié à la main chaque mois (environ 300 kg pour 20 tonnes). Rejet des balles contaminées avant traitement ; mélanges de PET clair et bleu clair calés sur des taux de contamination ; données partagées dans le groupe ; contrôles manuels arrêtés.
Résultat :
Hausse de revenus estimée à 10 %, sans méthode, période ni base de calcul. La validation de l’outil est résumée par « the results matched ».
Auteur de l’affirmation :
Éditeur
Coût cité :
Non publié
Limites :
Étude de cas rédigée par l’éditeur ; un site, un témoignage (responsable de production) ; prix, mélange et taux de contamination non publiés ; le réglage automatique de la ligne reste un projet.
Socotec : deux ans de travail et près de 150 000 images pour un outil qui aide les inspecteurs à repérer les défauts des ponts
Statut du chiffre :
Non publié
Ce qui a été fait :
Sofia : algorithme de vision par apprentissage profond, développé avec le CEA List et financé par France Relance, entraîné sur plus de 5 000 inspections avec photos et notes (près de 150 000 images) pour aider les inspecteurs à détecter les défauts des ponts ; un second algorithme propose des actions. L’une de deux preuves de concept citées.
Résultat :
Aucun résultat publié. Objectif annoncé par Socotec : réduire la « variabilité des diagnostics d’un inspecteur à l’autre » ; la note de l’inspecteur détermine la durée des contrats de maintenance.
Auteur de l’affirmation :
Entreprise
Coût cité :
Non publié
Limites :
Stade de preuve de concept en janvier 2024 ; aucune mise en production ni mesure d’accord avec les inspecteurs publiée ; propos du directeur de la data rapportés par la presse. Pour les projets suivants, il vise des tests « au bout de 6 mois plutôt que deux ans ».
Inspection de cartes électroniques : 82 % des défauts repérés avec un score d’IA seul, 93 % avec une carte des zones suspectes (chercheurs, usine Siemens, 2024)
Statut du chiffre :
Mesure indépendante
Ce qui a été fait :
Expérience sur site du 29 juin au 8 juillet 2021 : chaque ouvrier juge 200 images avec l’aide d’une IA, soit un score seul (0 à 100, seuil à 90), soit le même score accompagné d’une carte de chaleur des zones suspectes. Défauts : composants manquants, erronés ou défaillants.
Résultat :
Défauts détectés : 82,0 % avec le score seul, 93,0 % avec la carte (+11 points) ; précision équilibrée : 88,6 % contre 96,3 % ; temps de décision sans différence significative (environ 5 secondes dans les deux cas). Les ouvriers écartent 96,9 % des erreurs de l’IA avec la carte, 86,4 % sans.
Auteur de l’affirmation :
Chercheur
Limites :
Une tâche, un site, une forme d’explication ; 14 % d’images défectueuses, plus que sur une vraie ligne ; expérience de 2021 publiée en décembre 2024 (Scientific Reports, vol. 14, article 31150). Siemens finance les travaux de Torbjørn Netland ; les auteurs déclarent que les financeurs n’ont contrôlé ni la conception, ni la conduite, ni les données, ni l’analyse, ni la présentation des résultats. Le statut « Mesure indépendante » vaut pour la mesure scientifique, pas pour une indépendance financière. L’étude mesure la détection de défauts dans une expérience sur images, pas le rendement économique d’une ligne de production.
Source :
12 juin 2024
Seconde source :
décembre 2024
Ce que votre logiciel propose déjà
Systèmes de vision. Cognex a annoncé le 13 mai 2026 la disponibilité générale de OneVision : les modèles s’entraînent dans le cloud et tournent sur la caméra. Schneider Electric y déclare avoir fortement réduit ses faux rejets, sans base ni période. Depuis le rachat d’Inspekto en 2024, Siemens vend un système qu’un opérateur entraîne sur une vingtaine de pièces conformes ; selon Siemens, l’automatisme, pas l’IA, décide d’arrêter la ligne.
Système de pilotage de la production (MES) et gestion du cycle de vie des produits (PLM). Dassault Systèmes a annoncé le 11 février 2026 des compagnons virtuels ; le communiqué ne décrit aucune fonction de contrôle qualité.
Un modèle entraîné sur des pièces bonnes repère un écart ; il ne sait pas si l’écart est acceptable. Demandez à l’éditeur sur combien de défauts réels il a testé l’outil, et quel taux de faux acceptés il mesure sur vos pièces.
Cognex OneVision : des modèles d’inspection entraînés dans le cloud et exécutés sur la caméra, en disponibilité générale depuis mai 2026
Statut du chiffre :
Déclaré sans méthode
Ce qui a été fait :
Environnement de développement de la vision par IA : annotation des images, entraînement, versions et gouvernance des modèles dans le cloud ; inspection exécutée en local sur les caméras In-Sight 3900 et 6900, sans connexion au cloud ; déploiement des mêmes modèles dans plusieurs usines.
Résultat :
Disponibilité générale annoncée le 13 mai 2026, après une bêta lancée en juin 2025 ; plus de 100 clients selon Cognex. Témoignages : Essity (selon son responsable des technologies opérationnelles, l’équipe a construit et démontré une solution viable d’inspection d’étanchéité en moins d’une journée ; le développement antérieur d’une application fiable avait dépassé un an), Schneider Electric, division Product Power (« double yield, dramatically reduce false rejects »), 3M (sans chiffre). Jusqu’à 50 % de coûts de passage à l’échelle en moins (avantage annoncé par Cognex, sans client ni méthode).
Auteur de l’affirmation :
Éditeur
Coût cité :
Tarif non publié
Limites :
Statut : disponible déclaré. Communiqué de l’éditeur ; témoignages sans site, période ni base de comparaison ; les deux durées d’Essity ne décrivent pas deux mises en production comparables ; « jusqu’à 50 % » n’est attribué à aucun client.
Seconde source :
15 juin 2026
Siemens Inspekto : une inspection visuelle que l’opérateur entraîne sur des pièces conformes, au catalogue de Siemens depuis 2024
Statut du chiffre :
Non publié
Ce qui a été fait :
Système d’inspection clé en main (caméra, optique, éclairage, logiciel d’apprentissage profond) commercialisé depuis 2018 par Inspekto, dont Siemens a annoncé le rachat en février 2024. Entraînement sur 20 à 30 images de pièces conformes ; défauts de moulage, rayures, défauts de surface, y compris sur pièces réfléchissantes ; alerte transmise à l’automatisme.
Résultat :
Aucun résultat chiffré publié par l’éditeur. Selon Siemens (salon Global Industrie 2025), l’IA ne décide pas de l’arrêt de production : les systèmes de contrôle réagissent selon des règles prédéfinies. Clients cités : Siemens (usine de Karlsruhe), BMW Group, BSH ; Horse Powertrain en 2026.
Auteur de l’affirmation :
Éditeur
Coût cité :
Tarif non publié
Limites :
Statut : disponible. Sources : presse spécialisée (février 2024) et entretien d’un chef de projet de Siemens (mars 2025). Les clients cités ne publient aucun taux.
Dassault Systèmes : des compagnons virtuels annoncés le 11 février 2026, sans fonction de contrôle qualité décrite
Statut du chiffre :
Non publié
Ce qui a été fait :
Compagnons virtuels sur la plateforme 3DEXPERIENCE : Aura (connaissances, exigences, changements) disponible ; Leo (ingénierie, de la conception à la production) et Marie (sciences des matériaux) annoncés pour 2026.
Résultat :
Résultat client : non publié. Le communiqué ne décrit aucune fonction de contrôle qualité, d’inspection ou de MES, et ne cite aucun client. Un article du blog DELMIA (28 juillet 2026) avance « jusqu’à 50 % » de coût de non-qualité en moins (potentiel estimé par Dassault Systèmes, sans client ni méthode).
Auteur de l’affirmation :
Éditeur
Coût cité :
Tarif non publié
Limites :
Statut : annoncé (Leo, Marie) ou disponible (Aura). Le chiffre du blog est un potentiel tiré d’exemples d’ingénierie, sans client, base de comparaison ni méthode.
Source :
11 février 2026
Ce qu’il faut changer dans le travail
Où se situe le blocage ? Séparez l’inspection, le re-contrôle des fausses alertes, l’attente d’une décision sur un lot et la dérive du procédé. Les usages d’inspection traités ici portent sur la détection et le re-contrôle. D’autres modèles analysent les données du procédé pour repérer des anomalies ou anticiper une dégradation.
Qui voit son travail changer ? Les contrôleurs jugent les cas douteux et étiquettent les images. Le technicien qualité devient propriétaire de la base d’images et du seuil. Une personne identifiée autorise la libération.
À quelles conditions le résultat progresse-t-il ? Un catalogue de défauts écrit et une base d’images avec de vrais défauts. La fonction qualité valide les étiquettes de référence et fixe les critères d’acceptation. Elle évalue ensuite l’outil sur des pièces qu’il n’a pas utilisées pour apprendre, avec des défauts réels et des variations normales de production. Elle analyse les désaccords avant d’autoriser l’usage. Un contrôle par échantillon des pièces acceptées, et une requalification à chaque changement de référence, d’éclairage ou de fournisseur. Un pilote fixe ces règles avant l’extension.
Comment le gain devient-il économique ? Le calcul rapproche les rebuts et le re-contrôle évités des coûts de caméra, d’éclairage, d’intégration, d’annotation et de maintenance. Il inclut les arrêts, les requalifications et le coût des défauts livrés. L’équipe vérifie aussi que l’inspection respecte la cadence. Le gain se perd si l’outil laisse passer des défauts : suivez les défauts manqués avant le temps gagné.
Conditions propres au contrôle qualité
Données. Un défaut rare n’apparaît que sur quelques images. Un modèle peut servir plusieurs postes ; l’équipe vérifie sa validité dans chaque contexte d’utilisation. La qualité des données inclut l’étiquetage : deux contrôleurs qui classent différemment la même pièce apprennent la contradiction à l’outil.
Intégration. Écrivez ce que l’outil décide seul et ce qui reste à l’humain. Conservez l’image, le verdict et la version du modèle avec le numéro de lot. Définissez aussi le traitement des pièces lorsque la caméra, le modèle ou la liaison avec l’automate ne fonctionne plus : blocage, contrôle de remplacement ou arrêt de production.
ISO 9001. La norme (version 2015) demande de conserver la preuve de conformité aux critères d’acceptation et la traçabilité jusqu’à la personne qui a autorisé la libération. L’entreprise définit les éléments qui démontrent la conformité. Une image et un verdict peuvent en faire partie si le moyen de contrôle convient au défaut recherché.
AI Act. Depuis le règlement (UE) 2026/1744 de juillet 2026, un système d’IA utilisé uniquement pour le contrôle qualité n’est pas un composant de sécurité, sauf si sa défaillance met en danger la santé et la sécurité.
Règlement Machines. Il s’applique à partir du 20 janvier 2027. Il soumet à l’évaluation d’un tiers les composants de sécurité au comportement totalement ou partiellement auto-évolutif qui utilisent l’apprentissage automatique pour assurer des fonctions de sécurité. Les exigences de l’AI Act pour les machines y entreront au plus tard le 2 août 2028. Faites qualifier votre usage avec le fabricant de la machine.
Consultation du CSE. Dans les entreprises d’au moins 50 salariés, lorsqu’un outil modifie de façon importante le travail des contrôleurs, l’employeur consulte le CSE avant de prendre sa décision. Le juge examine le projet, ses effets et les modalités du test : le caractère volontaire et la durée limitée ne constituent pas, à eux seuls, une dispense générale de consultation. À défaut d’accord, le Code du travail prévoit un mois pour l’avis du CSE, deux mois en cas d’expertise et trois mois en cas de consultation conjointe du CSE central et de CSE d’établissement avec expertise.
Le règlement européen 2026/1744 exclut le contrôle qualité des composants de sécurité, sauf si une défaillance met en danger la santé ou la sécurité
Ce qui a été fait :
Le règlement (UE) 2026/1744 du 8 juillet 2026 (omnibus numérique sur l’IA) insère dans le règlement (UE) 2024/1689 un article 6, paragraphe 1 bis : les systèmes d’IA utilisés uniquement pour des aspects non liés à la sécurité, dont l’automatisation et le contrôle qualité, ne sont pas des composants de sécurité. Le paragraphe 1 ter prévoit l’inverse quand leur défaillance ou leur dysfonctionnement mettrait en danger la santé et la sécurité. Le même règlement fait passer le règlement Machines (UE) 2023/1230 de la section A à la section B de l’annexe I : les exigences propres à l’IA entreront dans le règlement Machines par des actes délégués applicables au plus tard le 2 août 2028 (considérant 42).
Résultat :
Un outil d’inspection qui trie des pièces sans enjeu de sécurité n’est pas, à ce titre, un composant de sécurité au sens de l’AI Act. Un outil dont la défaillance mettrait en danger la santé et la sécurité en devient un ; les autres conditions de l’article 6, paragraphe 1, décident alors du haut risque.
Auteur de l’affirmation :
Autorité publique
Limites :
Texte lu sur EUR-Lex en anglais le 30 octobre 2026 : considérant 42, article 6, paragraphes 1 bis et 1 ter (insérés par l’article 1, point 8). Traduction de Spentia. La disposition qui modifie l’annexe I n’a pas été affichée. Source secondaire : A&O Shearman, juillet 2026.
Seconde source :
juillet 2026
Le règlement Machines soumet à un tiers, à partir du 20 janvier 2027, les composants de sécurité au comportement auto-évolutif qui utilisent l’apprentissage automatique
Ce qui a été fait :
Le règlement (UE) 2023/1230 sur les machines s’applique à partir du 20 janvier 2027. Son annexe I, partie A, vise aux points 5 et 6 les composants de sécurité et les machines dont les systèmes ont un « comportement totalement ou partiellement auto-évolutif » et utilisent l’apprentissage automatique pour assurer des fonctions de sécurité : ils relèvent d’une évaluation de la conformité par un tiers. Le considérant 55 écarte de cette évaluation les logiciels « incapables d’apprendre ou d’évoluer ». L’exigence 1.2.1 demande que l’IA ne dépasse pas les limites de sécurité fixées par le fabricant pendant l’apprentissage.
Résultat :
Le guide de l’UNM (2025) décrit une trieuse de myrtilles par caméra et réseau de neurones, dont la sortie est la destination du fruit (rebut ou emballage), sans en faire un exemple de fonction de sécurité. Il indique qu’à sa connaissance « aucune application de système d’IA ne permet d’assurer une fonction de sécurité validée selon les méthodes avérées ».
Auteur de l’affirmation :
Autorité publique
Limites :
Nous n’avons consulté qu’une partie du règlement sur EUR-Lex. Annexe I, partie A, exigence 1.2.1 et date d’application lues dans une présentation d’Eurogip aux journées techniques de l’INRS (25 mars 2025) ; considérant 55 et exemple de tri lus dans le guide de l’UNM (2025), qui ne traite pas de l’AI Act. Le guide de l’UNM ne limite pas cette qualification à l’apprentissage continu en production.
La cour d’appel de Paris confirme la suspension de ChatGPT et d’un assistant de rédaction déployés sans consulter le CSE
Ce qui a été fait :
Dans les entreprises d’au moins 50 salariés, l’employeur consulte le CSE sur l’introduction de nouvelles technologies et sur tout aménagement important qui modifie les conditions de santé, de sécurité ou de travail (article L2312-8, II, 4° du Code du travail). Lorsque le projet relève de cette consultation, l’employeur consulte le CSE avant de prendre sa décision (article L2312-14). Cinq affaires jugées en référé entre février 2025 et février 2026 portent sur la consultation du CSE avant un outil d’IA. Dans quatre d’entre elles, les juges ont suspendu des outils introduits sans consultation : TJ Nanterre, 14 février 2025 (outils encore en phase pilote) ; TJ Créteil, 15 juillet 2025 (Groupe Moniteur et GISI, filiales d’Infopro Digital : ChatGPT et l’assistant DIGI) ; TJ Paris, 2 septembre 2025 (France Télévisions : plateforme MedIAGen suspendue, mais aucune consultation imposée pour la version 2 du chatbot RH) ; TJ Nanterre, 29 janvier 2026 (logiciels de compétences intégrant l’IA). La cour d’appel de Paris a confirmé les deux ordonnances de Créteil le 21 mai 2026 (RG 25/13232 et 25/13234). Dans la cinquième, le TJ de Paris n’a pas imposé de consultation pour Microsoft 365 Copilot, testé quatre mois par des volontaires sans décision de déploiement, avec un effet jugé très limité sur les conditions de travail (10 février 2026).
Résultat :
Le juge regarde l’effet de l’outil sur l’organisation et les conditions de travail, pas la technologie seule (article L2312-8, II, 4°, en vigueur depuis le 25 août 2021). Les juges examinent les usages réels, leur durée, leur étendue et leurs effets sur le travail. Le caractère volontaire ou expérimental ne suffit pas, à lui seul, à écarter la consultation ; dans le dossier Microsoft 365 Copilot, le juge a aussi relevé un effet très limité sur l’organisation et les conditions de travail. À défaut d’accord, le Code du travail prévoit un mois pour l’avis du CSE, deux mois avec expertise, ou trois mois lorsque la consultation avec expertise concerne le CSE central et un ou plusieurs CSE d’établissement (article R2312-6).
Auteur de l’affirmation :
Autorité publique
Limites :
Décisions de référé, donc provisoires. Sources et dates : articles L2312-8 (version du 25 août 2021), L2312-14 et R2312-6 du Code du travail ; arrêt de la cour d’appel de Paris du 21 mai 2026 (RG 25/13232) ; ordonnance du TJ de Paris du 2 septembre 2025 ; commentaires de CMS Francis Lefebvre du 17 septembre 2025 (ordonnances de 2025), du 12 mars 2026 (Microsoft 365 Copilot) et du 13 avril 2026 (TJ Nanterre, 29 janvier 2026) ; synthèse d’ActuIA du 7 octobre 2026, qui couvre toutes les affaires de la carte. Décisions lues dans leur texte : l’arrêt RG 25/13232 et l’ordonnance du TJ de Paris du 2 septembre 2025 ; les autres sont connues par ces commentaires. Le second arrêt du même jour (RG 25/13234) concerne GISI et confirme la même ordonnance ; il a été lu le 31 octobre 2026 sur le site de la Cour de cassation. L’ordonnance du TJ de Créteil du 15 septembre 2026 (GISI) suspend une réorganisation au titre de l’obligation de sécurité de l’employeur, pas de la consultation du CSE : elle ne fonde pas cette règle. La date de la carte est celle de l’arrêt de la cour d’appel, source principale.
Source :
21 mai 2026
Seconde source :
25 août 2021
Avant de décider
À demander au responsable qualité : qui répond d’une pièce mauvaise que l’outil a déclarée bonne, et qui avait fixé le seuil ?
À demander à la direction industrielle : qui autorise la libération d’un lot que l’outil a contrôlé pièce par pièce, et sur quelle preuve ?
À demander au technicien qualité référent : qui décide qu’un nouveau défaut entre dans la base d’images, et qui valide les étiquettes ?
À demander au responsable des méthodes : qui requalifie l’outil après un changement de référence, d’éclairage ou de fournisseur, et sur quel lot de pièces connues ?
À demander au responsable de production : qui peut débrancher l’outil et revenir au contrôle manuel, et avec quels contrôleurs ?
Ce que cette page ne dit pas
Elle ne promet aucun gain : les sources consultées ne permettent pas d’établir un rendement économique transposable à votre entreprise. Elle ne traite ni du contrôle de dossiers dans les services (fiche « revue documentaire »), ni des analyses de laboratoire. Les cas viennent de sources publiques, pas de missions de Spentia. Date de vérification des sources : 31 octobre 2026. La surveillance des machines et la maintenance prédictive font l’objet de la fiche « maintenance des équipements ».