06oct.

Retrouvez Korbyx au webinaire de la Fédération Française de la Franchise

IA et contrôle qualité

Détectez les défauts avant qu’ils ne quittent l’usine.

Un contrôle qualité visuel repose sur l’œil d’un opérateur, sa concentration et le temps dont il dispose. La vision par ordinateur et l’intelligence artificielle changent cet équilibre. Des caméras inspectent chaque pièce, des algorithmes d’apprentissage automatique détectent les défauts en temps réel, et l’opérateur tranche les cas douteux. Cette page décrit le fonctionnement du contrôle qualité par vision, ce qu’il détecte, ce qu’il faut vérifier avant de s’engager, et ce que l’IA change dans vos processus de production.

Réserver un auditLes défauts détectés
  • Hébergé en Europe
  • Aucun outil à remplacer
  • Validation humaine
Opérateur casqué surveillant un écran d’inspection conforme et non conforme, caméra au dessus de la ligne
Pièces inspectées12 400

3 lignes équipées3 alertes

KorbyxEn direct

Pourquoi les rebuts augmentent-ils sur la ligne 1 ?

Les défauts de soudure ont doublé depuis mardi, tous au poste 3. Le réglage de l’outil est à contrôler en priorité.

Voir les défauts
  • Un tiers des PMEde l’industrie manufacturière exploitent déjà l’IA, pour la production, la maintenance prédictive ou la qualité (Bpifrance, 2025). Le contrôle qualité fait partie de ces usages
  • Chaque pièce inspectéeet plus seulement un contrôle par sondage. L’IA inspecte toute la production, à la cadence de la ligne, avec la même efficacité en fin de poste
  • L’opérateur tranchel’IA signale et classe les défauts, l’humain décide sur les cas douteux. C’est la condition d’un contrôle fiable, et de l’amélioration continue du système

Ils pilotent avec Korbyx

Définition

Le contrôle qualité avec l’IA, en quelques mots.

La définition tient en une phrase. Le contrôle qualité assisté par l’IA repose sur l’utilisation de l’intelligence artificielle pour inspecter les produits, détecter les anomalies et analyser les données de production en temps réel, à la place ou en appui du contrôle humain.

Dans sa définition la plus simple, l’IA appliquée à la qualité repose sur deux techniques : la vision par IA, qui analyse une image de chaque article, et l’analyse des données issues des capteurs et des machines. Les deux se combinent souvent dans les mêmes systèmes, et leur inspection croisée détecte le plus de problèmes.

Contrairement à un programme classique, l’intelligence artificielle ne suit pas une liste de règles écrites à l’avance. Les algorithmes apprennent, à partir d’exemples, à reconnaître ce qui est conforme et ce qui ne l’est pas. Ils peuvent ainsi traiter de manière fiable des défauts complexes et variables, réduire les erreurs d’appréciation, et s’améliorer à mesure que les données s’accumulent.

Pour une entreprise industrielle, l’intérêt de l’IA est double, puisqu’il s’agit de garantir une précision constante sur toute la production et de faire de chaque contrôle une donnée utile. L’IA transforme ainsi le contrôle qualité. D’une étape de tri en fin de ligne, il devient un outil d’amélioration de vos processus, aux résultats fiables.

  • Vision par IA : inspection de chaque article sur image
  • Analyse des données des capteurs et des machines
  • Modèles d’apprentissage automatique entraînés sur des exemples
  • Des résultats qui s’améliorent avec les données
Contrôleur qualité prenant des notes devant un bac de pièces usinées en atelier

Le constat

Le contrôle visuel atteint ses limites.

Dans la plupart des entreprises industrielles, le contrôle qualité visuel reste manuel. Il fonctionne, jusqu’au jour où la cadence augmente, où les références se multiplient, où la gamme de produits s’élargit, ou où un client exige une traçabilité pièce par pièce.

Un opérateur qui inspecte des centaines de pièces par heure voit son attention baisser au fil du poste. Un défaut rare, noyé dans une production conforme, finit par passer. L’expérience des ateliers le confirme. Et deux contrôleurs n’appliquent jamais exactement les mêmes critères, ce qui rend le taux de rejet difficile à interpréter.

Faute de temps, le contrôle se fait souvent par sondage. Une pièce sur dix, sur cinquante, sur cent. Les défauts qui passent entre deux contrôles partent chez le client, reviennent en réclamation et coûtent bien plus cher qu’une détection sur la ligne. Les coûts de non-qualité, rebuts, retouches, retours et pénalités, pèsent lourd dans la marge d’une PME.

Le contrôle manuel produit aussi peu de données exploitables. Une pièce rejetée est écartée, rarement photographiée, et la cause du défaut se perd. Sans données, impossible d’analyser les problèmes de qualité, d’identifier la machine ou le lot en cause, et de mettre en place des actions correctives durables dans le processus de contrôle.

  • Une attention qui baisse au fil du poste
  • Un contrôle par sondage, quand la cadence augmente
  • Des critères qui varient d’un contrôleur à l’autre
  • Peu de données pour analyser les causes des défauts

Ce que l’IA détecte

Six familles de défauts repérées par la vision.

La vision par IA ne voit pas « un défaut » en général. Elle apprend à détecter des familles de défauts précises, sur vos pièces, dans vos conditions de production.

  • Les défauts d’aspect

    Rayures, taches, bulles, bavures, variations de teinte. Ce sont les défauts les plus difficiles à juger à l’œil, et ceux où l’IA apporte le plus, par exemple sur les surfaces brillantes.

  • Les défauts dimensionnels

    Une cote hors tolérance, un perçage mal positionné, une déformation. La caméra et l’IA mesurent chaque article et comparent le résultat à la référence.

  • Les erreurs d’assemblage

    Une vis manquante, un connecteur mal clipsé, une pièce montée à l’envers. L’IA vérifie la présence et la position de chaque composant.

  • L’étiquetage et le marquage

    Étiquette absente ou décalée, code illisible, numéro de lot erroné. Un défaut invisible sur la pièce, mais bloquant chez le client et pour la traçabilité.

  • Le conditionnement

    Emballage mal fermé, produits manquants dans un lot, carton abîmé. Le contrôle en fin de ligne évite des retours coûteux.

  • Les corps étrangers

    Particule, fragment, contamination. Dans l’agroalimentaire et la plasturgie, la détection de corps étrangers est une exigence de conformité.

Le fonctionnement

De la caméra à la décision.

Un système d’IA de contrôle qualité associe du matériel et du logiciel. Aucun des deux ne suffit seul, et leur intégration dans vos processus et votre ligne de production fait la fiabilité du résultat.

Tout commence par l’acquisition des images. Des caméras industrielles sont placées sur la ligne, avec un éclairage adapté au défaut recherché : lumière rasante pour une rayure, rétroéclairage pour une cote, lumière diffuse pour une tache. L’éclairage compte souvent plus que la caméra elle-même.

Vient ensuite l’apprentissage. Les modèles d’IA apprennent à partir d’images de pièces conformes et de pièces défectueuses, classées par vos contrôleurs. Les algorithmes d’apprentissage automatique retiennent ce qui distingue un défaut d’une variation acceptable, là où la vision industrielle classique demandait de programmer chaque règle à la main.

En production, chaque image est analysée en temps réel, en quelques millisecondes. L’IA décide : conforme, non conforme, ou douteux. Les pièces non conformes sont écartées automatiquement, les pièces douteuses sont présentées à l’opérateur, et chaque décision est enregistrée avec son image.

Enfin, les données s’accumulent. Chaque défaut est daté, classé, rattaché à un lot, une machine, une équipe. Ces données qualité alimentent l’analyse des causes, le suivi du taux de défauts et l’amélioration continue du processus de contrôle.

Caméra industrielle d’inspection montée au dessus d’un convoyeur de pièces
  1. 01

    Acquisition des images, avec l’éclairage adapté

  2. 02

    Apprentissage sur vos pièces conformes et défectueuses

  3. 03

    Inspection en temps réel, à la cadence de la ligne

  4. 04

    Décision : conforme, non conforme, ou revue par l’opérateur

  5. 05

    Enregistrement des données pour l’analyse des causes

Les méthodes

Trois façons de contrôler, comparées.

Le contrôle qualité par intelligence artificielle ne remplace pas toutes les méthodes existantes. Le tableau ci-dessous distingue le contrôle manuel, la vision industrielle classique et la vision par apprentissage automatique.

MéthodePoints fortsLimites
Contrôle manuelSouple, juge les cas inéditsFatigue, sondage, critères variables
Vision industrielle classiqueRapide, précise sur des règles fixesChaque défaut se programme, peu adaptée aux défauts d’aspect
Vision par apprentissage automatiqueApprend les défauts complexes, s’améliore avec les donnéesDemande des images d’apprentissage et une validation sérieuse

L’automatisation

Automatiser le contrôle, sans perdre la maîtrise.

L’automatisation du contrôle qualité par l’IA ne se limite pas à poser une caméra. Elle touche tout le processus, l’inspection, le tri des pièces, l’enregistrement des résultats et le déclenchement des actions correctives.

  1. Sur une ligne, l’automatisation commence par les tâches répétitives : inspecter, trier, compter, enregistrer. L’intelligence artificielle prend en charge ces tâches à haute cadence, et libère les ressources humaines pour les contrôles critiques et pour analyser les causes. Automatiser ainsi reste la manière la plus sûre de ne pas dégrader la qualité, et d’éviter que la valeur ajoutée des contrôleurs se perde dans le tri.

  2. L’IA s’intègre ensuite aux systèmes de production. Les résultats de la détection sont liés aux ordres de fabrication, aux lots et aux réglages des machines, et remontent dans vos outils de suivi. Les défauts liés à une machine ou à un lot déclenchent une alerte sur les anomalies, et l’équipe peut mettre en place des actions correctives avant que la dérive ne s’aggrave dans le processus de production.

  3. Les capteurs complètent la vision : température, pression, vibrations, par exemple. Associés aux images, ils permettent à l’IA et à ses algorithmes d’identifier les conditions de production qui précèdent un défaut. Des approches basées sur les données, et non plus sur le seul tri, sont la meilleure façon d’obtenir des gains durables.

  4. Enfin, l’automatisation se mesure. Le retour sur investissement, ou ROI, se calcule sur la réduction des rebuts, des retouches et des réclamations, sur les coûts évités et sur le temps de contrôle libéré, qui améliore l’efficacité des équipes. Nous le chiffrons sur la base de vos chiffres avant la mise en œuvre, pour éviter des décisions basées sur une promesse, comme le détaille notre page sur le calcul du ROI de l’IA.

  • Automatisation des tâches d’inspection et de tri
  • Résultats liés aux lots, aux machines et aux réglages
  • Capteurs et images combinés pour anticiper les défauts
  • Un ROI chiffré avant la mise en œuvre

La plateforme Korbyx

Korbyx vous dit où regarder.

Plusieurs écrans, une seule base de données. Chaque écran répond à une question que vous vous posez déjà.

Toutes vos agences, comparées entre elles

Chaque agence est comparée à la médiane de ses pairs, dans votre propre réseau. Vous voyez lesquelles tournent bien, lesquelles décrochent, et de combien.

app.korbyx.fr

Devis transformés, trois derniers moisMédiane du réseau · 43 %

  • Bordeaux Lac58 %
  • Rennes Ouest51 %
  • Tours Nord47 %
  • Nantes Sud44 %
  • Dijon Centre39 %
  • Lyon Est29 %

Lyon Est est à 29 %, soit 14 points sous la médiane. Plan d’action proposé.

Résultat

3 agences à traiter, détectées ce matin

médiane du réseau
43 %médiane du réseau
écart le plus fort
−14 ptsécart le plus fort
agences sous la médiane
3 / 60agences sous la médiane
de consolidation évitées
6 hde consolidation évitées
  • Plan d’action proposé pour Lyon Est
  • Animateur prévenu, visite jeudi

Des questions en langage courant

La réponse cite la mesure, la période et la source. Quand la donnée manque, Korbyx le dit.

app.korbyx.fr

Combien a-t-on facturé en septembre, par région ?

2,1 M€, dont 38 % pour la région Ouest. Le Sud-Est recule de 9 % sur un an, surtout à Lyon Est et Dijon Centre.

Mesure : CA facturé, v3Période : septembre 2026Source : ERP

Et la marge ?

La marge par région n’est pas encore connectée. Je peux vous montrer le chiffre d’affaires ou la marge du réseau entier.

Résultat

2,1 M€ facturés en septembre

  • Ouest38 %
  • Île-de-France24 %
  • Sud-Est18 %
  • Nord12 %
  • Est8 %
  • Réponse en 4 secondes, source citée
  • Sud-Est : −9 % sur un an, à suivre

Il écrit dans vos outils

Relance préparée, tâche créée dans le CRM. Vous validez, l’action part.

app.korbyx.fr

CRM · Nouvelle tâchepréparée par Korbyx

Relancer M. Garnier, devis n° 2026-118 (14 200 €)

Bonjour Monsieur Garnier, je reviens vers vous au sujet de notre proposition du 2 septembre…

Échéance jeudi · C. DurandValiderValidée

Journal des actions

  • Tâche écrite dans le CRM, 09:42
  • Responsable prévenue, 09:42
  • Point de suivi prévu vendredi

Résultat

Cette semaine, sur vos relances

relances envoyées
14relances envoyées
clients ont répondu
6clients ont répondu
devis signés
3devis signés
encaissés ou signés
42,6 k€encaissés ou signés
  • Toutes validées par un humain
  • Écrites dans le CRM, rien à ressaisir

Données d’illustration.

Votre contrôle qualité

Vos défauts sont-ils détectables ?

Une séance de 60 minutes avec un fondateur, pour regarder vos pièces, les coûts de vos défauts et votre poste de contrôle actuel, et savoir si l’IA est une réponse réaliste chez vous.

Réserver un audit
  • 60 minutes
  • Avec un fondateur
  • Sans engagement
Deux pièces usinées étiquetées conforme et non conforme sur un marbre de contrôle

Le rôle de l’opérateur

L’IA signale, l’opérateur tranche.

Un système d’IA qui rejette trop de pièces conformes est abandonné en quelques semaines. La fiabilité du contrôle qualité passe par un équilibre entre automatisation et jugement humain.

Toute IA de détection fait deux types d’erreurs : laisser passer un défaut, ou rejeter une pièce conforme. Réduire l’un augmente l’autre. Le réglage se fait avec vos équipes qualité, en fonction du coût réel de chaque erreur. Sur des pièces critiques, on accepte plus de faux rejets ; sur des produits à faible valeur, on les limite.

Les cas douteux reviennent à l’opérateur, qui voit l’image, la zone suspecte et la raison du signalement. Sa décision est enregistrée et sert à améliorer le modèle d’IA. Le contrôleur ne disparaît pas. Il passe de l’inspection répétitive au jugement des cas difficiles et à l’analyse des causes.

Cette organisation permet aussi de garantir la conformité aux exigences de vos clients et de vos certifications. Chaque décision est traçable, chaque pièce a son image, et le processus de contrôle se documente de lui-même, ce que les audits qualité apprécient.

  • Des seuils réglés sur le coût réel de chaque erreur
  • Les cas douteux présentés à l’opérateur, avec l’image
  • Chaque décision humaine améliore le modèle
  • Une traçabilité complète pour vos audits qualité

Les données qualité

Au-delà de l’inspection, l’analyse.

Une fois les défauts détectés et enregistrés, les données qualité deviennent un outil de pilotage. Les entreprises y trouvent souvent le gain le plus durable.

Deux techniciens devant un tableau de bord qualité affichant le taux de conformité par ligne

  • L’analyse des causes

    Croiser les défauts avec les lots de matière, les machines, les équipes et les réglages permet d’identifier la cause d’une dérive, au lieu de trier les pièces sans fin.

  • La maîtrise statistique

    Le suivi en continu d’une cote ou d’un taux de défauts signale les anomalies avant que les pièces ne sortent des tolérances.

  • La qualité prédictive

    Relier les défauts aux données des machines permet d’anticiper une dégradation de la qualité, comme la maintenance prédictive anticipe une panne.

  • La traçabilité

    Chaque article produit garde l’image de son contrôle. En cas de réclamation, le lot en cause se retrouve en quelques minutes.

La faisabilité

Vérifier la faisabilité avant de promettre.

La vision par ordinateur assistée par l’IA est une technologie avancée, et tous les défauts ne se détectent pas avec la même facilité. Nous vérifions la faisabilité sur vos pièces avant de nous engager sur un résultat.

Trois questions décident de la faisabilité. Peut-on détecter le défaut sur une image, avec un éclairage réaliste ? Existe-t-il assez d’exemples de pièces défectueuses pour l’apprentissage ? La cadence et l’environnement de la ligne permettent-ils une prise de vue stable ?

L’étude de faisabilité se fait en quelques semaines, sur la base de pièces réelles. Nous photographions vos défauts pour les analyser, entraînons un premier modèle et mesurons sa précision sur des pièces qu’il n’a jamais vues. Le résultat permet d’identifier clairement ce que le système détectera, ce qu’il détectera mal, et ce qu’il ne détectera pas.

Si la réponse est positive, l’essai sur ligne suit, avec un premier poste de contrôle en production réelle, en parallèle du processus de contrôle actuel, le temps d’ajuster et d’améliorer les réglages. La décision d’étendre se prend sur des résultats mesurés, pas sur une démonstration.

  • Le défaut est-il visible sur une image ?
  • Dispose-t-on d’exemples de pièces défectueuses ?
  • La ligne permet-elle une prise de vue stable ?
  • La précision est-elle mesurée sur des pièces jamais vues ?

Les solutions

Quelles solutions d’IA pour la qualité ?

Les solutions d’IA pour le contrôle qualité ne se valent pas, et l’offre disponible en France est vaste. Le bon choix dépend de vos applications, de vos volumes, de votre secteur et des exigences de votre entreprise. Trois grandes familles d’outils se partagent le marché.

  • Les caméras intelligentes

    Des outils compacts, avec l’IA embarquée dans la caméra. Un système simple, par exemple pour une application unique et des défauts précis et bien définis, avec une bonne précision mais peu de souplesse.

  • Les logiciels de vision

    Des logiciels qu’on utilise sur vos caméras haute résolution et vos ordinateurs industriels. De manière plus souple, ils gèrent plusieurs applications, le traitement d’images complexes et des algorithmes plus avancés.

  • Les solutions personnalisées

    Un modèle d’IA développé sur vos pièces et intégré à vos systèmes. Cette option est la meilleure pour garantir la détection de défauts spécifiques, et relier la qualité au processus de production et à l’intégration de vos données.

Les perspectives

Les perspectives de l’IA dans la qualité.

Les avancées de l’intelligence artificielle ouvrent de nouvelles perspectives pour la qualité en production, et l’adoption progresse dans les entreprises industrielles en France.

Deux perspectives se dessinent. La première est la qualité prédictive, qui anticipe un défaut à partir des données de production, avant même que la pièce ne soit fabriquée. La seconde est l’extension de l’IA à tout le domaine de la qualité, avec la vérification des documents, le suivi des fournisseurs et la capacité à traiter les réclamations, grâce à des outils d’IA capables de gérer le langage autant que les images, et à de nouvelles applications.

Ces techniques restent à prendre avec méthode. Chaque avancée se mesure sur vos propres pièces, avec une référence claire et des mesures précises, pour assurer que la promesse tient en production réelle et réduire les problèmes de qualité dans la durée. Cette rigueur conditionne une adoption durable et des décisions optimisant réellement vos processus. L’optimisation de vos lignes et l’amélioration continue de la fiabilité passent aussi par les systèmes de gestion de la qualité que l’on utilise déjà.

Les secteurs

Où le contrôle qualité par vision s’impose.

Toutes les entreprises industrielles ne tirent pas le même profit de l’IA, et chaque secteur a ses applications. Quatre secteurs l’emploient déjà largement.

Contrôleur qualité inspectant un fruit sur une ligne de tri agroalimentaire, tablette en main

Les gains

Ce que change un contrôle fiable.

Les gains de l’IA dans le contrôle qualité se mesurent sur des indicateurs que vos équipes suivent déjà : taux de défauts, rebuts, réclamations, temps de contrôle.

Grâce à l’IA, les défauts sont repérés plus tôt, sur la ligne plutôt que chez le client. Chaque défaut détecté en production coûte une fraction de ce que coûte une réclamation, un retour ou une pénalité. La réduction des coûts de non-qualité est le premier gain, et le plus facile à chiffrer.

L’IA transforme aussi la régularité de la qualité. Les mêmes critères s’appliquent à chaque pièce, à chaque poste, de jour comme de nuit, avec la même précision. L’amélioration de la fiabilité se voit dans les réclamations clients, et dans la confiance des donneurs d’ordre.

L’automatisation améliore aussi l’efficacité du processus, grâce à l’IA. Les contrôleurs consacrent leur temps aux cas difficiles et à l’amélioration du processus, et les données permettent de corriger les causes des défauts au lieu de trier les pièces. Sur la durée, le taux de rebut baisse, et non plus seulement le nombre de défauts qui partent chez le client.

  • Moins de défauts chez le client
  • Réduction des rebuts et des retouches
  • Une qualité régulière, poste après poste
  • Des causes corrigées, pas seulement des pièces triées

Par où commencer

Quatre étapes pour démarrer.

Mettre en place l’IA dans le contrôle qualité de votre entreprise suit un chemin éprouvé, du défaut le plus coûteux jusqu’au déploiement sur plusieurs lignes.

  • Choisir le défaut

    Le défaut qui coûte le plus cher en réclamations ou en rebuts, sur un poste de contrôle précis. Un seul défaut, bien traité, vaut mieux qu’une promesse générale.

  • Réunir les images

    Photographier des pièces conformes et défectueuses dans les conditions réelles du processus, et les faire classer par vos contrôleurs.

  • Valider sur la ligne

    Installer un premier poste en parallèle du processus actuel, et mesurer ses résultats sur plusieurs semaines de production réelle.

  • Étendre et relier

    Étendre l’automatisation à d’autres défauts et d’autres postes, puis relier le système aux données de production et de maintenance.

« Sur une ligne de contrôle, l’algorithme n’est jamais ce qui fait la différence en premier. L’éclairage d’abord, puis la qualité des images d’apprentissage. Le reste suit. »
Romain Leguilcher, Business Angel chez Korbyx
Romain Leguilcher, Business Angel chez Korbyx

FAQ

Questions fréquentes sur l’IA et le contrôle qualité.

Faut-il beaucoup d’images de défauts ?

Moins qu’on ne le croit, mais il en faut. Quelques dizaines à quelques centaines d’exemples par famille de défaut suffisent souvent. Pour les défauts très rares, des méthodes apprennent à partir des seules pièces conformes et signalent tout ce qui s’en écarte.

L’IA fonctionne-t-elle à la cadence de notre ligne ?

C’est le cas dans la grande majorité des entreprises. L’analyse d’une image prend quelques millisecondes. La contrainte vient plutôt de la prise de vue, qui doit donner des images fiables malgré la vitesse du convoyeur, les vibrations et l’éclairage. L’étude de faisabilité tranche ce point.

Que devient le contrôleur qualité ?

Il reste indispensable. Il juge les cas douteux, classe les nouveaux défauts pour améliorer le modèle, analyse les causes et fait évoluer les critères du processus. Son travail se déplace de l’inspection répétitive vers l’expertise.

Peut-on détecter un défaut qu’on n’a jamais vu ?

En partie. Un modèle entraîné sur des pièces conformes signale toutes les anomalies, même inédites, sans savoir les nommer. L’opérateur les qualifie, et l’IA apprend.

Faut-il changer nos machines ?

Non. Les solutions de vision s’installent sur la ligne existante, et l’IA se relie à votre supervision pour écarter les pièces non conformes.

Combien de temps pour un premier poste ?

Quelques semaines pour l’étude de faisabilité, puis deux à trois mois pour l’installation, l’apprentissage et la validation sur ligne. Le calendrier dépend surtout de la disponibilité des pièces défectueuses.

Où sont stockées les images ?

Sur vos serveurs ou dans un hébergement européen, selon votre choix. Les images de vos pièces sont réservées à l’utilisation de vos modèles d’intelligence artificielle, et cet engagement figure au contrat.

Secteurs et cas d’usage

Secteur par secteur, métier par métier.

Vos agences, vos chantiers, vos tournées, vos établissements : ce que Korbyx change, dans votre métier.

Tous les secteurs

À poursuivre

Poursuivre sur l’industrie.

Fiabilisons votre contrôle qualité.

60 minutes avec un fondateur, vos pièces et vos défauts sur la table, et un premier avis sur la faisabilité d’un contrôle par l’IA sur votre ligne. Sans engagement.

Réserver un auditTous les cas d’usage
Retour en haut