L’IA peut-elle modifier les limites de procédés qualifiés dans l’aérospatiale sans requalification ?

Non, pas en règle générale.

Si les limites font partie d’un procédé qualifié, d’un flux de travail validé, d’une méthode de fabrication approuvée ou d’un dispositif d’inspection maîtrisé, un système d’IA ne doit pas les modifier de lui-même tout en continuant à considérer le procédé comme toujours qualifié. Dans la plupart des environnements aérospatiaux, la modification de ces limites constitue un changement maîtrisé. Le fait que cela exige une requalification complète, une requalification partielle, une revalidation, une approbation de l’ingénierie, une approbation client ou une revue interne dépend du procédé, du produit, des exigences contractuelles et de la manière dont les limites sont liées à la conformité du produit.

Le point essentiel est simple : l’IA peut appuyer l’analyse et proposer des changements, mais la modification autonome des limites d’un procédé qualifié n’est généralement pas acceptable, sauf si le modèle opérationnel, les contrôles et le circuit d’approbation ont été explicitement conçus, validés et approuvés pour ce comportement.

Ce que l’IA peut généralement faire

• Surveiller les tendances et détecter les dérives plus tôt qu’une revue manuelle.

• Recommander des contrôles plus stricts, des actions de maintenance ou des déclencheurs d’investigation.

• Simuler les effets probables d’un changement de paramètre avant toute utilisation en production.

• Aider à classer les événements, à prioriser les revues ou à signaler les conditions hors famille à l’ingénierie ou à la qualité.

• Fonctionner dans des garde-fous approuvés fixes si ces garde-fous sont clairement définis, techniquement appliqués et couverts par la maîtrise des changements et la validation.

Ce qui déclenche généralement une requalification ou une revue équivalente

• Modifier des fenêtres de procédé ou des limites de contrôle qui affectent l’ajustement, la forme, la fonction, la résistance, la durabilité ou d’autres caractéristiques critiques.

• Modifier des seuils d’inspection, une logique d’acceptation, une logique d’échantillonnage ou l’interprétation des mesures qui influencent les décisions de disposition.

• Modifier des recettes machine, des correcteurs CNC, des cycles de polymérisation, des paramètres de revêtement, des plages de couple ou des paramètres maîtrisés similaires au-delà des plages de tolérance approuvées.

• Autoriser un modèle à s’adapter lui-même en production sans version verrouillée, justification documentée et enregistrement de déploiement approuvé.

• Utiliser des données de qualité incertaine, de filiation incomplète ou de traçabilité faible pour justifier des changements de procédé.

En pratique, plus une sortie d’IA peut modifier directement la réalisation du produit ou son acceptation, plus l’attente est forte en matière de revue, de traçabilité, de preuves de validation et de libération maîtrisée.

Conditions limites importantes

Il existe des cas restreints où chaque changement n’implique pas nécessairement une requalification complète. Par exemple, certains sites définissent des enveloppes d’exploitation préapprouvées, des règles d’ajustement ou des logiques d’optimisation à visée uniquement consultative que les opérateurs ou les ingénieurs peuvent utiliser sans requalifier l’ensemble du procédé à chaque fois. Mais cela ne fonctionne que lorsque les limites sont explicites, justifiées, documentées et appliquées. Si l’IA franchit ces limites, modifie les limites elles-mêmes ou change la manière dont l’acceptation est déterminée, la charge augmente rapidement.

Cela dépend aussi fortement de la configuration. Un modèle qui recommande une modification de paramètre pour approbation humaine est très différent d’un contrôleur en boucle fermée qui écrit directement dans les consignes des équipements. Le second cas présente des risques beaucoup plus élevés en matière de validation, de cybersécurité, de traçabilité et d’exploitation.

La réalité des environnements existants

Dans les sites aérospatiaux, l’IA fonctionne rarement dans une architecture propre et autonome. Elle doit coexister avec des systèmes MES, ERP, PLM, QMS, historian, SCADA, des contrôleurs machines et des systèmes de gestion documentaire qui n’ont pas été conçus pour des modèles adaptatifs. Cela crée des contraintes pratiques :

• Les limites approuvées peuvent exister dans plusieurs systèmes, et toute incohérence crée un risque d’exécution.

• Les pistes d’audit peuvent être fragmentées si l’intégration n’est pas correctement réalisée.

• Les équipements legacy peuvent ne pas prendre en charge des permissions granulaires, le retour arrière ou une gouvernance moderne des modèles.

• Les fenêtres d’arrêt sont limitées, de sorte que même des changements techniquement solides peuvent être difficiles à déployer sur le plan opérationnel.

C’est l’une des raisons pour lesquelles les stratégies de remplacement complet échouent souvent dans les environnements réglementés à long cycle de vie. Remplacer les systèmes d’exécution et de qualité pour faciliter l’IA autonome se heurte généralement à la charge de qualification, au coût de validation, au risque d’arrêt, à la complexité d’intégration et à la nécessité de préserver la traçabilité et l’historique des changements sur les actifs legacy.

Schéma de mise en œuvre plus sûr

Un schéma plus réaliste consiste à utiliser d’abord l’IA comme aide à la décision à titre consultatif, et non pour modifier les limites de manière autonome. Cela signifie :

• Verrouiller les versions des modèles et les sources de données d’entraînement.

• Exiger l’approbation de l’ingénierie et de la qualité avant que les mises à jour de paramètres ne prennent effet.

• Enregistrer qui a approuvé quoi, quand, pourquoi, et au regard de quel ensemble de preuves.

• Conserver des mécanismes de retour arrière et des dates d’effet pour les limites modifiées.

• Séparer la surveillance du procédé de l’autorité sur le procédé.

Si une entreprise souhaite un ajustement en boucle fermée, elle a besoin d’une gouvernance, d’une validation, d’un traitement des exceptions et de contrôles techniques bien plus robustes que ce que la plupart des organisations supposent au départ.

La réponse pratique est donc non : l’IA ne doit pas modifier les limites de procédé qualifiées dans l’aérospatiale sans la revue contrôlée applicable et, lorsque requis, une requalification ou une revalidation. Le seuil exact dépend de la criticité du produit, de la conception du procédé, des exigences client et internes, et du fait que l’IA soit consultative ou fasse autorité.