L’IA peut-elle modifier les limites d’un procédé qualifié dans l’aérospatial sans requalification ?

Non, pas en règle générale.

Si les limites font partie d’un processus 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 devrait pas les modifier de sa propre initiative tout en considérant que le processus reste 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 processus, 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 soutenir l’analyse et proposer des changements, mais la modification autonome de limites de processus qualifiées 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 un resserrement des contrôles, 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 des conditions hors famille à l’ingénierie ou à la qualité.

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

Ce qui déclenche généralement une requalification ou une revue équivalente

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

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

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

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

• Utiliser des données de qualité incertaine, de provenance incomplète ou à faible traçabilité pour justifier des changements de processus.

En pratique, plus une sortie d’IA peut modifier directement la réalisation ou l’acceptation du produit, plus les attentes en matière de revue, de traçabilité, de preuves de validation et de libération maîtrisée sont élevées.

Conditions limites importantes

Il existe des cas restreints où chaque changement n’implique pas une requalification complète. Par exemple, certains sites définissent des enveloppes d’exploitation préapprouvées, des règles d’ajustement ou une logique d’optimisation uniquement consultative que les opérateurs ou les ingénieurs peuvent utiliser sans requalifier l’ensemble du processus 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 comporte des risques beaucoup plus élevés en matière de validation, de cybersécurité, de traçabilité et d’exploitation.

Réalité des environnements brownfield

Dans les usines aérospatiales, l’IA fonctionne rarement dans une pile propre et autonome. Elle doit coexister avec des systèmes MES, ERP, PLM, QMS, historian, SCADA, des contrôleurs machines et des systèmes de maîtrise 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 les incohérences créent un risque d’exécution.

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

• Les équipements existants peuvent ne pas prendre en charge les 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 des environnements réglementés à longs cycles 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 lié aux arrêts, à la complexité d’intégration et à la nécessité de préserver la traçabilité et l’historique des changements sur l’ensemble des actifs existants.

Schéma de mise en œuvre plus sûr

Une approche plus réaliste consiste à utiliser d’abord l’IA comme aide à la décision consultative, et non pour modifier de manière autonome les limites. Cela implique de :

• 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.

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

• Maintenir des mécanismes de retour arrière et une gestion 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 devrait 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 ait un rôle consultatif ou fasse autorité.