Une hypothèse plausible n'est pas une cause confirmée. Pourquoi les agents IA généralistes échouent là où l'analyse de cause racine a le plus besoin de contexte réel.

Demandez à un agent IA généraliste d'analyser une non-conformité, et il répondra. Structuré, articulé, avec un plan d'action qui semble cohérent. Le problème n'apparaît pas dans la forme. Il apparaît quand on essaie d'utiliser cette réponse pour de vrai, sur un cas réel, avec des enjeux réels. Un 8D ou une analyse de cause racine n'est pas un exercice de rédaction. C'est un exercice de connaissance du contexte, et c'est précisément ce qu'un agent généraliste n'a pas.

Un raisonnement qui a l'air juste, sans être ancré

Un LLM généraliste, même très performant, raisonne à partir de ce qu'il a appris de façon générale sur le monde. Face à une non-conformité, il va proposer des causes plausibles, dans l'absolu. Jeu mécanique excessif, dérive de process, défaut fournisseur : autant d'hypothèses statistiquement raisonnables pour ce type de défaut. Ce qui manque, c'est le contexte réel de l'organisation qui pose la question. Ce composant précis a-t-il déjà connu ce type de défaillance ? Cette référence fournisseur a-t-elle un historique ? Ce process a-t-il déjà été identifié comme fragile sur un cas comparable ? Sans ces réponses, l'analyse reste plausible en général, mais n'est ancrée dans rien de vérifiable pour ce cas précis.

Le vrai travail d'une analyse de cause racine, c'est la comparaison

Un 8D efficace ne part jamais de zéro. Il s'appuie sur ce qui a déjà été observé, résolu, ou écarté sur des cas similaires. C'est cette comparaison qui permet de distinguer une cause plausible d'une cause confirmée. Un agent généraliste, qui n'a pas accès à l'historique qualité réel de l'organisation, ne peut tout simplement pas faire ce travail. Il peut décrire la méthode 8D, en respecter la structure, remplir chaque étape avec un contenu cohérent. Il ne peut pas dire si telle cause a déjà été confirmée trois fois sur ce même composant, ou si elle a au contraire été écartée à chaque fois faute de preuve.

Le 5 pourquoi sans données, c'est de la spéculation structurée

La méthode des 5 pourquoi, comme les diagrammes d'Ishikawa, ne vaut que par les données qui l'alimentent à chaque étape. Un agent généraliste peut dérouler la méthode, proposer un enchaînement logique de causes. Mais chaque "pourquoi" mérite une réponse vérifiée, pas une réponse plausible. Pourquoi le jeu était-il excessif : parce que la pièce était mal usinée, ou parce que la tolérance elle-même était mal définie dans la procédure ? Sans accès aux dossiers de fabrication réels, aux procédures en vigueur au moment des faits, aux dérogations passées sur cette référence, l'agent ne peut que deviner intelligemment. C'est utile pour un exercice pédagogique. Ce n'est pas suffisant pour clore un dossier qui engage la sécurité ou la conformité d'un produit.

Le risque n'est pas l'erreur visible, c'est l'erreur convaincante

Le vrai danger d'un agent généraliste sur ce type d'analyse n'est pas qu'il se trompe grossièrement, un expert repérerait vite une hypothèse absurde. Le danger, c'est qu'il produise une hypothèse plausible, bien argumentée, qui n'est simplement pas la bonne pour ce cas précis, parce qu'elle ignore un précédent ou un contexte que seule l'organisation détient. Une hypothèse fausse mais convaincante est plus dangereuse qu'une hypothèse fausse et absurde, parce qu'elle passe plus facilement la validation humaine.

Ce qui manque structurellement à l'IA généraliste

Trois choses, qu'aucun prompt ne peut compenser durablement. L'accès à l'historique qualité réel de l'organisation, ses cas passés, ses décisions documentées. La connaissance du contexte industriel précis, les composants, les fournisseurs, les process spécifiques au site. Et la mémoire des cas déjà rapprochés ou écartés, qui évite de refaire une hypothèse déjà invalidée six mois plus tôt sur un cas similaire. Un agent généraliste peut simuler une méthode. Il ne peut pas simuler une expérience qu'il n'a jamais eue.

Ce que change une IA ancrée dans les données réelles de l'organisation

Une IA qui a accès à l'historique qualité réel ne devine plus les causes probables dans l'absolu. Elle les confronte à ce qui a déjà été observé, confirmé, ou écarté sur des cas comparables. Elle peut signaler qu'une hypothèse similaire a déjà été testée et invalidée l'an dernier sur la même référence, ou au contraire qu'un pattern identique est apparu trois fois sur le même fournisseur sans avoir été rapproché jusque-là. L'expert garde la main sur l'analyse, mais il ne part plus d'une page blanche, et surtout, il ne repart plus dans une direction déjà explorée et écartée.

Un 8D produit par un agent généraliste peut être bien écrit. Il n'est jamais bien informé.