Contexte et enjeux

Le secteur manufacturier subit une double pression : hausse des coûts de matières premières et pénurie de main‑d’œuvre qualifiée. Selon le Capgemini Research Institute, 48 % des entreprises américaines ont lancé des projets de reshoring en 2026, mais 83 % redoutent le manque de travailleurs industriels compétents. Dans ce contexte, les protocoles d’inspection traditionnels – contrôles manuels ou systèmes de vision basés sur des règles statiques – génèrent des arrêts de ligne et la perte de pièces défectueuses, augmentant les coûts de rebut et les réclamations clients.

Architecture de la plateforme Tristar AI

Tristar AI propose une solution qui s’appuie sur des modèles d’intelligence artificielle capables d’apprendre en continu. La plateforme agrège les flux de caméras industrielles, capteurs de télémétrie, contrôleurs logiques programmables (PLC) et systèmes ERP. Ces données sont pré‑traitées en bordure (edge) pour réduire la latence, puis envoyées à un moteur d’inférence hébergé sur le cloud ou sur site selon les exigences de confidentialité. Les modèles, entraînés sur des jeux de données provenant de plus de 500 lignes de production en Amérique du Nord et en Europe, adaptent leurs paramètres aux variations de matériaux, d’éclairage et de vitesse de ligne, ce qui contraste avec les systèmes rigides qui nécessitent une re‑calibration manuelle à chaque changement de lot.

Performances et retours d’expérience

Les premiers clients – Amcor, DuPont, Klöckner Pentaplast, ainsi que des fournisseurs pour Toyota, Honda et Mercedes – déclarent des taux de détection de défauts compris entre 95 % et 99 %. Cette précision permet de réduire les rebuts de l’ordre de plusieurs pourcents, ce qui, selon les rapports internes, amortit l’investissement en moins de quatre mois. Le modèle économique repose sur un abonnement SaaS qui inclut la mise à jour continue des algorithmes, évitant ainsi les coûts d’une refonte logicielle majeure.

Perspectives et limites

Le financement de 12,4 M$ en série A, mené par Isogon Ventures avec la participation de Blackhorn Ventures, Ford Street Ventures, NextView Ventures, TenOneTen et le fonds ISAI Cap de Capgemini, vise à étendre la couverture sectorielle et à améliorer la robustesse des modèles face à des défauts rares. Toutefois, la dépendance à des caméras de haute résolution et à une connectivité réseau fiable peut constituer un frein dans les usines anciennes où l’infrastructure est limitée. De plus, l’absence de standards ouverts pour l’échange de métadonnées de défauts complique l’interopérabilité avec certains systèmes ERP propriétaires.