IA et supply chain aéronautique : cas d'usage pour PME et ETI

Depuis 2024, les PME et ETI sous-traitantes de l'aéronautique font face à une équation impossible : produire plus vite, avec moins de marges, dans un contexte de pénuries persistantes et d'obsolescences qui s'accélèrent. Le ramp-up Airbus, repoussé mais toujours exigé, pèse sur l'ensemble de la chaîne. L'IA appliquée à la supply chain aéronautique n'est pas une promesse de transformation digitale à 3 ans. Ce sont des cas d'usage opérationnels, déployables en quelques semaines, qui réduisent concrètement le coût de rupture, le taux de NCR et le risque d'obsolescence. Voici ce que cela donne en pratique pour une PME ou une ETI de rang 1 à 3.

Contexte 2026 : ramp-up, pénuries et obsolescences dans la chaîne aéronautique

Le scénario espéré post-Covid n'a pas eu lieu. Airbus visait 75 A320 par mois à horizon 2026. En mai 2026, cet objectif est officiellement reporté à fin 2027, sous l'effet des retards de livraison de moteurs CFM et Pratt & Whitney. Mais la pression sur les fournisseurs de rang 2 et 3 reste intacte : les donneurs d'ordre ont engagé des plans de capacité, signé des contrats long terme, et attendent des volumes que la supply chain peine à honorer.

Pour une PME toulousaine de 80 à 200 salariés qui usine, câble ou assemble des sous-ensembles pour Airbus, Safran ou Liebherr Aerospace, cela se traduit par trois tensions simultanées :

• Pénuries de composants électroniques et de matières premières : délais d'approvisionnement en alliages titane, aluminium et composants passifs qui s'étendent à 40, 60 voire 80 semaines sur certaines références.
• Obsolescences accélérées : les fondeurs et distributeurs de composants électroniques émettent des PCN (Product Change Notice) à un rythme qui dépasse la capacité de traitement manuelle des équipes approvisionement. Une PME de 150 salariés peut recevoir 30 à 80 PCN par mois.
• Exigences de traçabilité et de qualité renforcées : les donneurs d'ordre durcissent leurs plans de surveillance. Le taux de NCR (Non Conformity Report) accepté par Airbus sur certains programmes est en baisse. Chaque non-conformité non détectée en amont coûte de 3 à 10 fois plus cher une fois le sous-ensemble intégré.

Dans ce contexte, les solutions classiques atteignent leurs limites. Un tableau Excel de suivi des approvisionnements ne prédit pas une rupture à J+45. Un système qualité ne classe pas automatiquement 60 NCR par mois par ordre de priorité. Un approvisionneur humain ne peut pas lire 50 PCN de 8 pages chacun et en extraire les impacts BOM en temps réel.

C'est là qu'intervient l'IA, non comme une révolution technologique abstraite, mais comme un ensemble d'outils opérationnels qui répondent à des problèmes précis. Les cas d'usage détaillés ci-dessous sont tous déployés ou déployables sur des périmètres PME et ETI, avec des budgets adaptés à cette taille d'entreprise.

Cas d'usage 1 : prévision de demande aéronautique par séries temporelles adaptées

La prévision de demande en aéronautique présente des caractéristiques qui rendent les approches de forecasting standard peu adaptées. La demande n'est pas tirée par les consommateurs finaux mais par des programmes d'avions avec des cadences publiées. Elle est intermittente sur certaines références, avec de longues périodes sans mouvement suivies de commandes groupées.

Ce qui ne fonctionne pas en aéronautique

Les modèles de séries temporelles comme ARIMA ou Prophet supposent une demande continue et relativement stable. En aéronautique, une référence peut rester à zéro pendant 6 mois puis générer une commande de 500 unités. Ces modèles surestiment le stock de sécurité sur les références actives et sont aveugles sur les références dormantes.

L'approche adaptée

La combinaison qui fonctionne repose sur deux niveaux :

• Modèle Croston ou SBA (Syntetos-Boylan Approximation) pour les références à demande intermittente, qui sépare la prévision de la fréquence d'occurrence et la prévision du volume par occurrence.
• XGBoost ou LightGBM enrichi de features métier pour les références à flux régulier : cadence de production Airbus publiée, taux d'incorporation dans la BOM, historique des délais fournisseurs réels, jalons programme à venir.

La précision mesurée sur des PME aéronautiques passant d'une gestion Excel à ce type de modèle est une réduction de 30 à 50 % des ruptures et une diminution de 15 à 25 % du stock dormant sur les composants à longue durée de vie.

Pour comprendre les fondements algorithmiques de ces modèles, notre article sur la prévision des stocks par IA pour PME détaille les MAPE attendus par méthode et les données nécessaires à un pilote viable.

Cas d'usage 2 : gestion proactive des obsolescences par RAG sur PCN et datasheets

L'obsolescence de composants électroniques est l'un des angles morts les plus coûteux de la supply chain aéronautique. Un composant déclaré en fin de vie par son fabricant peut rendre caduque une BOM entière si personne ne l'a détecté à temps. Or, les PCN arrivent par email, parfois noyés dans des newsletters distributeurs, parfois transmis directement par des fournisseurs de tier 2.

Le problème opérationnel

Une PME de 100 salariés qui assemble des cartes électroniques pour un équipementier de rang 1 peut gérer 2 000 à 8 000 références de composants. Analyser manuellement chaque PCN pour en déduire les impacts sur les gammes de production et les stocks à sécuriser est impossible à la cadence à laquelle ces avis arrivent en 2026.

L'architecture RAG pour les PCN

Un système RAG (Retrieval-Augmented Generation) indexe en continu l'ensemble des documents techniques disponibles :

• PCN reçus par email ou déposés dans un répertoire partagé
• Datasheets des composants référencés dans la BOM
• Fiches de substitution et équivalences déjà qualifiées
• Historique des qualifications de composants alternatifs

Quand un nouveau PCN est détecté (par surveillance de la messagerie ou dépôt dans le répertoire dédié), le LLM effectue automatiquement trois actions :

1. Il identifie les références de composants concernées et les croise avec la BOM active.
2. Il recherche dans la base d'équivalences si un composant de substitution qualifié existe.
3. Il génère un projet de fiche d'impact destiné au responsable approvisionnement, avec le stock actuel disponible, la date de fin de vie annoncée et la recommandation d'action (Last Time Buy, qualification d'un alternatif, modification de la conception).

Ce qui prenait 2 à 4 heures par PCN en traitement manuel est réduit à quelques minutes de vérification humaine sur un document déjà structuré. Pour les PME qui reçoivent 40 à 80 PCN par mois, c'est un gain d'une journée de travail par semaine pour l'approvisionneur.

L'architecture technique de ces systèmes est proche de celle décrite dans notre article sur le RAG appliqué à la documentation technique industrielle.

Cas d'usage 3 : automatisation du traitement des NCR fournisseurs

Le NCR (Non Conformity Report) est le quotidien de toute équipe qualité dans la filière aéronautique. Quand une livraison fournisseur présente une non-conformité, le processus classique génère une chaîne d'actions manuelles : saisie dans le système qualité, classification par type et gravité, notification des parties prenantes, création d'un dossier de retour ou de dérogation, suivi jusqu'à clôture.

Ce que l'IA peut automatiser dans le flux NCR

La combinaison n8n + LLM permet d'automatiser la majorité des étapes administratives du traitement NCR :

• Classification automatique : le LLM analyse la description de la non-conformité et la classe selon la taxonomie interne (type de défaut, gravité, zone de production, famille de pièces concernées). Taux de classification correcte observé sur des bases de NCR aéronautiques : 85 à 92 %.
• Priorisation : le modèle calcule un score de priorité en croisant la gravité du défaut, l'impact sur le programme en cours (une pièce critique pour un avion en ligne d'assemblage est priorisée), et le délai de livraison contractuel.
• Notification ciblée : le workflow envoie automatiquement l'alerte aux bonnes personnes selon la classification : qualiticien pour les NCR mineures, directeur qualité et acheteur pour les NCR majeures, et escalade au donneur d'ordre pour les NCR critiques.
• Création du dossier : les données structurées sont injectées dans le système qualité sans re-saisie. Le dossier est créé avec toutes les métadonnées nécessaires pour le reporting EN 9100.
• Suivi jusqu'à clôture : le workflow planifie des relances automatiques si le dossier n'est pas clôturé dans le délai imparti, avec escalade progressive.

Pour une PME traitant 30 à 60 NCR par mois, l'automatisation de ce flux représente un gain de 20 à 35 heures mensuelles pour le service qualité, et une réduction du délai de traitement de 48 heures à moins de 4 heures pour les non-conformités classiques.

Notre article sur l'automatisation des processus aéronautiques avec n8n détaille l'architecture technique de ce type de workflow et les contraintes de sécurité à respecter.

Cas d'usage 4 : scoring fournisseurs par IA

Dans la supply chain aéronautique, tous les fournisseurs ne se valent pas. Mais le scoring fournisseur reste souvent une pratique artisanale : un responsable achats maintient un fichier Excel avec des notes qualitatives mises à jour une fois par trimestre, sur la base de souvenirs récents plus que de données objectives.

Ce qu'un modèle de scoring automatisé apporte

Un modèle de scoring fournisseurs construit sur les données opérationnelles réelles produit un indice mis à jour en continu, sur des critères mesurables :

• OTD (On-Time Delivery) : pourcentage de livraisons conformes à la date contractuelle, calculé sur les 12 derniers mois glissants.
• OTIF (On-Time In-Full) : livraisons conformes à la date et à la quantité commandée.
• Taux de NCR : ratio de livraisons ayant généré une non-conformité, pondéré par la gravité.
• Réactivité sur CAR : délai moyen de soumission d'une Corrective Action Report suite à une NCR.
• Risque d'obsolescence : proportion de références fournies soumises à des PCN actifs ou probables.
• Concentration du risque : part des approvisionnements critiques couverts par un seul fournisseur (source unique).

Le LLM peut enrichir ce score quantitatif d'une analyse qualitative des communications fournisseur : détection de signaux faibles dans les emails (retards annoncés, difficultés d'approvisionnement mentionnées en passant, changements d'interlocuteur), croisement avec des données publiques (procédures collectives, alertes sectorielles).

Le résultat est un tableau de bord mis à jour automatiquement, qui permet à l'acheteur de concentrer ses actions de suivi sur les fournisseurs à risque réel plutôt que sur la mise à jour manuelle du fichier de pilotage.

Cas d'usage 5 : optimisation des paramètres MRP par données réelles

Le MRP (Material Requirements Planning) est au cœur de la planification des achats de composants dans toute PME industrielle. Son efficacité dépend entièrement de la qualité de ses paramètres d'entrée : délais fournisseurs, taux de service attendu, stock de sécurité par référence. Or, dans la majorité des entreprises, ces paramètres sont fixés une fois lors du déploiement de l'ERP et rarement mis à jour.

Le décalage entre paramètres MRP et réalité terrain

Un délai fournisseur de 8 semaines saisi dans l'ERP en 2022 peut être de 22 semaines en 2026, sur les mêmes références, dans le même ERP, sans que personne n'ait mis à jour le paramètre. Le MRP calcule des ordres de réapprovisionnement avec 8 semaines d'anticipation. La livraison arrive avec 14 semaines de retard. La rupture est certaine.

Ce que l'IA apporte au MRP sans changer l'ERP

Un modèle IA construit sur l'historique réel des livraisons (dates de commande vs dates de réception effectives par fournisseur et par famille de composants) produit :

• Des délais fournisseurs dynamiques : mis à jour automatiquement chaque semaine à partir des données réelles de réception, exportées de l'ERP via un fichier CSV ou une API.
• Des probabilités de retard par fournisseur : "ce fournisseur livre en retard dans 35 % des cas sur cette famille de pièces, avec un retard moyen de 3 semaines".
• Des stocks de sécurité dynamiques : calculés en fonction de la variabilité réelle de la demande et des délais, non plus sur des règles statiques.
• Des alertes de tension anticipées : "la référence X aura un risque de rupture élevé dans 6 semaines si le délai fournisseur actuel persiste".

Ces paramètres corrigés sont réinjectés dans le MRP sous forme de fichier d'interface, sans modifier l'ERP en place. Le MRP prend de meilleures décisions sans changement d'infrastructure. C'est l'un des projets IA les plus rapides à déployer et les plus structurants pour une ETI de 100 à 500 salariés.

Cas d'usage 6 : qualification des CAR fournisseurs par LLM

La CAR (Corrective Action Report) est la réponse qu'un fournisseur doit apporter à une NCR émise par le donneur d'ordre. En théorie, la CAR doit contenir une analyse des causes racines (méthode 8D, Ishikawa ou autre), un plan d'actions correctives et préventives avec des délais, et des preuves d'efficacité. En pratique, la qualité des CAR reçues est très inégale.

Le problème du volume et de la qualité

Examiner une CAR correctement prend entre 30 minutes et 2 heures pour un qualiticien expérimenté. Pour une ETI qui gère 50 fournisseurs actifs et émet 40 NCR par trimestre, la charge de revue des CAR peut représenter 40 à 80 heures par trimestre pour l'équipe qualité, soit l'équivalent d'une semaine de travail. Et une partie non négligeable des CAR reçues est insuffisante, ce qui génère des allers-retours chronophages.

Ce que le LLM fait concrètement sur une CAR

Le LLM analyse chaque CAR reçue en format PDF ou Word et effectue une pré-qualification automatique :

• Vérification de la présence et de la cohérence de l'analyse des causes racines (les causes identifiées expliquent-elles plausiblement le défaut observé ?).
• Vérification que les actions correctives s'attaquent aux causes identifiées et non à leurs symptômes.
• Contrôle des délais de mise en oeuvre : sont-ils réalistes au regard de la nature des actions proposées ?
• Détection des CAR génériques ou copiées-collées depuis des dossiers précédents, signe d'un fournisseur qui ne traite pas le fond du problème.
• Vérification de la conformité aux exigences du référentiel EN 9100 ou aux exigences spécifiques du programme.

Le résultat est une fiche de pré-qualification en 3 catégories : CAR acceptable (le qualiticien valide en 5 minutes), CAR insuffisante avec les points manquants listés (retour fournisseur accéléré), CAR à analyser manuellement (cas complexes ou critiques). Le qualiticien concentre son expertise sur les 20 % de cas qui le méritent.

Stack technique : ML classique et LLM, deux registres complémentaires

Une erreur fréquente est de vouloir tout résoudre avec les LLM parce qu'ils sont accessibles et impressionnants en démo. En supply chain aéronautique, chaque cas d'usage a une technologie adaptée.

Pour les données sensibles soumises aux contraintes ITAR ou EAR, l'hébergement souverain est obligatoire. Cela signifie des modèles open source (Mistral 7B ou 22B, Llama 3) déployés sur infrastructure française, sans transit par des API cloud américaines. Tensoria accompagne spécifiquement ces configurations pour les PME et ETI de la filière défense et aéronautique militaire à Toulouse et en Occitanie.

Notre article sur l'assistant IA industriel en contexte souverain détaille les choix d'architecture pour des contraintes comparables.

ROI et indicateurs : ce que vous devez mesurer

Un projet IA en supply chain aéronautique qui ne définit pas ses indicateurs de succès avant de commencer finit par ne pas savoir s'il a réussi. Voici les trois leviers de ROI et les KPI associés.

Levier 1 : réduction du coût de rupture

Une rupture sur une pièce critique pour une ligne d'assemblage Airbus peut générer des pénalités contractuelles de plusieurs dizaines de milliers d'euros. Même hors pénalités, le coût d'une rupture comprend le transport express, le surcoût de réapprovisionnement d'urgence et le temps de gestion de crise. Les indicateurs à suivre : taux de service (OTD/OTIF), nombre de situations d'urgence d'approvisionnement par trimestre, coût moyen par rupture.

Levier 2 : réduction du coût de traitement des NCR

Chaque NCR fournisseur a un coût complet : temps qualiticien de traitement, coût logistique du retour, surcoût du réapprovisionnement de remplacement, impact sur le planning de production si la livraison est bloquée. Les indicateurs : nombre de NCR par fournisseur et par famille de composants, délai moyen de clôture d'un dossier NCR, taux de récidive (NCR sur le même fournisseur pour le même type de défaut malgré une CAR approuvée).

Levier 3 : réduction du risque d'obsolescence subi

Une obsolescence découverte trop tard force un Last Time Buy en urgence, avec des quantités souvent surdimensionnées pour sécuriser l'avenir, ou impose une requalification coûteuse d'un composant alternatif. Les indicateurs : nombre de PCN traités par semaine vs nombre reçus (taux de traitement), délai moyen entre réception d'un PCN et décision d'action, valeur du stock immobilisé en composants à risque d'obsolescence.

Un audit IA de cadrage de 3 à 5 jours permet de qualifier le potentiel réel de votre contexte avant tout engagement budgétaire. C'est systématiquement l'étape que nous recommandons aux PME et ETI aéronautiques qui nous contactent.

Pour aller plus loin

• Prévision des stocks par IA pour PME en 2026 : précision, données et coût : les méthodes algorithmiques et les MAPE attendus par type de modèle.
• Automatisation des processus aéronautiques avec n8n à Toulouse : architecture, contraintes ITAR et budget pour les sous-traitants.
• RAG sur documentation technique industrielle : comment construire un système de recherche intelligente sur vos datasheets et PCN.
• Assistant IA industriel en contexte souverain : retour d'expérience sur un déploiement hébergé en France pour un industriel.
• Mesurer le ROI d'un projet IA en PME : méthode de calcul applicable directement à un projet supply chain aéronautique.
• Pourquoi un audit IA avant tout projet : les erreurs à éviter avant de choisir une technologie ou un prestataire.
• IA pour les sous-traitants aéronautiques de Toulouse : panorama des cas d'usage IA pour les PME équipementiers d'Airbus, ATR, Daher.
• IA pour la maintenance aéronautique (MRO) : application sectorielle complémentaire pour les acteurs Part 145.
• Contrôle qualité aéronautique par vision IA : autre vertical IA très ciblé pour les industriels aéro.

Questions fréquentes

Ce que cela change dans votre organisation

Déployer l'IA sur la supply chain aéronautique ne se résume pas à un projet technologique. C'est une transformation des rôles : l'approvisionneur passe de la gestion des urgences à l'anticipation. Le qualiticien passe de la saisie à l'analyse des causes profondes. L'acheteur passe du suivi manuel des retards à la décision fondée sur un scoring objectif.

Ces transformations demandent du temps et un accompagnement métier solide. La technologie est la partie la plus simple. La partie difficile, c'est de construire la confiance des équipes dans les recommandations du modèle, de valider les premiers résultats sur le terrain avant de généraliser, et de maintenir les systèmes à mesure que les programmes évoluent.

Chez Tensoria, nous accompagnons les PME et ETI de la filière aéronautique toulousaine et occitane sur l'ensemble de ce chemin : de l'audit initial à la mise en production, en passant par la qualification des modèles et la formation des équipes. Si vous souhaitez évaluer le potentiel d'un projet IA sur votre supply chain, un audit IA de cadrage de quelques jours est le point de départ le plus efficace.