Fournisseurs d'inspection visuelle IA comparés : comment choisir le bon pour ton shopfloor
D'après le rapport BCG 2025 sur l'adoption de l'IA, 74% des industriels qui pilotent une solution d'inspection visuelle IA ne dépassent jamais la première ligne de production. La techno fonctionne. C'est le choix du fournisseur qui casse, en général.
Ce billet pilier passe en revue les quatre catégories de fournisseurs d'inspection visuelle IA présents sur le marché aujourd'hui, les critères qui prédisent vraiment le succès d'un déploiement, et les questions qu'un acheteur devrait poser à chaque démo. Il s'appuie sur quatre années de déploiements chez Enao Vision dans l'injection plastique, la céramique, l'extrusion PVC et l'assemblage manuel, plus des comparaisons directes qu'on a perdues et gagnées face à chaque grande catégorie.
Les quatre catégories de fournisseurs d'inspection visuelle IA
La plupart des billets « 50 fournisseurs comparés » qu'on trouve sur le web mélangent des produits très différents dans une seule liste. Ce n'est pas utile quand tu essaies d'en choisir un. Le vrai marché se segmente en quatre catégories, chacune avec un acheteur, un modèle de prix et un mode de défaillance qui lui sont propres.
Les plateformes de vision industrielle enterprise sont les archétypes Cognex, Keyence et Omron. Elles regroupent caméras propriétaires, contrôleurs d'éclairage et logiciels (à base de règles plus deep learning) dans une stack complète. Ça marche bien quand tu as une seule ligne à fort volume, un environnement prévisible et le budget CapEx qui va avec. Ça galère quand tu as 20 SKUs différents sur la même ligne ou quand l'ingénierie change tous les trimestres.
Les stacks caméra industrielle plus logiciel combinent un fournisseur de caméras comme Basler ou Framos avec une bibliothèque logicielle comme MVTec Halcon ou Cognex VisionPro. C'est la voie traditionnelle de l'intégrateur. Tu obtiens une flexibilité maximale mais il te faut un intégrateur système ou un ingénieur vision interne pour assembler les morceaux. Le délai typique avant la première inspection se situe entre trois et neuf mois, et la maintenance retombe sur celui qui a assemblé la stack.
Les plateformes cloud nativement IA sont nées de la vague du deep learning. Landing AI, Clarifai et quelques autres proposent de l'étiquetage dans le navigateur, l'entraînement dans le cloud et le déploiement de modèles vers des PC industriels. Elles abaissent la barrière ML mais demandent en général toujours des caméras fixes, un éclairage fixe et un transfert manuel vers les opérateurs du shopfloor.
Les plateformes mobile-first sont la catégorie la plus récente. Enao Vision en est l'exemple le plus complet. L'inspection se fait sur un iPhone ou un iPad monté sur la ligne, le modèle s'entraîne sur moins de 10 images par classe de défaut, et l'opérateur est aussi celui qui étiquette la donnée. Pas de caméra dédiée, pas de rampe d'éclairage, pas de serveur.
Les critères qui prédisent vraiment le succès d'un déploiement
Les pages marketing se concentrent sur les chiffres de précision. La précision, c'est la partie facile. La partie dure, c'est tout ce qui doit bien se passer avant et après que le modèle tourne. Quatre critères comptent plus que n'importe quel benchmark.
Délai du premier déploiement. Combien de temps entre la signature du contrat et la première vraie inspection qui tourne sur une ligne ? Les plateformes enterprise tombent entre 12 et 26 semaines. Les stacks intégrateur tombent entre 16 et 36 semaines. Les plateformes cloud nativement IA tombent entre 6 et 16 semaines. Les plateformes mobile-first tombent entre 1 et 3 semaines. Chaque semaine de plus, c'est une semaine de pièces qui partent sans le garde-fou.
Données nécessaires par classe de défaut. Demande combien d'images il faut au modèle, par classe, pour atteindre la précision annoncée par le fournisseur. Les plateformes enterprise et les stacks intégrateur citent en routine 500 à 5 000 images par classe, ce qui tue tout projet avec des défauts rares. Les plateformes nativement IA citent souvent 100 à 500. Les plateformes mobile-first basées sur des architectures few-shot et foundation models marchent désormais avec 5 à 20 images par classe. Ce seul chiffre décide si ton déploiement prend des semaines ou des trimestres.
Indépendance matérielle. Si le fournisseur t'enferme dans ses caméras, ses lampes et ses boîtiers, ta deuxième ligne coûte presque autant que la première. Les fournisseurs indépendants du matériel te laissent utiliser des composants standards et redéployer quand la disposition de la ligne change.
Réalité du change management. Qui doit apprendre quoi, et combien de personnes ? Une plateforme qui exige un ingénieur vision et un data scientist, c'est très bien si tu en as. La plupart des PME et ETI manufacturières n'en ont pas, et c'est pour ça que la question des opérateurs comme étiqueteurs fait la différence entre un pilote qui passe en prod et un pilote qui reste sur l'étagère.
Les questions à poser à chaque démo
Les cinq questions ci-dessous font sortir 90% de ce que les pages marketing fournisseur cachent.
Peux-tu faire la démo sur mes vrais échantillons de défauts ? Si la réponse est « envoie-nous 500 images et on revient vers toi dans quatre semaines », le fournisseur n'est pas prêt pour ta ligne. Si la réponse est « envoie-nous 10 images et on te montre demain », il l'est.
Que se passe-t-il quand la configuration de ma ligne change ? Toute ligne de production change. Nouveaux SKUs, nouveaux montages, nouvelles conditions d'éclairage. Demande le workflow de réentraînement réel et le temps d'arrêt en heures pour ce réentraînement.
À qui appartiennent les poids du modèle ? Certains fournisseurs traitent le modèle entraîné comme leur IP. Ça compte le jour où ton responsable qualité s'en va et que tu veux changer de plateforme. Lis le contrat avant la démo, pas après.
À quoi ressemble le pricing à deux lignes, cinq lignes et 20 lignes ? Le pricing CapEx casse à grande échelle dans un sens, le pricing par abonnement casse dans l'autre. Les deux peuvent fonctionner, mais les points d'équilibre sont très différents.
Comment gérez-vous les variations d'éclairage ? Une démo sur une table optique blindée ne prouve rien. Demande comment le modèle se comporte avec une variation de 30% de lux. Un bon système IA ne devrait pas avoir besoin d'une lampe à 500 EUR.
Les drapeaux rouges qui tuent les déploiements
Quatre patterns reviennent sur chaque déploiement raté qu'on a été appelés à réparer.
Des exigences d'éclairage figées qui ne peuvent plus changer une fois le matériel installé. Des quotas minimaux d'images au-dessus de 1 000 par classe pour des défauts rares. Des délais de plus de six mois avant la première inspection. Un verrouillage matériel propriétaire qui veut dire qu'une seconde ligne duplique tout le CapEx.
Si deux ou plus de ces signaux apparaissent dans le package de déploiement standard d'un fournisseur, la chance que ton pilote atteigne la production tombe en dessous de 30%.
Le choix du fournisseur change selon le contexte
Il n'y a pas de meilleur fournisseur universel. Trois facteurs contextuels font bouger la réponse plus que tout le reste.
Une seule ligne ou un déploiement multi-sites. Les plateformes enterprise avec caméras fixes sont rentables sur une seule ligne à fort volume qui produit un seul SKU. Les plateformes mobile-first gagnent sur les déploiements multi-lignes et multi-SKUs où le coût matériel se cumule.
Greenfield ou brownfield. Si tu conçois une nouvelle ligne et que tu peux spécifier caméras, éclairage et montages, la voie enterprise est défendable. Si tu retrofittes une ligne qui tourne depuis dix ans, les plateformes indépendantes du matériel sont en général la seule option qui atteint la production.
Équipe ML interne ou pas. Si tu as des data scientists et des ingénieurs vision, les plateformes cloud nativement IA et les stacks intégrateur te donnent le plus de contrôle. Sinon, les plateformes mobile-first avec étiquetage par les opérateurs sont la seule catégorie où le déploiement n'est pas bloqué par le recrutement.
Là où Enao se positionne
Enao Vision se positionne dans la catégorie mobile-first. Les équipes font tourner l'inspection sur un iPhone ou un iPad monté sur la ligne, utilisent 5 à 20 images par classe de défaut, et déploient la première ligne en 1 à 3 semaines. C'est l'arbitrage de la flexibilité contre le débit ultra-spécialisé, ce qui est le bon arbitrage pour les ETI qui produisent plus de 20 SKUs sur plusieurs lignes. C'est le mauvais arbitrage si tu fais tourner une seule ligne à 5 000 pièces par minute avec un seul produit pendant dix ans.
On est transparents sur les deux côtés. Si ton cas d'usage est en dehors de notre fit, on te le dit dès le premier appel. S'il est dedans, on fait tourner tes vrais échantillons de défauts sur une démo dans les 48 heures.
Prochaine étape
Pioche trois des cinq questions de démo plus haut et mets-les dans ton prochain appel fournisseur. Si un fournisseur ne sait pas répondre oui à « peux-tu faire la démo sur mes échantillons cette semaine ? », ça t'en dit plus long que n'importe quel avis G2. On publie notre côté de la réponse en clair et tu peux le voir sur la page produit Enao Vision, ou réserver une démo avec tes propres échantillons directement depuis là.
Tu évalues des fournisseurs et tu veux comparer ta short-list avec d'autres équipes ? La conversation sur le choix du fournisseur se passe dans notre communauté.