Ce que le partenariat Mistral-ASML apprend aux PME industrielles sur l'IA de production

Pourquoi ASML a choisi Mistral pour améliorer ses machines à 380 millions d'euros

Dans une interview publiée en mai 2026, Arthur Mensch, fondateur de Mistral, décrit le partenariat entre Mistral et ASML. ASML fabrique les machines de lithographie les plus précises du monde. Ces machines gravent les circuits sur les puces électroniques à une résolution de quelques nanomètres. Elles coûtent entre 150 et 380 millions d'euros l'unité. Chaque défaut de gravure représente un rejet de tranche de silicium dont la valeur se mesure en millions.

Ce que décrit Mensch n'est pas le déploiement d'un outil IA acheté sur catalogue. Des chercheurs Mistral travaillent physiquement avec les ingénieurs ASML pour construire un modèle entraîné sur les données réelles des machines de lithographie. Pas sur des données génériques, pas sur des simulations. Sur les mesures et les images de production réelles d'ASML, dans ses propres usines.

Ce partenariat a reçu beaucoup d'attention pour ce qu'il dit du positionnement de Mistral face à OpenAI. Il mérite d'en recevoir autant pour ce qu'il dit de la nature de l'IA industrielle performante. Et la leçon s'applique directement aux PME industrielles françaises qui s'interrogent sur leur propre chantier.

Ce que ce partenariat révèle sur la vraie nature de l'IA industrielle

La plupart des discours sur l'IA en industrie présentent le problème comme un problème de budget ou de taille d'entreprise. ASML peut se permettre Mistral parce qu'elle est ASML. Une PME de 80 personnes peut appliquer la même logique. Cette lecture est fausse, et elle est paralysante.

Ce qui rend le partenariat ASML-Mistral efficace n'est pas la taille d'ASML. C'est que les ingénieurs ASML ont des données de production spécifiques à leur machine, et que ces données sont le matériau qui rend le modèle pertinent. Un modèle générique entraîné sur les données d'autres industries n'aurait pas la précision requise pour améliorer une machine à 380 millions d'euros. Ce n'est pas une question de puissance de calcul. C'est une question de données de référence.

Cette logique est exactement celle qui s'applique à une PME industrielle de tri agroalimentaire, à un fabricant de pièces en plastique injecté, à un conditionnement de produits de la mer. Vos données de production vous appartiennent. Elles sont votre avantage concurrentiel. Et elles sont le prérequis du seul type d'IA industrielle qui fonctionne vraiment.

« Cette approche “on réduit les déchets” — c'est assez drôle dans un contexte industriel de vouloir réduire les déchets. Ça lui a tout de suite parlé. »

Ce verbatim décrit la conversation initiale avec le dirigeant de France Coquillage. Le langage du lean, appliqué à l'IA, parle immédiatement à un industriel. Réduire les rebuts. Améliorer la précision du tri. Réduire la dépendance à des saisonniers spécialisés. Ce sont des objectifs industriels, pas des objectifs IA. L'IA est le moyen. L'objectif reste le même depuis cinquante ans de lean manufacturing.

De 50 à 95% : ce que France Coquillage a reproduit à l'échelle bretonne

France Coquillage est une PME bretonne de transformation de coquillages pour la restauration et la grande distribution. Son activité est saisonnière et dépend fortement d'opérateurs formés sur plusieurs saisons pour atteindre un niveau de tri suffisant. Avant le projet IA, la précision du tri visuel se situait autour de 50%. Pas parce que les opérateurs étaient mal formés. Parce que la variabilité naturelle du produit rend le tri difficile même pour un oeil expert, surtout à fort débit.

La démarche que nous avons appliquée suit la même logique que le partenariat ASML-Mistral. Nous avons travaillé avec les équipes de production pour collecter des images dans leurs propres conditions d'exploitation. Leur luminosité, leur vitesse de défilement, leurs critères de tri. Nous avons entraîné un modèle de computer vision sur ces données réelles. Les équipes de production ont annoté les premières données elles-mêmes, parce que ce sont elles qui connaissent le produit.

« On est passé de 50 à quasiment 95 % de détection positive, de classification positive. On a encore des leviers pour aller optimiser. »

95% de précision sur un tri visuel à fort débit, c'est 45 points au-dessus de ce que faisait l'oeil humain en conditions réelles. Ce gain se traduit directement en réduction des rebuts et amélioration du taux de produit commercialisable par saison, et en réduction de la pression sur le recrutement de saisonniers spécialisés. Pour un industriel dont l'activité dépend d'un pic de production de deux à quatre mois, ce levier représente une différence de compétitivité mesurable sur chaque saison.

Pour aller plus loin sur l'application de l'IA en industrie agroalimentaire et les certifications à anticiper, automatisation IA en agroalimentaire détaille les spécificités réglementaires et les périmètres les plus fréquents.

L'IA industrielle commence par vos données, pas par votre budget

« Moi je veux vraiment déléguer toute cette partie d'innovation technologique digitale, je veux que ce soit vous qui la portiez. »

Ce verbatim traduit la posture que nous observons chez les dirigeants de PME industrielles qui avancent le plus vite sur leurs projets IA. Ils ne veulent pas devenir experts en machine learning. Ils veulent rester experts en leur métier et trouver le partenaire qui porte la partie technologique. C'est une posture saine. Et c'est précisément ce que le partenariat ASML-Mistral institutionnalise à grande échelle : des experts métier qui travaillent avec des experts IA sur des données réelles.

La mauvaise question que posent la plupart des PME industrielles est : « quel logiciel IA acheter ». La bonne question est : « quelles données j'ai déjà sur ma production que je n'exploite pas ». La réponse surprend presque toujours. Les automates programmables enregistrent des mesures depuis des années. Les caméras de ligne stockent des images en boucle. Les fiches de contrôle qualité papier contiennent des historiques de défauts. Ces données sont là. Elles ne sont pas exploitées parce que personne n'a défini le périmètre d'un premier modèle.

La méthode que nous appliquons : identifier le processus de contrôle qualité ou de tri le plus fréquent, avec le plus d'impact direct sur la rentabilité. Vérifier que des données historiques existent sur ce périmètre. Construire un premier modèle sur ces données, évalué en conditions réelles avant tout déploiement sur la ligne. Ce premier périmètre prend quatre à huit semaines de cadrage et deux à quatre mois de développement. Le gain se mesure dès la première saison d'exploitation.

Pour voir comment cette approche s'applique sur une ligne de tri industriel en conditions réelles, l'approche Leando sur le tri industriel décrit le périmètre type et les résultats attendus sur un premier projet.

La prochaine étape concrète : listez vos cinq processus de contrôle qualité ou de tri les plus fréquents. Pour chacun, notez si des données historiques existent sous n'importe quelle forme — images, mesures, fiches papier scannables. Si vous trouvez un processus avec plus de 200 occurrences mensuelles et des données historiques sur six mois minimum, vous avez le matériau d'un premier projet IA industriel rentable. Ce diagnostic tient en une journée.