Machikoba no Techo Juillet 2026

Ce qui est relié, ce n’est pas un câble. C’est le regard.

Juillet. L’été est arrivé pour de bon ici à Arita, et la chaleur monte dans l’atelier dès le petit matin. Les jours de pluie, l’humidité s’y ajoute et l’air devient lourd.
Dans le nord de Kyushu, la saison du calmar pointe-épée (Kensaki) est à son sommet, et la mer nocturne s’illumine des lampes des bateaux de pêche. Au bord de cette mer, notre atelier continue de fabriquer des egi comme il l’a toujours fait. Usiner, ajuster, usiner encore, régler. Chaque corps est lavé un par un avant d’être assemblé. Vingt-sept ans depuis notre création, et c’est ce travail manuel simple et peu spectaculaire, répété, qui devient chaque egi. Nous vous remercions sincèrement de votre fidélité.

Pendant ce temps, hors de l’atelier, il ne se passe guère de jour sans que l’on entende le mot « IA ».
Depuis environ un an, je mène mes propres expériences avec toute une gamme d’outils d’IA.

Mais le changement que je ressens n’est pas que l’IA soit devenue intelligente.
C’est qu’un petit atelier peut désormais construire en interne le genre de système qu’il n’avait auparavant d’autre choix que de commander à une société spécialisée.

Laissez-moi décrire un exemple.

■ Un atelier est plein d’afficheurs

Un atelier a des afficheurs partout.
Le pupitre de commande d’une machine-outil. Des thermomètres. Des hygromètres. Des capteurs de CO₂. Des compteurs électriques.

On les regarde et l’on juge :
« Ça chauffe un peu aujourd’hui. »
« Cette valeur est décalée par rapport à d’habitude. »
« Il serait temps d’aérer. »

Faire entrer ces informations dans un ordinateur était autrefois un travail pénible.
Demander au constructeur la spécification de communication. Tirer un câble de communication. Installer un PLC. Acheter un logiciel dédié.
Autrement dit, il fallait d’abord se raccorder physiquement à la machine.

Les centres d’usinage et les fraiseuses NC publient bien des spécifications d’API, et avec assez de détermination on peut en extraire les données en C++. Mais la charge de travail est énorme, et cette détermination est difficile à réunir.

■ Ne touchez pas la machine. Contentez-vous de la regarder.

Depuis peu, pourtant, une autre voie s’est ouverte.
Filmer l’afficheur avec une webcam.

Pas une caméra industrielle spéciale. Celle que nous avons utilisée est une webcam ordinaire à environ 3 000 yens.

Lire les chiffres sur cette vidéo, les stocker comme données, les tracer en courbes, et lever une alerte quand quelque chose ne va pas.
Cela convertit ce qu’une personne saisissait autrefois avec ses yeux en données analysables en continu.
Autrement dit, nous avons appliqué la DX à l’acte d’observer lui-même.

■ La première version, et le mur qu’elle a rencontré

La première version était très simple : envoyer l’image capturée à une IA et lui demander de « lire ces chiffres ».
Claude d’Anthropic. Gemini de Google. Grok de xAI. Nous avons essayé plusieurs services.

À cela s’ajoute que les assistants de codage comme Claude Code, Codex, Grok Build et Cursor ont rendu la construction du système lui-même spectaculairement plus rapide. Un travail sur lequel un spécialiste aurait autrefois passé des semaines se boucle désormais en peu de temps.

Mais une fois le prototype en marche, un problème est apparu. Cela coûtait trop cher.

Un appel isolé n’est absolument pas cher. Surveiller 24 heures sur 24, toute l’année, est une autre affaire. « L’IA que l’on utilise de temps en temps » et « l’IA que l’on laisse tourner » exigent des structures de coûts totalement différentes.

En patron de petit atelier, plus que d’être impressionné par les performances, je me surprends à réfléchir à la façon de réduire la facture mensuelle.

■ Le faire tourner en local

La tentative suivante a donc été de faire tourner un LLM local sur un Raspberry Pi.
Un gros PC à côté d’une machine-outil gêne ; un Raspberry Pi qui tient au creux de la main y trouve sa place sans problème.

Et si l’IA tourne entièrement sur notre propre matériel, il n’y a pas de frais d’API. Le coût d’exploitation se ramène à l’électricité. En théorie, proche de zéro.

La réalité n’a pas été si simple. La plupart des LLM connus refusaient de tourner — pas assez de mémoire. Au final, c’est Qwen qui fonctionnait le plus confortablement, même s’il ne passait toujours pas par des outils commodes comme ollama et a demandé pas mal de réglages.

■ Utiliser le moins d’IA possible

Voici où nous sommes finalement arrivés :
L’OCR traite le cas normal. Le LLM local ne démarre que lorsque l’OCR échoue.

Un OCR léger fait le travail quotidien. L’IA n’intervient que lorsque quelque chose est anormal ou que la lecture est ambiguë.
Le coût d’exploitation est ressorti quasiment nul.

Pour tirer de la vitesse d’un Raspberry Pi, l’approche habituelle consiste à fixer la position de la caméra et à coder en dur les coordonnées à lire. Cette approche a une faiblesse. Une légère vibration dans l’atelier déplace la caméra, les coordonnées codées en dur ne coïncident plus, et d’un coup plus rien ne peut être lu.

Là encore, le LLM sensible au contexte a gagné sa place. Comme il peut relire « où se trouvent les chiffres » à partir de l’image entière, un petit décalage se corrige facilement. Nous avons intégré cette correction à la routine de lecture et confié à cron un étalonnage périodique. Le résultat est un système qui absorbe de lui-même les dérives, sans que personne ne le surveille.

Le plus intéressant : un projet qui avait commencé en cherchant à utiliser beaucoup d’IA est devenu le plus praticable une fois qu’il a évolué vers l’usage du moins d’IA possible.

Cela ressemble à la façon dont les gens travaillent. Les tâches courantes sont réglées par l’expérience et la procédure. On ne fait appel à un spécialiste que lorsqu’il se produit quelque chose d’inattendu. Cette division du travail s’est révélée la plus efficace.

■ Non par le câble, mais par le regard

En y réfléchissant, je me suis surpris à repenser à la façon dont nous rechargeons un téléphone.
Il allait de soi, autrefois, que l’on branchait un câble. Aujourd’hui la recharge sans fil est partout — on pose le téléphone sur le socle et il se recharge. Il n’y a aucune connexion physique. L’énergie passe quand même.

Ce projet ressemble un peu à cela.
Traditionnellement, on branchait un câble de communication pour sortir l’information d’une machine. Pas cette fois. Nous ne touchons pas la machine. Il n’y a pas de ligne de données. Nous ne faisons qu’observer. Et nous obtenons tout de même l’information dont nous avons besoin.

On pourrait parler d’un passage d’une liaison physique par câble à une captation d’information sans contact, à la manière d’une induction.

Nous ne nous sommes pas connectés à la machine. Nous l’avons observée.
Ce qui est relié, ce n’est pas un câble. C’est le regard.

À bien y penser, la vue passe par la lumière, et la lumière est elle aussi une onde électromagnétique.
Vu ainsi, il s’agit peut-être bien d’une liaison par induction électromagnétique, comme dans un transformateur.

■ Le coût d’essayer a baissé

Le plus important dans ce projet n’est pas que l’IA soit devenue intelligente. C’est que le coût d’une tentative a chuté de façon spectaculaire.

Un système que nous aurions commandé à un spécialiste il y a quelques années peut désormais être construit à l’intérieur d’un petit atelier. Nous n’avons pas le budget d’une grande entreprise. Nous n’avons pas de service dédié. Mais c’est précisément parce que nous sommes petits que nous pouvons essayer, échouer et améliorer vite.

Je crois que c’est là que réside le véritable changement de l’ère de l’IA.
Non pas que l’IA enlève du travail aux gens. Mais que l’IA a considérablement élargi le champ de ce que les gens peuvent tenter.

KEYSTONE continuera de s’emparer des problèmes qui surgissent dans l’atelier — dans la fabrication des egi avant tout, mais pas seulement — en adoptant les technologies nouvelles avec souplesse, chemin faisant.

Traditionnels et pourtant innovants.
Avec ces mots en tête, nous entendons continuer d’avancer, un pas après l’autre.

Merci, comme toujours, de votre soutien.

with SQUID!!

Juillet 2026
KeyStone Corporation
Nobuhide Kanagawa, Président-directeur général