Parmi les pressions opérationnelles que PMMI liste dans son rapport 2026 State of the Industry, la « perte de connaissances de la main-d'œuvre » côtoie le vieillissement des équipements et la prolifération des références. Ce classement mérite l'attention des acheteurs de lignes d'emballage : lorsqu'un opérateur qui a passé vingt ans sur une ligne prend sa retraite, il emporte avec lui non seulement des compétences opérationnelles, mais aussi un ensemble de connaissances diagnostiques tacites : quand cette ligne a tendance à mal fonctionner, et où chercher en premier lorsqu'elle le fait. Ces connaissances n'ont jamais été consignées dans un manuel, et pourtant elles déterminent la rapidité avec laquelle une ligne arrêtée redémarre.
Un ensemble de chiffres dans le livre blanc de PMMI illustre l'ampleur du problème : 95 % des utilisateurs finaux ont du mal à trouver des opérateurs et des techniciens qualifiés, et près de 60 % s'attendent à ce que le défi s'intensifie. Dans le secteur de la transformation, un cas concret : un problème de qualité qui prenait auparavant 25 à 30 minutes à résoudre a été réduit à environ deux minutes après que l'IA a poussé des instructions adaptées au niveau de compétence sur la tablette de l'opérateur. Ces vingt minutes environ gagnées représentent, en substance, le temps passé à « trouver ce vétéran ».
La conception des IHM évolue, mais pas simplement en « ajoutant de l'IA ». Le système IHM OpView que BW Packaging a présenté à interpack 2026 offre un exemple plus pragmatique : une plateforme d'interface unique couvrant sa sertisseuse Angelus, sa machine d'emballage verticale Hayssen et sa machine d'étiquetage Sleevit, avec une disposition des écrans, une gestion des fichiers et des fonctions de dépannage unifiées. Son directeur de la gestion des produits l'a dit clairement dans une interview : « si le personnel change, vous ne passez pas autant de temps à suivre tout le processus de formation ». Cela met en évidence un principe de conception négligé : la cohérence de l'IHM est en soi un mécanisme de rétention des connaissances. Lorsqu'un opérateur passe d'une ligne à une autre, si la logique de l'interface est la même, le coût d'apprentissage passe de « apprendre une nouvelle machine » à « s'adapter à un nouveau processus ».
Un changement de conception plus profond réside dans la manière dont les défauts sont présentés. Les IHM conventionnelles listent des codes d'erreur et des numéros d'alarme, et leur interprétation nécessite de savoir que « Timeout du capteur de la station 4 » signifie « L'éjection de la station 3 est probablement bloquée ». La tendance dans les IHM plus récentes est d'intégrer cette cartographie causale, remplaçant les codes par un langage sur lequel l'opérateur peut agir directement. Le rapport PMMI note également que l'une des premières applications de l'IA dans l'emballage consiste précisément à « conserver les connaissances institutionnelles des employés qui partent à la retraite » et à « développer des spécifications d'équipement basées sur des projets historiques ». Il ne s'agit pas de remplacer les personnes par l'IA, mais de faire en sorte que l'IA porte l'expérience de jugement qui s'en va avec elles.
Pour les fabricants qui achètent ou modernisent des lignes d'emballage automatiques, une question doit être confirmée au préalable : la cartographie des défauts de l'IHM est-elle basée sur les données d'exploitation réelles de la ligne livrée, ou sur un modèle générique fourni par le fournisseur. Le premier nécessite d'accumuler l'historique des défauts pendant la mise en service, et le devis doit refléter cette phase ; le second est prêt à l'emploi mais peut ne pas refléter les chemins de propagation des défauts spécifiques à votre ligne. Alors que l'expérience des opérateurs se raréfie, le fait que l'IHM porte « les propres connaissances de cette ligne » déterminera la disponibilité réelle de la ligne dans cinq ans plus que le fait qu'elle dispose d'un écran tactile ou prenne en charge l'accès à distance.
Parmi les pressions opérationnelles que PMMI liste dans son rapport 2026 State of the Industry, la « perte de connaissances de la main-d'œuvre » côtoie le vieillissement des équipements et la prolifération des références. Ce classement mérite l'attention des acheteurs de lignes d'emballage : lorsqu'un opérateur qui a passé vingt ans sur une ligne prend sa retraite, il emporte avec lui non seulement des compétences opérationnelles, mais aussi un ensemble de connaissances diagnostiques tacites : quand cette ligne a tendance à mal fonctionner, et où chercher en premier lorsqu'elle le fait. Ces connaissances n'ont jamais été consignées dans un manuel, et pourtant elles déterminent la rapidité avec laquelle une ligne arrêtée redémarre.
Un ensemble de chiffres dans le livre blanc de PMMI illustre l'ampleur du problème : 95 % des utilisateurs finaux ont du mal à trouver des opérateurs et des techniciens qualifiés, et près de 60 % s'attendent à ce que le défi s'intensifie. Dans le secteur de la transformation, un cas concret : un problème de qualité qui prenait auparavant 25 à 30 minutes à résoudre a été réduit à environ deux minutes après que l'IA a poussé des instructions adaptées au niveau de compétence sur la tablette de l'opérateur. Ces vingt minutes environ gagnées représentent, en substance, le temps passé à « trouver ce vétéran ».
La conception des IHM évolue, mais pas simplement en « ajoutant de l'IA ». Le système IHM OpView que BW Packaging a présenté à interpack 2026 offre un exemple plus pragmatique : une plateforme d'interface unique couvrant sa sertisseuse Angelus, sa machine d'emballage verticale Hayssen et sa machine d'étiquetage Sleevit, avec une disposition des écrans, une gestion des fichiers et des fonctions de dépannage unifiées. Son directeur de la gestion des produits l'a dit clairement dans une interview : « si le personnel change, vous ne passez pas autant de temps à suivre tout le processus de formation ». Cela met en évidence un principe de conception négligé : la cohérence de l'IHM est en soi un mécanisme de rétention des connaissances. Lorsqu'un opérateur passe d'une ligne à une autre, si la logique de l'interface est la même, le coût d'apprentissage passe de « apprendre une nouvelle machine » à « s'adapter à un nouveau processus ».
Un changement de conception plus profond réside dans la manière dont les défauts sont présentés. Les IHM conventionnelles listent des codes d'erreur et des numéros d'alarme, et leur interprétation nécessite de savoir que « Timeout du capteur de la station 4 » signifie « L'éjection de la station 3 est probablement bloquée ». La tendance dans les IHM plus récentes est d'intégrer cette cartographie causale, remplaçant les codes par un langage sur lequel l'opérateur peut agir directement. Le rapport PMMI note également que l'une des premières applications de l'IA dans l'emballage consiste précisément à « conserver les connaissances institutionnelles des employés qui partent à la retraite » et à « développer des spécifications d'équipement basées sur des projets historiques ». Il ne s'agit pas de remplacer les personnes par l'IA, mais de faire en sorte que l'IA porte l'expérience de jugement qui s'en va avec elles.
Pour les fabricants qui achètent ou modernisent des lignes d'emballage automatiques, une question doit être confirmée au préalable : la cartographie des défauts de l'IHM est-elle basée sur les données d'exploitation réelles de la ligne livrée, ou sur un modèle générique fourni par le fournisseur. Le premier nécessite d'accumuler l'historique des défauts pendant la mise en service, et le devis doit refléter cette phase ; le second est prêt à l'emploi mais peut ne pas refléter les chemins de propagation des défauts spécifiques à votre ligne. Alors que l'expérience des opérateurs se raréfie, le fait que l'IHM porte « les propres connaissances de cette ligne » déterminera la disponibilité réelle de la ligne dans cinq ans plus que le fait qu'elle dispose d'un écran tactile ou prenne en charge l'accès à distance.