Dans une entreprise industrielle, les non-conformités sont enregistrées de plusieurs façons: un opérateur remplit un questionnaire Microsoft Forms ou une fiche papier en fin d'équipe, un contrôleur écrit un e-mail à propos d'un lot rejeté, un client envoie une réclamation, un chef d'équipe la note dans le journal d'équipe sur SharePoint, et certaines entrées finissent dans le module qualité de Business Central, d'Odoo ou de Monitor ERP sous forme de commentaire libre. Le responsable qualité rassemble le tout dans un tableau Excel où chacun décrit le problème à sa manière, si bien que la même cause porte cinq noms différents. Le rapport mensuel à la direction demande des jours de préparation, et les actions correctives démarrent alors que le problème a déjà coûté plusieurs lots.
Nous mettons en place ChatGPT via l'API avec un flux Power Automate. Le flux rassemble dans une seule liste SharePoint les fiches de non-conformité issues de Microsoft Forms, des journaux d'équipe SharePoint, d'une boîte e-mail dédiée et, si vous en utilisez un, d'un export du module qualité de l'ERP. Le modèle classe chaque fiche selon votre structure: produit ou famille de produits d'après la liste d'articles de Business Central ou d'Odoo, opération ou poste de travail, catégorie de cause (matière, machine, méthode, main-d'œuvre, mesure), conséquence (reprise, rebut, retard, réclamation client) et gravité. La description libre est conservée, mais des catégories uniformes apparaissent à côté, et les fiches deviennent comparables. Les fiches peu claires sont signalées à l'ingénieur qualité pour clarification. Chaque lundi, le responsable qualité reçoit dans Teams une synthèse: quelles non-conformités reviennent, sur quels produits et quelles opérations, comment la situation a évolué depuis la semaine précédente, avec des liens vers les fiches concernées. Ce sont des personnes qui décident des actions correctives et préventives et les enregistrent dans leur propre système qualité; la solution montre seulement où regarder. Le modèle s'exécute sur la plateforme OpenAI sans entraînement sur vos données, et si les informations produit sont confidentielles, nous déployons la même solution avec un modèle privé dans le cloud GPU de MDP CLOUD en Lituanie (UE).