Le jidoka des agents IA : un assistant qui s'arrête et dit ce qui manque

Le jidoka est l'un des deux piliers du système de production Toyota (TPS), avec le juste-à-temps. Il trouve son origine dans le métier à tisser automatique de Sakichi Toyoda, qui s'arrêtait de lui-même quand un fil cassait au lieu de tisser une étoffe défectueuse. Le principe qui en découle : une machine ou une ligne s'arrête à la première anomalie et la rend visible, pour qu'une personne en corrige la cause et qu'aucun défaut ne passe à l'étape suivante.

On le traduit par autonomation, ou « automatisation à visage humain ». L'automatisation fait le travail répétitif ; l'arrêt protège la qualité ; la personne apporte le jugement que la machine n'a pas.

Un modèle de langage ne s'arrête pas de lui-même : quand on lui demande une réponse, il donne la plus plausible, même quand les données nécessaires manquent. Tyson Heaton et Art Smalley (Lean Enterprise Institute, juillet 2026) le disent sans détour : un modèle vous livrera une cause racine, avec assurance et sans données, et proposera même une contre-mesure avant que le vrai problème soit clair. Art Smalley (février 2026) cite l'exemple d'une analyse des causes erronée mais présentée avec assurance, parce qu'elle ignore une contrainte physique essentielle.

Dans un système lean, ce comportement est un défaut transmis à l'étape suivante. Une contre-mesure bâtie sur une cause inventée, une cible fixée par l'assistant, un support de revue qui masque un mois vide : chacun fait suivre l'anomalie au lieu de l'arrêter.

Toyota trace la même limite. Art Smalley rapporte que Toyota a explicitement ancré son Global AI Accelerator dans le jidoka, l'automatisation à visage humain, et Tom Peperkamp (Lean Enterprise Institute, février 2026) appelle à faire de l'IA un outil d'autonomation plutôt que de production de volume sans discernement.

Une anomalie, pour un agent IA, est toute situation où continuer ferait passer un défaut ou une décision à l'étape suivante. Bertrand Duperrin (octobre 2026) énumère les conditions qui doivent interrompre l'action d'un agent : « un niveau d'incertitude trop important, des informations contradictoires, une opération difficilement réversible », une situation hors du périmètre prévu, ou des conséquences qui dépassent ce que l'agent peut décider. En termes lean :

• Une donnée manquante : une cellule vide, un mois sans mesure, une observation non faite. Elle est manquante, pas nulle.
• Des données contradictoires : deux valeurs pour le même indicateur, une cible incohérente avec la situation actuelle.
• Une affirmation sans preuve : une cause racine, un lien entre un chantier et un objectif, un effet de contre-mesure que rien dans les données ne soutient.
• Une décision qui revient à une personne : fixer une cible, choisir une contre-mesure, lever un confinement, clore un A3 ou un 8D.
• Une opération difficilement réversible, ou une demande hors du périmètre de l'agent : supprimer des données, écrire dans un système qu'il ne doit que lire.

Un humain dans la boucle ne suffit pas à lui seul. Duperrin le dit nettement : « Mettre un humain quelque part dans une chaîne de décision ne garantit pas qu'il exerce un jugement », car il peut se borner à valider mécaniquement ce que propose la machine. Il cite une expérience où des recommandations volontairement erronées produites par une IA ont dégradé le travail de radiologues, les moins expérimentés surtout.

Le jidoka fonctionne à l'inverse. La machine ne demande pas à une personne de tout revérifier ; elle s'arrête à l'anomalie et la rend visible, pour que l'attention aille là où elle est utile. Pour un agent IA, cela veut dire faire remonter le problème avec son contexte : ce qui était attendu, ce qui manque ou se contredit, ce que l'agent n'a pas fait, et la question à laquelle la personne doit répondre. Un agent qui fait tout remonter est aussi inutile qu'un agent qui ne fait rien remonter.

Le jidoka dans un prompt, ce sont des règles d'arrêt explicites. Celles de nos prompts lean : traiter les cellules vides comme manquantes, pas comme des zéros, et les lister ; quand le contexte ne dit pas quelque chose, poser la question au lieu de l'écrire ; n'utiliser que ce que le classeur enregistre et ne jamais déduire un lien des mots employés ; quand une cause manque d'un côté d'une analyse 8D, dire qu'elle manque et ne pas en fournir ; laisser les cibles, les contre-mesures et la clôture à l'équipe ; et, dans les prompts A3, terminer par ce qu'il faut aller vérifier sur le terrain.

Le Lean Enterprise Institute recommande le même type de garde-fous dans son article de juillet 2026 sur l'écriture de prompts ; notre article sur l'IA et les compétences de résolution de problèmes les détaille. Un prompt sans règles d'arrêt demande à l'assistant de laisser tourner la ligne quoi qu'il arrive.

Dans le système de production Toyota, un arrêt est le début de la résolution de problème, pas sa fin. Chaque fois qu'un assistant s'arrête sur une donnée manquante ou une affirmation sans preuve, le standard peut s'améliorer : collecter la donnée, préciser le prompt, ou changer le processus qui a produit le manque. Duperrin le formule ainsi : « Le feedback n'est pas l'apprentissage et il n'y a apprentissage que lorsque le feedback modifie une capacité future. »

À l'échelle d'une stratégie, l'équivalent de l'andon est une matrice qui montre ses propres manques. Dans hoshin.app, le score de complétude signale les chantiers orphelins et les chaînes rompues entre la vision et les indicateurs, et un agent IA qui lit la X-Matrix en MCP peut recevoir ces manques au lieu de raisonner sur une matrice qui les cache.