Écoutez la version audio de cet article (générée par l'IA).
Le laminoir à bandes à chaud de California Steel Industries à Fontana s'étend sur plus d'un kilomètre de long.
À l'intérieur, d'immenses fours chauffent des brames d'acier à environ 1 260 degrés Celsius. À cette température, l'acier devient suffisamment mou pour être laminé.
Mais il faut d'abord le nettoyer. Le four laisse une épaisse croûte de « calamine » en surface. Si elle n'est pas retirée, elle s'incruste dans l'acier et gâche le fini. Un décalamineuse fissure et décolle cette croûte. Puis des jets d'eau à haute pression l'éliminent.
Ensuite, la brame d'acier passe à travers cinq cages dégrossisseuses qui la compriment, faisant passer son épaisseur de 18 à 23 cm à seulement 1,37 mm — soit à peu près l'épaisseur d'une carte de crédit. Une cisaille à chutes rogne les extrémités irrégulières avant que l'acier ne passe à la finition. Six cages de finition supplémentaires le laminent ensuite à son épaisseur et à sa qualité de surface définitives.
À ce stade, l'acier se déplace à environ 56 km/h.
C'est trop rapide pour détecter les défauts à l'œil nu. Pour les panneaux automobiles et les appareils électroménagers, la surface doit être parfaite — les défauts transparaissent directement sous la peinture.
La bande finie s'enroule en bobine. Certaines pèsent jusqu'à 25 tonnes. L'ensemble du processus dure environ cinq heures. À pleine capacité, le laminoir fonctionne 24 heures sur 24 et produit 2 millions de tonnes d'acier par an.
Mais au moins, l'acier est visible.
Dans les usines de fabrication de semiconducteurs les plus avancées d'aujourd'hui, les défauts qui comptent sont invisibles à l'œil humain.
Et les conséquences de les manquer sont tout aussi graves.
Un seul défaut de semiconducteur peut coûter 25 000 $ — et les inspecteurs humains ne peuvent pas l'empêcher
Dans la fabrication de semiconducteurs, tout commence par une plaquette — un disque fin et poli découpé dans du silicium pur, d'environ 30 cm de diamètre. Ces plaquettes doivent être parfaites. Même une égratignure microscopique ou un contaminant peut créer des défauts sur des centaines de puces.
La première étape est l'impression des circuits par lithographie ultraviolette extrême. Ce procédé projette des motifs de circuits à l'aide d'une lumière dont la longueur d'onde est inférieure à toute couleur visible. Une seule puce finie peut nécessiter 20 à 30 passages à cette seule étape.
Les masques spécialisés utilisés dans ce procédé — une sorte de pochoir tridimensionnel — doivent également être parfaits. Un seul défaut gâche chaque puce que ce masque touche. Et ces masques peuvent coûter jusqu'à 1 million de dollars pièce.
Après chaque passage, la plaquette subit une gravure, un dépôt et un traitement chimique pour construire les couches de transistors. Puis le cycle recommence. Les puces les plus complexes d'aujourd'hui passent par 1 500 à 2 000 étapes individuelles avant de devenir fonctionnelles. Chaque étape est un point de défaillance potentiel. Une seule particule de poussière peut ruiner une plaquette entière.
Une seule plaquette pour les semiconducteurs les plus avancés peut coûter entre 20 000 $ et 25 000 $. Chaque plaquette contient des centaines de puces. Une plaquette défectueuse détruit des centaines de produits à la fois. Et les fabs où tout cela se passe coûtent entre 15 et 20 milliards de dollars à construire.
Les fabs doivent réduire ces pertes autant que possible. Et les inspecteurs humains sont tout simplement incapables d'assumer cette tâche.
À 56 km/h, l'acier se déplace trop vite pour être vu. Dans une fab de semiconducteurs, les défauts sont trop petits pour être vus. Dans les deux cas, les enjeux sont trop élevés pour ne rien manquer.
L'IA améliore le contrôle qualité
C'est l'un des domaines où l'IA ne fait pas que aider. C'est la seule solution qui fonctionne réellement.
Le « deep learning » et l'« edge learning » de l'IA portent le contrôle des défauts à un niveau inégalable par l'homme. Le deep learning fonctionne en analysant des centaines d'images d'exemple jusqu'à ce que le système apprenne à prendre des décisions de lui-même — sans programmeur requis à chaque étape.
L'edge learning va plus loin. Ces systèmes sont préentraînés et peuvent nécessiter aussi peu que cinq à dix images pour démarrer. Ils se déploient en quelques minutes.
Les résultats sont mesurables.
Chez BMW, les systèmes de vision pilotés par l'IA ont réduit les taux de défauts de 30 % dans une usine européenne en l'espace d'un an. La satisfaction client a bondi de 15 % après le déploiement. Chez Foxconn, les caméras pilotées par l'IA détectent désormais les défauts avec une précision de 98 %, signalent 80 % de fausses alertes en moins et inspectent chaque unité 60 % plus rapidement qu'auparavant.
Ce ne sont pas des projets pilotes. Ce sont des systèmes de production fonctionnant à grande échelle, dans certains des environnements de fabrication les plus exigeants au monde.
C'est ce que je veux dire quand je dis que la vraie histoire de l'IA n'est pas celle qui retient le plus l'attention.
Tout le monde surveille les grands noms de l'infrastructure — les fabricants de puces, les fournisseurs de cloud computing, les plateformes de chatbots. Et oui, ceux-là sont importants. Mais une histoire parallèle se déroule sur le sol des usines, dans les champs pétrolifères et dans les fabs de semiconducteurs.
L'IA résout des problèmes qui n'étaient pas solubles auparavant. Et les entreprises qui fournissent ces solutions deviennent plus compétitives, plus rentables et plus précieuses — discrètement, sans grand tapage.
C'est exactement le type d'opportunité que j'ai passé ma carrière à rechercher.
Identifier la prochaine génération de gagnants avant que le marché ne s'en aperçoive
Le défi, bien sûr, est d'identifier quelles entreprises gagnent réellement — pas seulement celles qui prétendent utiliser l'IA, mais celles qui l'utilisent de manière à se refléter dans les fondamentaux.
C'est un problème sur lequel Marc Chaikin travaille depuis toute sa carrière. Son système de notation Power Gauge a été conçu pour faire le tri dans le bruit ambiant et trouver des actions avec un véritable élan derrière elles. Il le fait depuis des décennies.
Mais le 24 juin, Marc et moi allons un pas plus loin. Nous dévoilons le premier produit piloté par l'IA jamais développé par Chaikin Analytics — et il est différent de tout ce que nous avons montré au public jusqu'à présent.
Nous l'appelons la Time Machine. Elle analyse des décennies d'historique de marché pour trouver aujourd'hui des actions dont les empreintes fondamentales et techniques correspondent aux profils précoces d'actions telles que Nvidia Corp. (NVDA), Amazon.com Inc. (AMZN) et Meta Platforms Inc. (META) — juste avant leurs plus grands mouvements. Lors des backtests, elle a mis en évidence des actions qui ont ensuite livré des gains de 995 %, 1 406 % et 3 804 %, tandis que les actions « source » auxquelles elles avaient été comparées affichaient des rendements bien plus modestes.
L'histoire de l'IA sur le sol des usines est un exemple du type d'opportunités que la Time Machine est conçue pour mettre en lumière. Des entreprises qui résolvent de vrais problèmes industriels grâce à l'IA — avant que le marché ne s'en aperçoive.
C'est la première fois que nous mettons quelque chose de ce genre à la disposition des investisseurs individuels. L'adhésion fondatrice est limitée, et cette offre ne sera pas répétée une fois le dévoilement du 24 juin passé.
La première étape est simple : Réservez votre place pour notre événement gratuit.
Les personnes qui s'inscrivent obtiennent dès maintenant un accès bêta anticipé à la Time Machine — sans achat requis. Vous pouvez saisir n'importe quel ticker et voir comment il se compare aux plus grands gagnants de l'histoire boursière, avant le lancement officiel.
Sécurisez votre place ici.
