L'IA sur la ligne SMT en 2026 : l'inspection est rentable, les robots incarnés peuvent attendre

Le contrôle par IA des fausses alertes AOI est rentabilisé en quelques mois. Un bras robotisé servant uniquement à retirer les cartes défectueuses ne l'est jamais. Voici ce que j'ai trouvé, avec le rapport complet et les diapositives.

Résumé

On vend aux usines d'électronique deux histoires d'IA à la fois : la vision qui inspecte les cartes, et les bras robotisés qui apprennent. J'ai examiné les deux pour les lignes SMT et PCBA en Chine continentale, à Taïwan, en Asie du Sud-Est et aux États-Unis, en m'appuyant sur des rapports annuels, des normes, des règles d'exportation, des barèmes tarifaires, des benchmarks et des listes de prix jusqu'au 11 novembre 2026. La partie qui fonctionne est étroite. Environ 97 à 99 % des alertes levées par une AOI sont de fausses alertes qu'une personne confirme une à une, et des modèles supervisés entraînés sur les propres images de l'AOI réduisent ce travail de 60 à 90 % selon les fournisseurs ; une grande entreprise EMS fait état d'une réduction de 85 % dans son rapport annuel. À 50 000 RMB par ligne, cela se rentabilise en cinq à huit mois aux États-Unis, à Taïwan et à Shenzhen. Les bras cobots qui chargent et déchargent les postes de test se rentabilisent en un peu plus d'un an. Un bras robotisé ajouté uniquement pour retirer les cartes défectueuses n'est rentable nulle part. Les modèles multimodaux généralistes ne sont pas encore des inspecteurs : aucun des fleurons de 2026 n'a de score publié sur un benchmark de défauts industriels. Ils sont utiles comme professeurs qui pré-étiquettent les données pour de petits modèles locaux. Un déploiement local, déconnecté du réseau, est réalisable. Le marché du rétrofit est réel mais petit : environ 320 millions de RMB en Chine continentale, étalés sur environ cinq ans.

Pourquoi j'ai examiné cela

Cela a commencé par une question d'une petite équipe matérielle que je connais. Ils construisent et assemblent de l'électronique, et ils envisageaient de se lancer dans l'inspection par IA et les bras robotisés pour les usines. Les fournisseurs leur racontaient une histoire, les investisseurs une autre, et chaque démo paraissait bonne. Ils voulaient savoir ce qu'une usine paierait réellement en 2026, ce que coûte l'exploitation dans une usine, et ce qui est encore un projet de recherche.

J'ai passé plus de vingt ans autour des puces, du matériel et des usines qui les fabriquent, alors j'ai proposé de regarder. J'ai lu les rapports annuels et prospectus des entreprises cotées d'AOI, de vision industrielle, de robotique et d'EMS, les normes et règlements pertinents, les classifications de contrôle des exportations et les barèmes tarifaires, les pages de benchmark et les articles, ainsi que les listes de prix publiques. J'ai aussi vérifié une série d'affirmations issues d'entretiens avec l'industrie contre ces sources. Là où la source publique s'arrête, je le dis.

Chaque chiffre ci-dessous date du 11 novembre 2026. Les montants sont en RMB à 6,7188 pour un dollar américain, sauf indication contraire. La plupart des chiffres proviennent du rapport complet, que vous pouvez télécharger à la fin.

Résultats en un coup d'œil

Figure 1. Où l'IA s'insère aujourd'hui dans l'atelier. Plus haut signifie un retour plus rapide pour l'acheteur.

Où sont les personnes sur une ligne SMT

Une ligne SMT en volume est déjà très automatisée. Les cartes passent par l'impression de pâte, l'inspection 3D de la pâte à braser (SPI), le placement, une AOI optionnelle avant refusion, la refusion, l'AOI après refusion, la radiographie (AXI) sur un échantillon quand il y a des BGA, puis le test en circuit et le test fonctionnel, l'inspection visuelle et l'emballage. Le takt est d'environ 13 à 22 secondes par carte, et une ligne compte généralement trois à cinq AOI. Un ODM de portables a budgété 30,6 millions de RMB pour les AOI sur 18 lignes.

Figure 2. Une ligne SMT en volume. Les personnes sont assises derrière les AOI.

Les personnes ne sont pas sur le convoyeur. Elles sont assises derrière les AOI. Une AOI est réglée pour ne jamais rater un défaut, donc elle signale beaucoup trop : dans les cas que j'ai trouvés, environ 97 à 99 % de ses alertes sont de fausses alertes sur des cartes qui sont bonnes. Un contrôleur examine chacune, ce qui prend 42 à 55 secondes. Sur une ligne chargée, cela fait environ 448 fausses alertes par équipe, soit 5,2 à 6,8 heures de l'équipe d'une personne. L'usine dans ce cas employait deux contrôleurs par équipe.

Figure 3. Sur 100 alertes AOI, environ 97 à 99 sont de fausses alertes.

Ce poste de contrôle est l'endroit où l'IA entre, et elle entre de trois façons. Les fabricants d'AOI l'intègrent aux nouvelles machines : Jutze affirme que son AOI 3D IA « supprime le contrôle humain à l'inspection », ViTrox a lancé une AOI IA, et Sinic-Tek en co-développe une avec Tencent. Les plus grandes entreprises EMS construisent la leur. Et des tiers ajoutent un boîtier et un logiciel aux AOI qu'une usine possède déjà.

Ce qui fonctionne : le contrôle par IA sur les propres images de l'AOI

L'approche qui fonctionne n'est pas glamour. Un modèle supervisé, entraîné sur les recadrages que l'AOI enregistre déjà, se place juste après l'AOI et répond OK, NG ou « demandez à une personne ». Les fournisseurs affirment qu'il réduit les fausses alertes ou les heures de contrôle de 60 à 90 %. La meilleure preuve publique que j'ai trouvée figure dans un rapport annuel d'EMS : le système interne de DBG couvre au moins 95 % des pièces que ses AOI signalent, maintient les échappements sous 20 PPM et a réduit le contrôle humain d'au moins 85 %. Si vous voulez vendre à un EMS de premier rang, c'est la barre à laquelle vous serez mesuré.

Deux détails comptent plus que le modèle.

Le premier est l'image. On demande souvent si une bonne caméra et un grand modèle pourraient remplacer l'AOI. Une caméra 4K générale regardant un panneau entier de 300 mm obtient environ 78 µm par pixel ; une AOI travaille à 8–20 µm. À 78 µm, une résistance 0402 fait environ 13 par 6 pixels, assez pour dire si elle est là mais pas si ses soudures sont bonnes, et une 01005 fait environ 5 par 3 pixels, c'est-à-dire invisible. L'IA travaille sur les images de l'AOI. Elle ne remplace pas l'optique.

Le second est ce qui se passe en cas d'échec. Le boîtier doit échouer en mode ouvert : s'il plante ou devient incertain, chaque appel va à une personne et la ligne continue de tourner. Une usine n'acceptera pas un boîtier qui peut arrêter une ligne, et elle ne devrait pas en accepter un qui peut laisser passer silencieusement une mauvaise carte.

Les modèles multimodaux sont des professeurs, pas des inspecteurs

La question évidente en 2026 est de savoir si un modèle multimodal de pointe peut simplement regarder la carte. Pas encore. Au 11 novembre 2026, aucun des fleurons sortis entre septembre et novembre (GPT-6.x, Gemini 4, Claude Fable 5.2, Qwen3.8 et d'autres) n'avait de score publié sur MMAD, MVTec AD 2, VisA, Real-IAD ou UniPCB, les benchmarks qui testent les défauts industriels.

Figure 4. Les scores de détection génériques ont doublé en une génération. Les scores de défauts industriels manquent.

Leurs scores de détection génériques ont effectivement à peu près doublé en une génération, mais tracer un cadre autour d'une personne ou d'une voiture n'est pas la même chose que juger une soudure. Sur MMAD, qui demande « y a-t-il un défaut ? », les experts humains obtiennent 95,2 et le meilleur résultat d'un modèle général que j'ai trouvé est 83,1. Dans le défi PCBA de l'ACM MM 2026, les cinq meilleurs systèmes, dont un réglé sur 6 600 images de ligne réelles, ont obtenu 77–82 sur défectueux-ou-non, même si le comptage de pièces et la lecture d'attributs atteignaient 95–100. La production exige 99 % et plus.

Je les utiliserais donc comme professeurs. Un modèle de pointe pré-étiquette et trie les nouvelles images, pour environ 23 à 196 $ par modèle et par tour. Des personnes tranchent : deux ou trois étiqueteurs travaillent à l'aveugle et un ingénieur senior décide. Les étiquettes vont dans un jeu de référence, et un petit modèle 8 bits est entraîné dessus pour tourner dans le boîtier en ligne. Il tourne en mode fantôme pendant deux à quatre semaines, en enregistrant les décisions mais sans rien changer, et n'entre en production qu'après avoir passé les portes.

Figure 5. Deux pipelines professeur-élève. Pour les bras, les professeurs sont encore des personnes.

La porte est la partie que la plupart des projets sautent, et c'est surtout de l'arithmétique. Pour démontrer un rappel de 99 % à 95 % de confiance avec zéro raté, il faut 299 vrais défauts de cette classe dans le jeu de référence. Pour 95 %, il en faut 59. Pour 99,9 %, il en faut 2 995, ce qu'aucun acheteur ne peut réunir avant un achat. Ma règle : accepter automatiquement les étiquettes du professeur uniquement pour les classes de défauts qui dépassent 299 avec zéro raté, et seulement si le modèle s'accorde avec la vérité terrain au moins aussi bien que deux personnes s'accordent entre elles. Pour toute autre classe, le professeur pré-étiquette et une personne décide.

Pour les bras robotisés, les professeurs sont encore des personnes. Une petite politique apprend de 10 à 300 démonstrations humaines, environ 15 à 70 minutes de pilotage du bras, puis s'améliore avec 1 000 à 3 000 essais sur robot réel, environ 6 à 22 heures-robot. Les modèles de pointe aident hors ligne : ils réécrivent les programmes robot (corrects à 77–99,7 % sur les tâches ABB RAPID, vérifiés en simulation avant déploiement), planifient les changements de série et expliquent les pannes. Ils ne sont pas dans la boucle de contrôle.

L'exploiter dans l'usine

De nombreuses usines d'électronique sont déconnectées du réseau, et les contrats de leurs clients l'exigent souvent. C'est moins problématique qu'il n'y paraît, car la contrainte est le processus, pas le calcul.

Figure 6. Un déploiement déconnecté. Le boîtier en ligne décide ; la salle serveurs répond aux questions.

Une salle SMT ordinaire est une zone protégée contre les décharges électrostatiques, à peu près équivalente à ISO 8, pas une salle blanche classifiée. Un boîtier sans ventilateur, mis à la terre, de moins de 100 W à côté de l'AOI gère les décisions en ligne en 0,5 à 3 secondes par recadrage. Les serveurs GPU ou NPU vont dans la salle serveurs, où ils traitent les questions, l'analyse et le réentraînement pour toute l'usine. Les mises à jour arrivent hors ligne, par approbation et import de supports. Le jeu de référence, les versions de modèles et les empreintes de poids vivent dans un coffre, et les données ne quittent jamais l'usine.

Le matériel que vous pouvez utiliser dépend d'abord de l'endroit où vous êtes. En Chine continentale, seuls les modèles nationaux ou les poids ouverts hébergés localement sont disponibles. Selon les classifications d'exportation de NVIDIA, Jetson Thor et DGX Spark peuvent être vendus à une usine continentale ordinaire sans licence américaine, tandis que DGX Station et la RTX PRO 6000 ne le peuvent pas. Un kit de développement Thor coûte 59 104 RMB en Chine, taxes comprises, et consomme 40 à 130 W. Une grande station de travail n'est pas non plus un bon assistant partagé : dans des tests indépendants, une DGX Station exécutant un modèle de 743 milliards de paramètres donnait à 32 utilisateurs 139 jetons par seconde au total, environ 4 chacun.

Sur la précision, le 8 bits est sûr. Le 4 bits à quantification consciente des fournisseurs convient généralement aux modèles de 70 milliards de paramètres et plus. À 3 bits et en dessous, les scores chutent de 7 à 15 points en moyenne et de 20 à 34 points sur les graphiques. Les plus grands risques sont dans la pile de service. Dans une étude, avec la mise en cache de préfixes activée, 82,5 % des exécutions répétées d'un modèle 4 bits divergeaient, contre 37,4 % en 16 bits. Dans une autre, 7 des 305 balises officielles de modèles de code d'Ollama étaient pratiquement cassées alors que les fichiers étaient intacts, et aucun des 198 dépôts GGUF populaires n'enregistrait comment ses fichiers avaient été construits. Ma règle est simple : réexécuter le jeu de référence après tout changement de précision ou de moteur d'inférence.

Ce que ça coûte, et ce qui se rentabilise

Le cas d'affaires se résume aux salaires. Un travailleur d'inspection ou de manutention à coût complet coûte environ 70 000 $ par an aux États-Unis, 19 600 $ à Taïwan, 12 700 $ à Shenzhen, 9 100 $ en Malaisie et 5 300 $ au Vietnam. Les États-Unis représentent environ 5,5 fois Shenzhen.

Figure 7. Retour par région pour l'acheteur.

À 50 000 RMB par ligne, le contrôle par IA se rentabilise en 0,46 an aux États-Unis, 0,53 à Taïwan et 0,65 à Shenzhen, et en 1,1 à 2,8 ans en Asie du Sud-Est. Une cellule cobot qui charge et décharge un poste de test sur deux équipes, à 200 000 RMB ou 140 000 $, se rentabilise en 1,1 à 1,3 an aux États-Unis, à Taïwan et à Shenzhen. Une nouvelle AOI achetée pour remplacer les contrôles visuels manuels se rentabilise en moins d'un an aux États-Unis mais prend 3,3 ans à Shenzhen.

Ce qui n'est pas rentable, c'est un bras robotisé dont la seule tâche est de retirer les cartes défectueuses d'une ligne SMT. Au-dessus de 90 % de rendement au premier passage, le retrait occupe 2,5 à 100 minutes par équipe, soit 0,003 à 0,14 personne. Un aiguillage NG ou un tampon fait déjà ce travail.

Deux mises en garde sur le prix. Aucun tiers ne publie de prix en RMB pour le contrôle par IA ; les fournisseurs établissent des devis au cas par cas après un essai gratuit. Ma meilleure estimation de ce qu'un acheteur de taille moyenne en Chine continentale paiera à un tiers est de 10 000 à 30 000 RMB par ligne en une fois, ou 5 000 à 10 000 RMB par an, de sorte que les 50 000 RMB du modèle de retour sont une borne supérieure, pas un prix catalogue. Et pour quiconque vend aux États-Unis, l'endroit où le matériel est fabriqué compte : les bras robotisés fabriqués en Chine continentale paient environ 40 % de droits américains combinés, contre 10 à 15 % depuis l'Asie du Sud-Est ou Taïwan.

Un marché réel, mais petit

Les tailles publiées pour l'« inspection visuelle par IA » diffèrent de plus de dix fois, parce que chaque cabinet compte quelque chose de différent, des caméras aux services de test. Aucune n'est utile pour décider s'il faut construire un produit de contrôle. Alors j'ai compté de bas en haut.

Figure 8. Marché ascendant pour le contrôle par IA par des tiers en Chine continentale.

La Chine continentale compte environ 40 000 lignes SMT et environ 44 000 AOI en ligne sans contrôle par IA. Prenez la part sans IA et la part qu'un tiers peut réellement atteindre, et environ 16 000 lignes sont adressables. À 20 000 RMB par ligne, c'est un marché ponctuel d'environ 320 millions de RMB (fourchette 105 à 705 millions). La fenêtre dure environ cinq ans, car les fabricants d'AOI livrent désormais l'IA dans les nouvelles machines et la base installée sans elle diminue de 8 à 12 % par an.

Le créneau est aussi encombré. Les fabricants d'AOI intègrent le contrôle, les plus grandes entreprises EMS construisent le leur, et les fournisseurs de plateformes comme Hikvision et SmartMore vendent de façon agressive. L'un des principaux fournisseurs de vision par IA a déclaré un chiffre d'affaires 2025 de 1,086 milliard de RMB et une perte nette de 991 millions de RMB, après une guerre des prix. Les marges se trouvent dans le matériel produit : les plateformes de vision et les fabricants d'AOI réalisent une marge brute de 46 à 67 %, tandis que les fournisseurs de solutions IA réalisent 35 à 37 % et perdent de l'argent. Les encaissements sont aussi lents. Les conditions habituelles sont 30 % à la signature, 60 % après acceptation et 10 % retenus un an, si bien que le paiement intégral prend deux à trois ans. Les créances s'étendent sur 51 à 99 jours pour les produits standard et 188 à 319 jours pour les équipements sur projet.

L'espace restant est précis : des entreprises EMS de taille moyenne avec 10 à 40 lignes, des AOI anciennes ou de marques mixtes et aucune mise à niveau IA du fabricant d'AOI, plus les inspections que les AOI couvrent mal, comme le brasage traversant et manuel, le vernis de protection, les câbles, les connecteurs et les FPC, ainsi que l'apparence finale et les vis.

Bras robotisés et IA incarnée

Le contrôle robotique appris fonctionne aujourd'hui là où le poste est structuré. Avec des gabarits et une pièce connue, de petites politiques atteignent 90 à 99,4 % de réussite, 10 à 15 % plus lentes qu'une personne. Retirez la structure et les chiffres chutent : 29 à 67 % sur des connecteurs que la politique n'a pas vus, 37 à 59 % pour la préhension sur un convoyeur en mouvement, et 0 à 5,5 % quand un modèle de langage de pointe pilote directement les articulations.

Figure 9. Les élèves robots ne sont proches du niveau de production que lorsque le poste est structuré.

Les déploiements en usine divulguent moins que ne le suggèrent les gros titres. Parmi les déploiements en usine que j'ai suivis, la plupart ne publient que la durée ou le volume d'exécution. Aucun ne publie à la fois le taux de réussite, le takt et le taux d'intervention, et certains des chiffres mis en avant sont des objectifs plutôt que des résultats. Quand je convertis les chiffres publiés en main-d'œuvre réellement remplacée, l'écart est grand : une cellule à bras structurée remplace environ 0,82 travailleur par équipe ; un humanoïde à 40 % de la vitesse humaine, environ 0,26 ; un humanoïde téléopéré 40 % du temps, environ 0,05.

Figure 10. Main-d'œuvre nette remplacée par robot et par équipe.

La pile se stratifie en couches. Les modèles de pointe planifient et écrivent les programmes hors ligne, sur une échelle de secondes à minutes. De petites politiques comme ACT, les politiques de diffusion et de petits VLA tournent dans la cellule avec des blocs d'action de 100 à 300 ms ; d'après les chiffres du fournisseur, une petite politique ACT tourne en environ 50 ms sur une carte edge. Le contrôle de mouvement reste chez le contrôleur du robot à des cadences de millisecondes, et la sécurité reste déterministe. Les normes s'accordent : sous le règlement européen sur les machines, une fonction de sécurité utilisant l'apprentissage automatique nécessite une évaluation par un organisme notifié à partir du 20 janvier 2027, et les normes qui donneraient à l'IA une voie de certification à l'intérieur des fonctions de sécurité ne devraient pas se stabiliser avant 2027–2029.

Pour les deux prochaines années, donc, j'achèterais des bras certifiés, j'y mettrais de la perception apprise et de petites politiques, je garderais la sécurité déterministe, et j'attendrais des données de production de 2027 et 2028 avant de miser sur les humanoïdes.

Ce que je construirais et ne construirais pas

Le fil conducteur est volontairement ennuyeux : choisir une tâche étroite avec un responsable clair, la mesurer sur les propres images de l'usine, et laisser les machines existantes de l'usine continuer à faire ce qu'elles font déjà bien.

Ce que je n'ai pas pu vérifier

Ceci est une recherche documentaire. Je n'ai testé aucun produit sur une ligne. Les chiffres de la base installée et la part des AOI qui font déjà tourner de l'IA sont mes estimations à partir de documents publics et de données de marché, et les chiffres de disposition à payer sont des estimations que seuls de vrais devis peuvent confirmer. Beaucoup de chiffres sur les robots sont des affirmations de fournisseurs, et je les ai marquées comme telles dans le rapport. Les modèles, les prix, les droits de douane et les règles d'exportation changent vite ; chaque chiffre ici date du 11 novembre 2026. Le rapport énumère les questions ouvertes et comment un pilote trancherait chacune d'elles.

Téléchargements

• Rapport complet (PDF) : AI Visual Inspection and Robot Arms in Electronics Factories: 2026 Assessment, édition publique, avec toutes les figures, tableaux et sources.
• Diapositives (PDF) : les mêmes conclusions dans un court jeu de diapositives.

À propos de l'auteur

Tan Shuai est un technologue et fondateur avec plus de vingt ans de travail dans les puces, le matériel et les logiciels système, et 20 brevets délivrés. Son travail l'a mené à travers la Silicon Valley, New York, Chicago, Taïwan, la Grande Baie (Shenzhen et Hong Kong), le Vietnam et la Malaisie, avec un long intérêt pour la fabrication avancée et les chaînes d'approvisionnement. Aujourd'hui, il travaille comme chercheur et développeur en IA, en se concentrant sur la façon dont l'IA est réellement utilisée sur le terrain en usine.

Il accueille volontiers les échanges avec les personnes qui construisent dans ce domaine, qu'il s'agisse de monter une équipe, de chercher un partenaire ou de comparer des notes : i@tanshuai.com.