La réalité augmentée en formation professionnelle souffre d’un paradoxe : la technologie est médiatisée, mais la part des heures de formation délivrées via RA est en baisse, passant d’environ 3 % en 2024 à moins de 1 % l’année suivante. Ce recul ne traduit pas un échec technique. Il révèle un problème d’intégration dans les workflows existants et de ciblage des cas d’usage pertinents.
Captation du savoir tacite par réalité augmentée : le cas AR-COMPASS
La plupart des déploiements de RA en entreprise se limitent à superposer des instructions statiques sur un équipement. Le framework AR-COMPASS, documenté en 2026 dans IEEE Transactions on Engineering Management, change la logique : il ne s’agit plus de projeter un mode opératoire préécrit, mais de capturer le savoir tacite d’un expert pendant qu’il travaille.
Le système enregistre les gestes, les décisions contextuelles, les routines de dépannage et les « astuces » d’un mécanicien expérimenté. Ces données sont ensuite restituées sous forme d’instructions in situ à un opérateur moins qualifié.
Dans l’étude de cas associée, le prototype a produit une réduction de 18,1 % du temps d’exécution et zéro erreur critique au deuxième passage, comparé à un manuel papier. Ce résultat pointe un angle que les dispositifs classiques de formation ne couvrent pas : la formalisation du savoir informel qui disparaît avec le départ d’un technicien senior.
Réalité augmentée et jumeaux numériques en formation industrielle
Nous observons une convergence entre la RA et les jumeaux numériques (digital twins) sur les lignes de production. Le principe : superposer en temps réel les données du jumeau numérique sur l’équipement physique via un casque ou une tablette. L’apprenant visualise les flux thermiques, les contraintes mécaniques ou les seuils d’alerte directement sur la machine.
Cette approche dépasse la simple simulation. Elle relie la formation au comportement réel de l’équipement, avec ses anomalies et ses dérives. Un opérateur formé sur un jumeau numérique statique rate les variations propres à une ligne vieillissante. La superposition RA corrige ce biais.
Conditions techniques pour un déploiement viable
Un overlay RA sur un jumeau numérique exige une synchronisation quasi temps réel entre le modèle de données et le rendu visuel. Trois prérequis techniques conditionnent la réussite :
- Un modèle de données mis à jour avec une latence inférieure à quelques secondes, faute de quoi l’apprenant reçoit des informations obsolètes sur l’état de la machine
- Un réseau local à faible latence (Wi-Fi 6 ou 5G privée) capable de supporter le flux de données entre le serveur du jumeau numérique et le terminal RA
- Un calibrage spatial précis du dispositif RA pour aligner les couches d’information virtuelle sur les composants physiques, avec une marge d’erreur de quelques millimètres sur les pièces critiques
Sans ces conditions, la superposition dérive et l’apprenant perd confiance dans le dispositif. Nous recommandons un audit réseau et un test de calibrage avant tout pilote.
Limites de la RA en formation : pourquoi les heures déployées reculent
Le recul de la part d’heures de formation en RA n’est pas anecdotique. Il signale trois freins structurels que la médiatisation masque.
Le premier est le coût de production du contenu. Un module RA interactif demande un travail de modélisation 3D, de scénarisation contextuelle et de tests terrain qui dépasse largement celui d’un e-learning classique. Le ratio coût/heure de formation reste défavorable pour les sujets à faible criticité.
Le deuxième frein est l’obsolescence rapide des contenus. Sur une ligne de production qui évolue tous les trimestres, un module RA calibré sur un équipement spécifique doit être mis à jour à chaque modification. Sans processus de maintenance du contenu, le module devient inutilisable en quelques mois.
Le troisième est la résistance ergonomique. Porter un casque RA pendant une session de formation longue génère de la fatigue visuelle. Les sessions courtes et ciblées (moins de quinze minutes) fonctionnent. Les parcours longs reproduisant un format e-learning classique échouent.
Cas d’usage rentables pour la formation en réalité augmentée
Tous les sujets de formation ne justifient pas un investissement en RA. Nous identifions trois catégories où le retour est mesurable.
Maintenance sur équipements complexes
C’est le cas d’usage le plus documenté. La RA guide l’opérateur pas à pas sur des procédures de maintenance où l’erreur a un coût élevé (arrêt de production, risque sécurité). Le cas Hindalco, documenté par Simulanis, illustre ce type de déploiement dans l’industrie lourde.
Sécurité et gestes critiques
Les simulations RA de situations dangereuses permettent un entraînement en conditions proches du réel sans exposition au risque. L’apprenant intervient sur l’équipement réel, avec des alertes virtuelles qui signalent les zones de danger ou les erreurs de manipulation en temps réel.
Transmission intergénérationnelle
Quand un expert part à la retraite, son savoir tacite disparaît. Le cadre AR-COMPASS montre qu’il est possible de capturer et rejouer les routines d’un expert sous forme d’instructions contextuelles. Ce cas d’usage justifie l’investissement initial parce que la perte de ce savoir a un coût direct et mesurable.
- Pour la maintenance complexe, la RA réduit les erreurs et le temps d’exécution de manière documentée
- Pour la sécurité, elle offre un entraînement réaliste sans exposition au danger réel
- Pour la transmission de savoir tacite, elle formalise ce qui n’existait que dans la tête d’un technicien
En dehors de ces trois catégories, un e-learning bien conçu ou une formation en situation de travail classique reste souvent plus efficace et moins coûteux. La RA n’a de valeur ajoutée que lorsque le contexte physique est central dans l’apprentissage. Déployer la technologie sur des formations comportementales ou réglementaires revient à utiliser un outil de précision pour un travail qui n’en demande pas.
