Transition numérique

IA et filière bois :
ce que les données
disent vraiment

De la sylviculture aux bureaux d’études, la filière bois française n’est pas un bloc homogène face à l’IA. Une grille d’analyse rigoureuse — croisant recherche académique et données de terrain — permet enfin de distinguer ce qui est vraiment transformé de ce qui reste protégé.

Kosmio × Xylofutur Avril 2026 15 min de lecture 20 sources citées

Capacité théorique vs exposition observée : une distinction décisive

La filière bois française emploie près de 500 000 personnes. Depuis deux ans, le mot « intelligence artificielle » la traverse avec les mêmes effets que partout ailleurs : fascination mêlée d’inquiétude, usages pionniers dans quelques entreprises, et majorité des acteurs dans l’expectative. Le rapport sénatorial « Une filière qui sort du bois » (juillet 2025) évalue à 8,5 milliards d’euros le déficit commercial français sur les produits bois — un dixième du déficit total — alors que la forêt couvre un tiers du territoire^[1]. La modernisation n’est pas une option : c’est une nécessité compétitive.

Depuis le travail fondateur d’Eloundou et al. (2023)^[2], nous disposons d’un score β mesurant la probabilité qu’un LLM puisse réaliser une tâche professionnelle deux fois plus vite. Selon ce critère, environ 80 % des travailleurs verraient au moins 10 % de leurs tâches affectées. Chiffre souvent cité hors contexte — car il ne mesure que ce que l’IA pourrait faire, pas ce qu’elle fait.

L’étude économique d’Anthropic (mars 2026)^[3] franchit un pas décisif en croisant données d’utilisation réelle de Claude avec la base O*NET. Résultat : l’adoption observée est en moyenne 3,5 fois inférieure à la capacité théorique. Barrières légales, résistances organisationnelles, manque de formation, spécificités métier : la technologie est prête, les organisations ne le sont pas encore. Ce constat est particulièrement aigu dans une filière constituée à 95 % de TPE-PME.

3,5×

Ecart moyen
théorie / usage réel
Anthropic 2026

10%

Entreprises françaises
utilisant l’IA en 2024
vs 13% UE (INSEE)

8,5Md

Déficit commercial
bois France (EUR)
Sénat 2025

« Seulement 9 % des entreprises françaises de moins de 50 salariés utilisent l’IA en 2024 — très en dessous du Danemark (28 %) ou de la Belgique (25 %). »

INSEE, Enquête TIC Entreprises 2024

Ghobakhloo et al. (2021)^[4], dans leur analyse de 219 citations sur la transformation Industrie 4.0 des PME manufacturières, montrent que onze facteurs conditionnent le succès de la transition — dont la maturité technologique, le management du changement et le soutien externe. Ce dernier facteur est le premier à mettre en place, avant même la technologie elle-même.

Deux niveaux d’analyse : fonctions transversales et segments d’activité

L’erreur la plus fréquente dans les analyses sectorielles consiste à mélanger deux logiques d’exposition fondamentalement distinctes. Un segment d’activité — scierie, charpente, négoce — désigne ce que fait l’entreprise sur la chaîne de valeur. Une fonction transversale — comptabilité, commercial, bureau d’études — désigne les métiers présents dans toutes les entreprises de la filière, quel que soit leur segment.

Une scierie de 40 personnes a peut-être 2 ou 3 gestionnaires très exposés, et 37 opérateurs quasiment hors de portée des LLM. Son score segment sera faible — mais ses fonctions support sont aussi vulnérables qu’un cabinet comptable. Deux graphes séparés permettent de lire les deux dynamiques sans les contaminer.

Figure 1 — Fonctions transversales

Capacité théorique et exposition observée pour les métiers-support

Métiers présents dans toutes les entreprises de la filière • Adapté de Massenkoff & McCrory (2026) et Eloundou et al. (2023)

Capacité théorique β — tâches faisables par LLM

Exposition observée — usage IA réel estimé

Lecture : Zone verte = capacité théorique β (Eloundou et al. 2023). Zone or = exposition observée estimée, pondérée usage automatisé vs augmentatif (Anthropic Economic Index). L’écart entre les deux zones est le gisement de transformation non activé.

Figure 2 — Segments d’activité

Score IA pondéré par le mix de postes dans chaque segment de la filière

Score naturellement bas là où le travail physique domine • Asymmétrie = signature de la filière bois

Capacité théorique β (segment complet)

Exposition observée (segment complet)

Note : Le score d’un segment est la moyenne pondérée de l’exposition de tous ses postes (opérationnels + fonctions support), proportionnellement au temps de travail. Un segment à 90 % de postes physiques aura nécessairement un score global faible même si ses gestionnaires sont très exposés.

La comparaison est éclairante. La Figure 1 présente une forme relativement équilibrée — toutes les fonctions ont un score théorique élevé (70-90 %) parce qu’elles sont par définition cognitives. La Figure 2 est radicalement différente : deux sommets (Ingénierie/MOE et Négoce), un large creux pour tous les segments en amont. Cette asymmétrie est la vraie signature de la filière bois.

Scieries et transformation : l’Industrie 4.0 avant les LLM

Avant de parler de LLM, il faut rappeler que l’automatisation industrielle est déjà très avancée dans les scieries les plus compétitives. Holzinger et al. (2022)^[5] qualifient cette vague de « transformation digitale des opérations forestières » appelée à devenir « irremplacable pour sécuriser notre planète » (109 citations, Sensors).

L’exemple le plus abouti en France est la plateforme Osia de Finega, deployée dans la scierie Aprobois à Carhaix (Bretagne)^[6]. La plateforme enregistre 5 000 données par minute, synchronise une caméra d’analyse a posteriori des pertes de productivité, et modélise les populations de grumes pour simuler les décisions de débit. Investissement : 3 à 4 M€ par site.

Sur le plan académique, Morin et al. (2020)^[7] ont démontré dans le Journal of Production Economics (30 citations) comment le ML génère des modèles de scierie capables de recommander l’allocation optimale des grumes — « envoyer le bon bois au bon moulin ». Munis et al. (2022)^[8] ont mesuré sur 144 973 enregistrements brasíliens que des algorithmes ensemblistes prédisent la productivité des têtes d’abattage avec un R² = 0,98.

Signal terrain — LIGNA 2025 · Hanovre

« L’IA dans le travail du bois n’est plus un concept futuriste, mais une réalité. Les entreprises l’intègrent à différentes étapes de la production. L’IA ne remplace pas les travailleurs humains, mais renforce leurs capacités — la synergie entre créativité humaine et précision de l’IA stimule l’innovation. »^[9]

BIM, IA et ingénierie bois : les cas d’usage concrets

Une revue systématique publiée dans Archives of Computational Methods in Engineering (246 citations)^[10] identifie six domaines de transformation BIM+IA dans la chaîne AEC. Lobos Calquín et al. (2024)^[11] établissent spécifiquement pour le bois que ces outils ont été principalement utilisés en académie — laissant aux entreprises ambitieuses une fenêtre d’avance. Girmay (2025)^[12] montre que XGBoost prédit la densité du bois avec R² = 89 % contre 33 % pour les méthodes conventionnelles.

Ingenierie & MOE bois

Calcul structure assisté par LLM

Génération de notes de calcul, vérification Eurocodes, optimisation de sections — gain 30-50 % sur certaines phases.

Ingenierie & MOE bois

Génération CCTP & spécifications

Transformation d’un modèle BIM en document de marché structuré : descriptifs lots bois, fiches techniques, exigences RE2020.

Scierie & 1re transfo

Tri automatique et détection défauts

IA de vision pour détection de nœuds, fentes et poches de résine. Réduction des chutes de 8 à 15 %.

2e transformation

Planification de production

Modèles ML intégrant volume de grumes, essence, météo et expérience opérateur (R² = 0,98, Munis et al. 2022).

Negoce & distribution

Génération de devis automatisée

LLM connecté au catalogue produit : devis en langage naturel, réponse technique, suivi commandes. Gain : 2-4h/sem par commercial.

Negoce & distribution

Prédiction ruptures de stock

Analyse tendances de commande, délais fournisseurs et météo pour anticiper les ruptures de bois d’œuvre.

Toutes entreprises

Documentation qualité & traçabilité

Génération auto de fiches PEFC/FSC, rapports de non-conformité depuis les données de production. Critique pour marchés publics bois.

Toutes entreprises

Veille réglementaire automatisée

Synthèse évolutions RE2020, Règlement anti-déforestation EUDR, taxonomie verte — alertes sur impacts pour offres en cours.

Le signal discret sur les jeunes entrants

L’étude Anthropic (2026) pointe un signal préoccupant : le taux de recrutement des 22-25 ans dans les métiers les plus exposés à l’IA a diminué d’environ 14 % depuis le lancement de ChatGPT fin 2022. L’effet ne se traduit pas encore par une hausse du chômage — mais par un ralentissement de l’embauche de débutants dans les fonctions cognitives.

La recherche académique nuance ce tableau. Chen et al. (2025)^[16] trouvent, dans une analyse Diff-in-Diff, que les travailleurs dans les professions les plus exposées ont vu leurs salaires augmenter post-ChatGPT, sans effet détectable sur le chômage. Sharfaei et al. (2026)^[17] concluent que « les inquiétudes sur les destructions massives d’emplois liées à l’IA ne sont pas soutenues par les preuves empiriques ».

Pour la filière bois, les postes concernés sont : assistant(e) commercial(e), gestionnaire de commandes, chargé(e) de formation, assistant(e) qualité — les emplois d’entrée par lesquels les nouvelles générations accèdent traditionnellement à ces métiers.

« Le risque n’est pas que les seniors soient licenciés. C’est que les juniors ne soient plus recrutés pour apprendre ce que les seniors ne feront plus faire. Une désintérmédiation silencieuse de l’apprentissage. »

Analyse Kosmio, d’après Brynjolfsson et al. (2025) & Anthropic Economic Index

L’étude du secteur bois slovène (Kropišek et al., 2020)^[15], comparable à la France par sa structure PME, est éclairante : parmi les obstacles à l’Industrie 4.0, le manque de compétences numériques, particulièrement chez les travailleurs plus âgés, arrive en deuxième position après les contraintes d’investissement. Or si les postes juniors — qui transmettent naturellement la culture numérique — ralentissent, ce frein structurel risque de s’aggraver.

Combien votre entreprise va investir dans l’IA — et ce qu’elle peut en attendre

Pour un dirigeant de la filière bois, la question n’est plus « est-ce que l’IA va arriver chez moi ? » mais « combien je vais devoir y mettre, et quand est-ce que ça me rapporte ? ». L’audition d’Arthur Mensch (Mistral AI) devant l’Assemblée nationale en mai 2026^[19] donne un point d’ancrage chiffré : à terme, le coût d’un assistant IA permanent par salarié se stabiliserait autour de 10 000 €/an, soit environ 10 % de la masse salariale. C’est un plafond théorique à 3-4 ans, pas un objectif immédiat.

Appliqué aux trois profils typiques de la filière bois — TPE de menuiserie, PME de négoce ou de charpente, ETI industrielle — ce repère permet de provisionner concrètement le budget IA et, surtout, d’identifier la part réellement activable à court terme dans une organisation encore peu structurée numériquement^[18].

50 k€/an

TPE 5 salariés
cible à 3-4 ans
court terme : 3-8 k€

250 k€/an

PME 25 salariés
cible à 3-4 ans
court terme : 12-40 k€

1,5 M€/an

ETI 150 salariés
cible à 3-4 ans
court terme : 75-225 k€

« Notre consommation d’IA pour nos employés, c’est 10 % de notre masse salariale. Si on extrapole, dans trois ou quatre ans, 10 % de la masse salariale de l’Europe, c’est environ mille milliards d’euros. »

Arthur Mensch, cofondateur Mistral AI — Audition Assemblée nationale, mai 2026

Côté retour, les gains observés sur les cas d’usage de la filière sont mesurables. L’étude de référence de Brynjolfsson, Li & Raymond (2023)^[20] mesure un gain de productivité moyen de 14 % sur les fonctions support augmentées par l’IA, montant à 35 % pour les profils juniors. Sur le terrain, en forêt-bois :

• Devis (négoce, charpente, menuiserie) : 2 à 4 h/semaine/commercial libérées, soit ~5-10 k€/an de temps récupéré par commercial.
• Réponse à CCTP et appels d’offres (BE, MOE bois) : 30 à 50 % de temps gagné sur la phase rédactionnelle, soit 15-30 k€/an par chargé(e) d’affaires.
• Documentation qualité et conformité (PEFC/FSC, RDUE/EUDR, RE2020) : temps récupéré sur tâches répétitives et risque de non-conformité fortement réduit.
• Veille réglementaire : l’équivalent d’un jour/mois récupéré par dirigeant sur les sujets sensibles (RE2020, EUDR, taxonomie).

Le calcul utile pour votre Codir

Sur les cas d’usage simples — devis, documentation qualité, veille, génération de CCTP — le ROI typique observé en année 1 est de 2× à 5× l’investissement. Une PME de 25 salariés qui investit 30 k€ sur 12 mois peut raisonnablement viser 60 à 150 k€ de valeur créée : temps libéré, devis additionnels gagnés, conformité sécurisée. À deux conditions : cibler un cas d’usage et un seul à la fois, et mesurer dès le premier mois.

La lecture financière est donc simple : l’IA n’est ni une dépense d’innovation (« on en reparle dans deux ans ») ni une révolution à conduire en bloc. C’est une ligne budgétaire qui va passer de 0 % à environ 10 % de votre masse salariale en trois à quatre ans, et qui rapporte si elle est bien ciblée. La vraie question n’est pas si, mais quand vous commencez à provisionner — et quel cas d’usage vous testez en premier.

Ce que les acteurs de la filière doivent faire maintenant

Hansen et al. (2024)^[14] proposent une approche en « scaffolding » : accompagner d’abord la compréhension des concepts avant de vouloir déployer les outils. C’est précisément le rôle que les organisations professionnelles de la filière bois — France Bois Régions, FCBA, interprofessions — doivent jouer en priorité.

Cartographier vos métiers sur les deux niveaux Avant tout investissement, identifier où se situent vos postes — fonctions support et segment d’activité. Un autodiagnostic de 2h avec les responsables de pôle suffit pour prioriser. C’est le socle de tout plan IA crédible.
Attaquer en premier les fonctions transversales Commerce, qualité, administration : présentes dans toutes vos entreprises, écart théorie/pratique maximal. Un pilote de 6 semaines sur la génération de devis ou la documentation qualité génère un ROI mesurable et crée la culture interne.
Structurer les données avant les outils L’IA est aussi performante que les données qu’on lui fournit. Structurer catalogue produits, données clients et process en amont — c’est un investissement infrastructure qui conditionne le ROI de tout ce qui suit.
Enrichir les parcours juniors en conséquence Si les tâches d’apprentissage élémentaires sont absorbées par l’IA, reconstruire les postes juniors avec des missions plus complexes dès l’entrée : analyse, conception, relation client. Ne pas réduire les effectifs, mais élever le niveau.
Mutualiser via les communs sectoriels Les PME bois ne peuvent pas développer seules des outils IA sectoriels pertinents. Bases de données produits communes, référentiels traçabilité PEFC/FSC partagés, modules de formation IA pour la filière — la mutualisation est le levier des TPE-PME.

Conclusion

La forêt n’a pas peur de l’IA.
Mais elle doit la comprendre.

La filière bois n’est pas un secteur à risque élevé de disruption globale par les LLM. La dominante physique de la majorité de ses métiers — de la forêt à la charpente — constitue une protection naturelle que peu d’industries peuvent revendiquer.

Mais la filière abrite aussi des fonctions cognitives — bureau d’études, gestion, commerce, qualité — qui sont, elles, pleinement dans la trajectoire de transformation. Ces fonctions portent la coordination, la valeur ajoutée immatérielle, la compétitivité.

L’écart entre capacité théorique et exposition observée — le 3,5× que l’étude Anthropic met en évidence — n’est pas une mauvaise nouvelle. C’est une carte. Et une carte, ça sert à choisir son chemin avant que les autres l’aient déjà pris.

Références

Loisier, A.-C., Mérillou, S. (2025). Une filière qui sort du bois. Rapport Sénat n° 847. senat.fr
Eloundou, T. et al. (2023). GPTs are GPTs: An Early Look at the Labor Market Impact Potential of Large Language Models. arXiv:2303.10130 — 481 citations.
Massenkoff, M., McCrory, P. (2026). Labor market impacts of AI: A new measure and early evidence. Anthropic Economic Research
Ghobakhloo, M., Iranmanesh, M. (2021). Digital transformation success under Industry 4.0: a strategic guideline for manufacturing SMEs. Journal of Manufacturing Technology Management — 219 citations.
Holzinger, A. et al. (2022). Digital Transformation in Smart Farm and Forest Operations Needs Human-Centered AI. Sensors, 22(8) — 109 citations.
FNB / Forestopic (2023). La filière bois a rendez-vous avec l’industrie 4.0. forestopic.com
Morin, M. et al. (2020). Machine learning-based models of sawmills for better wood allocation planning. International Journal of Production Economics — 30 citations.
Munis, R.A. et al. (2022). Machine Learning Methods to Estimate Productivity of Harvesters. Forests, 13(7) — 17 citations.
Architecture Bois & Wood&Panel Europe (2025). IA, automatisation et robotique : la construction bois augmentée. architecturebois.fr
Pan, Y., Zhang, L. (2022). Integrating BIM and AI for Smart Construction Management. Archives of Computational Methods in Engineering — 246 citations.
Lobos Calquín, D. et al. (2024). Implementation of BIM Technologies in Wood Construction. Buildings, 14
Girmay, M.A. (2025). Revolutionizing timber structures: AI-driven structural design. i-manager's Journal on Structural Engineering
INSEE (2025). Les TIC dans les entreprises en 2024. INSEE Première n° 2061
Hansen, A.K. et al. (2024). Technology isn’t enough for Industry 4.0: on SMEs and hindrances to digital transformation. International Journal of Production Research — 33 citations.
Kropišek, J. et al. (2020). Digital Development of Slovenian Wood Industry. Drvna industrija, 71(4)
Chen, D. et al. (2025). The (Short-Term) Effects of Large Language Models on Unemployment and Earnings. arXiv
Sharfaei, S. et al. (2026). Automation as an Equalizer: How Easy-to-Use Technologies Narrow Skill Gaps. Journal of Economic Surveys
Fibois France & Veille Économique Mutualisée (VEM-FB). Chiffres clés de la filière forêt-bois : ~60 000 entreprises, ~400 000 emplois directs, 53 Md€ de chiffre d’affaires, 24,7 Md€ de valeur ajoutée (1,1 % du PIB). fibois-france.fr · vem-fb.fr. Masse salariale brute estimée Kosmio entre 6,3 Md€ (périmètre INSEE restreint) et 13,3 Md€ (périmètre filière élargi).
Mensch, A. (Mistral AI). Audition devant la commission d’enquête de l’Assemblée nationale sur les dépendances structurelles et vulnérabilités systémiques du numérique, mai 2026. Vidéo intégrale : youtube.com · Compte rendu : LCP — Assemblée nationale. Citation clé : « 10 % de la masse salariale » pour l’assistant IA permanent (~10 000 €/employé/an).
Brynjolfsson, E., Li, D., Raymond, L. (2023). Generative AI at Work. NBER Working Paper No. 31161 — Gain moyen de productivité de 14 % mesuré sur 5 179 agents de support client, montant à 35 % pour les profils juniors / les moins expérimentés.

Bonus dirigeant

La checklist + le résumé exécutif en PDF

10 questions à poser à votre Codir, le plan d'action semaine par semaine, et les chiffres clés de l'étude. Un document conçu pour être imprimé et annoté.

Télécharger le PDF → En discuter 30 min (gratuit)