Moins calculer, mieux chercher : L’Intelligence Artificielle Générative au service de la céramique

Découvrir un nouvel émail, ajuster une formule, explorer un diagramme ou comprendre pourquoi une
simple variation de silice transforme totalement une surface… Tout cela demande du temps, de la
méthode et souvent une bonne dose de patience.

Pendant des décennies, nous avons calculé de tête et à l’aide d’une machine à calculer, comme l’a toujours
fait Daniel de Montmollin selon la méthode qu’il expose dans son livre La pratique des émaux de grès. Une
manière d’apprendre magnifique, rigoureuse, profondément artisanale.

Alors, que vient faire une IA générative dans cette histoire ?

La plupart d’entre nous pourrait penser : « Encore un outil numérique de plus dont je n’ai pas besoin », ou «
La céramique, c’est du geste, pas des algorithmes », ou même « Je préfère faire mes calculs moi-même, c’est
important pour comprendre ».

Et pourtant.

Lorsque l’IA ne remplace pas le savoir-faire, mais qu’elle accompagne nos recherches d’émaux — qu’elle
nous aide à vérifier une formule, à situer un point dans un diagramme, à éviter une erreur de conversion
ou à générer en quelques secondes une série complète de variations Alumine/silice — quelque chose
d’intéressant se passe.
Non pas une « automatisation » de notre métier, mais une amplification :
➜ moins de temps perdu sur les calculs répétitifs,
➜ plus de temps pour la recherche, l’observation, les essais, la cuisson, le regard critique.

Cet article n’a donc pas pour but de vous convaincre d’utiliser l’IA à la place de votre intuition ou de votre
pratique, mais simplement de vous montrer comment un outil numérique peut devenir un véritable
assistant d’atelier, discret, précis, et surtout au service de votre créativité.

En somme : comment une IA peut aider à explorer un émail…
sans jamais ôter le plaisir de le découvrir dans le four ?

1. Rester maître du processus

Avant toute chose, il faut être clair sur ce que l’IA ne sait pas faire — et ne saura probablement jamais faire. Elle ne
sait pas lire un émail au sortir du four. Elle ne voit ni la profondeur d’un céladon, ni la manière dont une surface
boit la lumière rasante, ni la tension d’un émail qui a failli buller. Elle ne connaît pas votre four, vos habitudes de
cuisson, la manière dont votre argile réagit à la cuisson, ni le fait que vous utilisez un feldspath de telle carrière
depuis vingt ans.

Ce que l’IA sait faire, en revanche, c’est travailler en amont : calculer sans se fatiguer, organiser des séries sans
perdre le fil, vérifier une normalisation, reformuler une question technique dans un langage clair. C’est dans cet
espace — celui de la préparation et de la réflexion — qu’elle devient vraiment utile.

La règle de base est simple : vous décidez de la direction. L’IA calcule et organise. Vous observez, interprétez,
choisissez. Ce partage des rôles, s’il est bien tenu, est ce qui rend l’outil réellement précieux — sans jamais vous
déposséder de votre pratique.

2. Vérifier une formule, éviter les erreurs invisibles

Dans la méthode Seger, une petite erreur peut passer inaperçue pendant des heures et fausser toute une série
d’essais. Une somme des flux qui ne vaut pas exactement 1,00. Un coefficient d’Al₂O₃ calculé avec une masse
molaire arrondie trop tôt. Un feldspath potassique traité comme s’il était sodique. Ces erreurs-là sont sournoises :
elles ne déclenchent pas d’alarme, et on ne les découvre qu’au moment où les résultats ne correspondent à rien de
cohérent.

L’IA permet ici de jouer le rôle d’un second regard attentif. On lui soumet une formule Seger, on lui demande de
vérifier la normalisation, de recalculer les ratios Al₂O₃/SiO₂, de signaler si quelque chose semble incohérent. Elle
ne juge pas la qualité esthétique de l’émail — mais elle est très fiable sur les chiffres, à condition de lui donner les
bonnes consignes : masse molaire exacte des matières premières, méthode de normalisation choisie (Ro=1), ordre
de priorité dans les matières premières.

Un exemple typique de prompt de vérification : « Voici ma formule Seger. Peux-tu la vérifier et me signaler si
quelque chose te semble anormal ? » En quelques secondes, l’IA renvoie un tableau récapitulatif, souvent avec une
note si elle détecte une anomalie. Ce n’est pas infaillible — il faut toujours vérifier soi-même — mais c’est un filet
de sécurité qui évite bien des frustrations.

3. Gagner du temps sur les calculs répétitifs

Construire une série de variations Al₂O₃/SiO₂ à la main, c’est fastidieux. Pour chaque point de la série, il faut
recalculer les proportions de chaque matière première, vérifier les totaux, ajuster si une valeur part dans le négatif,
puis retranscrire proprement le tout. Sur dix points, cela représente des heures de travail minutieux — pendant
lesquelles une simple inattention suffit à tout fausser.
L’IA accomplit ce travail en quelques secondes. On lui donne une formule de base, les contraintes (flux fixés, Al₂O₃
fixé, SiO₂ variable de 1,5 à 5 par pas de 0,5, recettes sur 100 g, feldspath en priorité), et elle renvoie un tableau
complet, lisible, qu’il ne reste plus qu’à vérifier et à reporter sur les fiches d’essais.
Ce gain de temps n’est pas un luxe. C’est du temps rendu à l’essentiel : observer, comparer les plaques d’essais,
noter les effets, décider de la prochaine série. Le calcul devient une formalité, et la réflexion reprend toute la place
qu’elle mérite.

4. Explorer un diagramme plus librement

Les diagrammes proposés par Daniel de Montmollin avec les progressions Al₂O₃/SiO₂ sont des outils puissants,
mais ils demandent un vrai effort d’apprentissage. Situer un point, comprendre dans quelle zone on se trouve
(émaux mats, satinés, brillants, sous-cuits), anticiper l’effet d’un déplacement — tout cela suppose de bien
connaître les axes, les proportions, les zones caractéristiques.
L’IA permet d’explorer ces diagrammes de manière plus souple, surtout quand on débute ou qu’on cherche à
élargir une zone déjà connue. On peut lui demander : « Je suis à Al₂O₃ = 0,40 et SiO₂ = 3,5 sur “tel diagramme” (ils
sont numérotés) extrait du livre La pratique des émaux de grès de Daniel de Montmollin. Vers quelle zone de rendu
est-ce que je me déplace si j’augmente l’alumine à 0,50 en gardant la silice fixe ? » L’IA raisonne sur la base de ses
connaissances générales en chimie des émaux et donne une réponse orientée, à prendre comme hypothèse de
travail — pas comme une certitude absolue.
Ce mode d’exploration par questions-réponses est particulièrement utile quand on veut tester mentalement
plusieurs directions avant de décider quels essais préparer. On substitue un oxyde, on compare deux points du
diagramme, on affine ses hypothèses — sans rien cuire encore, sans rien dépenser, juste en pensant à voix haute
avec un interlocuteur qui connaît la chimie des silicates.

5. Passer de la formule à la recette

Traduire une formule Seger en recette de matières premières concrètes, c’est souvent là que les choses se
compliquent. On a sa formule, on connaît la zone visée — mais passer du diagramme à la balance demande de
connaître la composition exacte de chaque matière première, de les utiliser dans le bon ordre et de gérer les
contraintes pratiques : pas de matière en dessous d’un certain seuil, pas de combinaison qui produirait une
anomalie de fusion.
L’IA prend en charge ce travail de conversion avec une précision remarquable, à condition de lui donner les bons
paramètres : quelle masse molaire pour l’alumine, quelle composition pour le feldspath utilisé, quelle méthode
(feldspath en priorité, ou dolomite, ou autre), recette sur 100 g ou sur une autre base. Elle renvoie alors une recette
avec les grammes qu’il ne reste plus qu’à peser.
Ce passage du théorique au pratique — du chiffre dans la formule au gramme sur la balance — est souvent le
moment où l’on perd du temps et où l’on commet des erreurs. L’IA ne supprime pas la nécessité de comprendre ce
qu’on fait, mais elle accélère considérablement l’exécution, surtout quand on veut tester plusieurs recettes dans la
même session de travail.

6. Mieux comprendre les matières

La chimie des émaux repose sur un vocabulaire et une logique qui peuvent être déconcertants au départ. Pourquoi
le carbonate de calcium et la wollastonite apportent-ils tous les deux du CaO, mais ne se comportent pas
exactement pareil en cuisson ? Quelle est la différence entre un fondant alcalin et un fondant alcalino-terreux, et
pourquoi cela change-t-il la brillance de surface ? Comment la silice entre-t-elle en compétition avec l’alumine pour
structurer le réseau vitreux ?
L’IA est particulièrement à l’aise avec ce type de questions pédagogiques. Elle peut expliquer la différence entre
deux matières, clarifier le rôle d’un oxyde dans la formule, ou aider à comprendre pourquoi une substitution
partielle de kaolin par de l’alumine calcinée va changer le comportement à cru de l’émail. Ces explications peuvent
aider à débloquer une compréhension qui stagne, à reformuler une question, à vérifier qu’on a bien saisi un
principe avant de s’y fier en cuisson.
Elle est aussi utile pour éviter des erreurs de substitution classiques : utiliser de la dolomie en pensant qu’elle
n’apporte que du MgO (elle apporte aussi du CaO), ou confondre deux feldspaths dont les compositions sont
proches mais pas identiques. Une question bien posée permet souvent d’éviter une cuisson décevante.

7. Tester des hypothèses sans tout cuire

Une cuisson demande du temps, de l’énergie, et souvent une organisation logistique importante. On ne lance pas un
four pour un essai douteux. La question “ est-ce que ça vaut la peine de tester ça ? ” est donc souvent décisive.
L’IA permet de raisonner sur cette question avant de s’engager. Si on lui décrit une formule et qu’on lui demande
d’anticiper un comportement probable — risque de bulle, tendance à couler, opacification possible avec l’ajout de
tel oxyde — elle peut formuler une hypothèse raisonnée, en s’appuyant sur la chimie générale des émaux. Ce n’est
pas une prédiction garantie, et elle ne connaît pas votre four — mais c’est un avis éclairé qui aide à décider si l’essai
mérite d’être lancé, ou s’il vaut mieux ajuster d’abord la formule.
On peut aussi lui soumettre deux formules alternatives et lui demander laquelle semble plus cohérente pour l’effet
recherché. Ce dialogue, même imparfait, discipline la pensée : il oblige à formuler clairement ce qu’on cherche, à
nommer les effets attendus, à argumenter ses choix. Et souvent, c’est dans cet effort de formulation que l’idée juste
apparaît — indépendamment de la réponse de l’IA.

8. Les limites de l’IA — et pourquoi elles comptent

Une IA peut se tromper, et parfois avec une belle assurance. Elle peut inventer une composition de feldspath,
confondre deux oxydes aux rôles proches, ou donner une réponse qui semble parfaitement logique mais qui repose
sur une prémisse erronée. Ces erreurs ne sont pas toujours faciles à repérer, surtout quand on est encore en train
d’apprendre.
Il y a aussi des éléments qu’elle ne peut tout simplement pas connaître : la composition réelle de vos matières
premières (qui peut varier d’un lot à l’autre), la courbe de température de votre four, l’atmosphère de cuisson,
l’épaisseur d’application, la texture de votre argile de support. Tous ces facteurs influencent profondément le
résultat final, et lui sont invisibles sans une description précise dans des prompts à étoffer au fur et à mesure qu’on
utilise l’IA . La bonne posture est celle du praticien qui consulte un technicien compétent mais extérieur : on
écoute, on retient ce qui semble juste, on vérifie les points critiques, et on garde toujours le dernier mot. L’IA est un
outil, pas une autorité. Elle peut accélérer la réflexion — à condition de ne jamais lui sous-traiter le jugement.

9. Exemple concret : construire une série d’émaux pas à pas

Voici comment se déroule concrètement une session de travail avec l’IA à l’atelier. Le point de départ : une formule
de base à explorer, une plage de silice à balayer, et l’envie de comparer l’effet de ce gradient sur la surface d’un grès
haute température.

Premier message envoyé à l’IA :
Je travaille avec un grès haute température avec la méthode de Daniel de Montmollin exposée dans son livre La
pratique des émaux de grès.
Je veux faire une série avec : 0,23 KNaO – 0,55 CaO – 0,21 MgO – 0,40 Al₂O₃.
La silice varie de 1,5 à 5 par pas de 0,5.
Peux-tu me préparer les recettes sur 100 g ?
Commence par le feldspath potassique, attention de ne pas arrondir trop tôt,

L’IA propose en quelques secondes un tableau de recettes, avec les grammes pour chaque matière première. On
vérifie rapidement les extrêmes — SiO₂ = 1,5 et SiO₂ = 5 — on s’assure que les totaux sont corrects, et on prépare
les pesées.
Après la cuisson, on revient avec les observations : “ Les recettes à SiO₂ entre 2,5 et 3,5 sont les plus intéressantes. La
surface à 3,0 est très satinée, presque laiteuse. Est-ce que je peux accentuer cet effet en augmentant légèrement le MgO
? ”
Et on continue ainsi : la série génère des observations, les observations génèrent de nouvelles questions, les
questions génèrent de nouvelles séries. L’IA est présente à chaque étape de calcul, mais c’est l’observation au sortir
du four qui reste le vrai moteur de la recherche.

Quelles IA utiliser — et par où commencer ?

Pas besoin de s’abonner, pas besoin d’installer quoi que ce soit. Les principales IA génératives sont accessibles
gratuitement depuis un navigateur. Voici un panorama des outils disponibles, des plus utiles aux plus
anecdotiques pour un usage atelier.

Les trois incontournables
Claude (claude.ai) — Souvent perçu comme plus attentif à la précision et à la nuance. Il gère bien les calculs
détaillés et les demandes structurées. Particulièrement à l’aise avec les explications pédagogiques.
Gemini (gemini.google.com) — L’IA de Google. Accessible avec un compte Google existant, elle est donc déjà à
portée de main pour beaucoup. Performances comparables aux deux précédentes pour les usages techniques.
ChatGPT (openai.com) — La plus connue, la plus documentée. La version gratuite (GPT-4o) est amplement
suffisante pour travailler sur des formules Seger, générer des séries de recettes ou poser des questions de
chimie des émaux. Un bon point de départ.

Les autres, avec un avis honnête
Microsoft Copilot (copilot.microsoft.com) — Intégré à Windows et à la suite Office. Utile si on travaille sous
Excel pour des tableaux de recettes. En dehors de ce contexte, il n’offre pas d’avantage particulier par rapport à
ChatGPT.
Perplexity (perplexity.ai) — Son point fort est la recherche documentaire : il cite ses sources et renvoie vers
des pages web. Très utile pour trouver des informations sur une matière première, un oxyde, ou un
fournisseur. Moins adapté pour les calculs de formules.

DeepSeek (chat.deepseek.com) — Un modèle chinois aux performances techniques sérieuses, accessible
gratuitement. Il peut tout à fait être utilisé pour des calculs d’émaux. À noter cependant : ses conditions
d’utilisation sont moins transparentes que celles des outils occidentaux, ce qui invite à la prudence sur les
données qu’on lui soumet.
Grok (x.ai) — L’IA développée par Elon Musk, intégrée au réseau social X. Ses performances sont correctes,
mais elle n’offre pas d’avantage spécifique pour notre usage et nécessite un compte sur la plateforme X
(autrefois Twitter).
Mistral / Le Chat (chat.mistral.ai) — Un modèle français, développé par une entreprise européenne, soumis
au cadre réglementaire de l’Union européenne. Pour ceux que la question de la souveraineté des données
préoccupe, c’est une alternative crédible aux outils américains. Les performances sont bonnes sur les
questions techniques.

Laquelle choisir ? Pour commencer : Claude, sans hésiter. Pour la recherche documentaire sur les matières :
Perplexity en complément. Pour les plus sensibles à la question des données : Le Chat de Mistral mérite d’être
essayé.
Et si on se trompe de manipulation ? Il n’y a rien à casser. On écrit dans une fenêtre de texte, on lit la réponse, on
pose une autre question. C’est tout.

⚠️ Une précaution à garder en tête. Les conversations avec ces outils sont susceptibles d’être utilisées pour
améliorer les modèles, selon les conditions générales de chaque service. Dans le cadre d’une recherche
d’émaux, cela ne pose généralement pas de problème. En revanche, il vaut mieux éviter d’y coller des
coordonnées, des informations sur des clients, ou tout contenu qu’on ne souhaiterait pas voir circuler en
dehors de l’atelier. On traite ces outils comme on traiterait un forum public — on y partage ce qu’on
partagerait avec n’importe quel inconnu compétent. Pour les outils américains, les données sont hébergées aux
États-Unis ; Mistral fait exception, avec un hébergement européen.

Conclusion

L’IA ne remplace pas le savoir-faire. Elle ne remplace pas l’intuition acquise à force de cuissons, ni l’œil qui sait lire
une surface, ni la main qui reconnaît la bonne consistance d’un émail. Elle ne remplace pas non plus le plaisir
d’ouvrir le four.

Mais elle permet de passer moins de temps sur les calculs, moins de temps à douter d’un chiffre, moins de temps à
recommencer une série à cause d’une erreur de normalisation. Et donc plus de temps à regarder ce qui sort du
four, à comprendre pourquoi, et à décider quoi faire ensuite.

C’est peut-être là sa plus grande qualité : non pas d’accélérer le travail, mais de le recentrer sur ce qui compte
vraiment — l’observation, la curiosité, et le plaisir de chercher.