L'IA dans l'industrie aujourd'hui : ce qui marche vraiment
Maintenance prédictive, aide documentaire, assistants de pilotage : ce qui fonctionne vraiment en usine, ce qui échoue, et par où commencer sans se disperser.
Les annonces sur l'IA en usine sont nombreuses, les retours d'expérience honnêtes le sont moins. Sur le terrain, dans le ferroviaire, les batteries de véhicules électriques ou l'énergie, une constante se dégage : ce qui marche repose toujours sur des données fiables, un propriétaire identifié et des droits clairs. Le reste relève de la démonstration.
- Maintenance prédictive à partir de signaux capteurs
- Suivi du cycle de vie des pièces
- Aide documentaire technique sourcée
- Assistants sur données de pilotage gouvernées
- Projets sans données fiables
- Données sans propriétaire
- Droits d'accès non posés
- Démonstrations sans utilisateur en atelier
La différence n'est pas le modèle. C'est la plateforme de données, les droits et l'humain dans la boucle.
Ce qui fonctionne vraiment
Quatre familles d'usages tiennent leurs promesses quand les conditions sont réunies.
La maintenance prédictive à partir des signaux capteurs
Vibrations, températures, courants, pressions : les équipements produisent des séries temporelles en continu. Un modèle entraîné sur l'historique des défaillances reconnaît les signatures précurseurs et alerte avant la panne. Trois conditions : l'historique des interventions est correctement saisi dans la GMAO (gestion de la maintenance assistée par ordinateur), les capteurs sont rattachés au bon équipement dans un référentiel unique, et le mainteneur reçoit l'alerte dans son outil habituel, pas dans un tableau de bord qu'il n'ouvre jamais.
Le suivi du cycle de vie des pièces
Un module de batterie, un composant de traction, une pièce de sécurité : chacun a une histoire, de la fabrication au retour en atelier. Réunir cette histoire dans une plateforme de données permet de répondre en quelques secondes à des questions qui prenaient des jours : quels lots sont concernés par un défaut fournisseur ? quels véhicules embarquent ce composant ? L'IA ajoute ensuite une couche d'analyse, mais la valeur vient d'abord de la traçabilité.
L'aide documentaire technique
Manuels, procédures, comptes rendus d'intervention, normes internes : des milliers de pages que personne ne lit en entier. Un assistant fondé sur le RAG (Retrieval-Augmented Generation, génération augmentée par recherche documentaire) retrouve les passages pertinents et répond en citant sa source. Un technicien demande « quel couple de serrage pour cette fixation sur cette série ? » et obtient la page et la version du document. Cela fonctionne si la documentation est à jour et si l'humain peut vérifier la source.
Les assistants sur données de pilotage
Cadences, rebuts, arrêts, consommations d'énergie : les responsables de production passent du temps à chercher des chiffres. Un assistant branché sur l'entrepôt par une couche sémantique et MCP (Model Context Protocol, protocole ouvert qui permet à un assistant d'appeler des outils) répond en langage naturel, avec les définitions officielles et les droits de l'utilisateur. Ces assistants, qu'ils reposent sur Claude, GPT ou Mistral, ne valent que par la qualité des indicateurs sous-jacents.
Ce qui échoue, et pourquoi
Les échecs se ressemblent. Ils ne tiennent presque jamais au modèle d'IA.
Des projets sans données fiables. Un modèle de maintenance prédictive entraîné sur des interventions saisies « autre » ou « divers » n'apprend rien. Un assistant documentaire nourri de trois versions contradictoires d'une procédure répond n'importe quoi avec assurance.
Des projets sans propriétaire. Qui décide comment se calcule « disponibilité machine » ? Qui valide qu'un document est la version en vigueur ? Sans propriétaire nommé pour chaque donnée, le projet s'enlise dans des débats sans arbitre.
Des projets sans droits définis. Un assistant qui montre tout à tout le monde finit bloqué, à juste titre, par la DSI, le délégué à la protection des données ou le responsable sécurité. C'est le fil rouge de ce blog : la gouvernance ne freine pas l'IA, c'est ce qui permet de lui dire oui. Un projet qui a défini ses droits dès le départ passe ; un projet qui les découvre à la fin s'arrête.
Le préalable : une plateforme de données
Tous les cas qui marchent partagent une plateforme de données centrale et gouvernée, où les données de l'ERP (progiciel de gestion intégré), de la GMAO, des historiens capteurs et de la documentation sont réunies, réconciliées et documentées.
Elle apporte ce dont l'IA a besoin : un référentiel d'équipements unique, des indicateurs définis une fois, des flux testés et surveillés, des droits et une traçabilité au niveau de la donnée. Les outils modernes (entrepôt en nuage comme Snowflake, transformations versionnées avec dbt) la rendent accessible sans projet pharaonique, à condition d'avancer cas d'usage par cas d'usage.
Investir dans l'IA sans cette plateforme revient à construire un étage sans fondations.
L'humain dans la boucle en atelier
En usine, l'IA n'agit pas seule. Elle propose, un humain décide. Ce n'est pas provisoire, c'est le mode de fonctionnement durable.
Le mainteneur reçoit une alerte avec son niveau de confiance et les signaux qui l'expliquent, puis décide d'intervenir ou d'attendre la prochaine fenêtre. Le technicien vérifie la source citée par l'assistant avant d'appliquer un couple de serrage. Le responsable de production obtient un chiffre et sa définition, puis arbitre.
Cela demande trois choses : que l'IA explique ses résultats, que l'interface soit intégrée aux outils de terrain, et que le retour de l'humain (alerte pertinente ou non) soit collecté. Sans ce retour, la confiance s'érode et l'outil est abandonné en silence.
Sécurité des systèmes industriels et conformité
Deux sujets sont trop souvent traités en fin de projet alors qu'ils conditionnent son existence.
La sécurité des systèmes industriels. Les réseaux d'automates et de supervision sont conçus pour être isolés. Faire remonter des données capteurs vers une plateforme d'IA ne doit jamais ouvrir un chemin inverse vers le procédé. Le référentiel IEC 62443 fournit le cadre : segmentation en zones, flux unidirectionnels si nécessaire, comptes dédiés à droits minimaux ; la norme ISO 27001 couvre le versant système d'information. Une IA qui lit les données de procédé depuis une zone séparée est un projet raisonnable. Une IA qui écrit des consignes sur les automates ne l'est pas sans analyse de risque complète.
La conformité. Les données d'atelier contiennent des données personnelles : identifiant de l'opérateur sur un poste, badge, horaires. Le RGPD (Règlement général sur la protection des données) impose d'en définir la finalité, la durée de conservation et les accès. L'AI Act européen classe parmi les usages sensibles ceux qui évaluent des personnes au travail. Associer le délégué à la protection des données dès la conception évite de découvrir ces contraintes au déploiement.
Démarrer petit sans se disperser
La bonne trajectoire tient en quelques principes.
Choisir un cas d'usage avec un propriétaire métier motivé, des données existantes et un gain mesurable par les utilisateurs. La maintenance prédictive sur une famille d'équipements critiques ou l'aide documentaire sur un lot de procédures sont de bons candidats.
Construire la brique de plateforme nécessaire à ce cas, et seulement celle-là, mais proprement : référentiel, flux testé, droits, traçabilité. Elle servira au cas suivant.
Mettre l'outil dans les mains des utilisateurs de terrain tôt, avec un mode de retour simple.
Mesurer l'usage réel avant d'étendre. Un outil utilisé chaque jour par une équipe vaut mieux qu'une plateforme ambitieuse que personne n'ouvre.
Refuser le deuxième cas d'usage tant que le premier n'est pas en production.
À retenir
- Maintenance prédictive, cycle de vie des pièces, aide documentaire et assistants de pilotage fonctionnent quand les données sont fiables et gouvernées.
- Les échecs viennent de l'absence de données fiables, de propriétaire ou de droits, rarement du modèle.
- La plateforme de données gouvernée est le préalable, pas une option.
- En atelier, l'IA propose et l'humain décide ; le retour de terrain alimente le système.
- La sécurité des systèmes industriels (IEC 62443) et la conformité (RGPD, AI Act) se traitent dès la conception.
Checklist
- Le cas d'usage a un propriétaire métier nommé et un gain vérifiable par les utilisateurs.
- Les données nécessaires existent, sont saisies correctement et rattachées à un référentiel unique.
- Les droits d'accès sont définis au niveau de la donnée avant le premier pilote.
- Le flux capteurs vers plateforme est en lecture seule et segmenté selon l'IEC 62443.
- Le délégué à la protection des données a validé la finalité et la conservation des données personnelles.
- Le deuxième cas d'usage attend la mise en production du premier.