Au cours des deux dernières années, les fabricants ont appris à passer de projets pilotes d’IA physique à la production. Les entreprises d’énergie et de services publics se retrouvent aujourd’hui au même point de départ. Elles font face à une pression croissante sur la demande à l’échelle du réseau et ont l’occasion d’éviter des leçons coûteuses en allant directement vers ce qui fonctionne.

Plus tôt cette année, j’ai écrit sur la manière dont l’IA Agentique, l’IA Physique et l’IA souveraine convergent pour transformer l’usine. Le Global Lighthouse Network du Forum Économique Mondial, qui englobe désormais 238 des sites industriels les plus avancés dans le monde, a constaté que les transformations les plus réussies combinent plusieurs domaines technologiques plutôt que de les déployer isolément. Ce constat est d’autant plus pertinent aujourd’hui. La question la plus fréquente que j’entends de la part des responsables de l’énergie et de la fabrication est simple : est-ce que la même approche fonctionne de l’autre côté, sur le réseau, à travers le pipeline et au poste électrique ?

La réponse courte est oui, avec des ajustements importants. L’architecture peut voyager, mais les priorités doivent évoluer. Et le temps presse. Les perspectives 2026 du secteur de l’énergie et des services publics d’une grande firme de conseil prévoient que la demande maximale d’électricité aux États-Unis augmentera d’environ 26 % d’ici 2035, la seule charge des centres de données pouvant atteindre 176 gigawatts, soit environ cinq fois le niveau de 2024. Les réseaux doivent absorber cette croissance tout en se modernisant et aucun plan crédible ne peut ignorer l’IA pour accomplir les deux tâches.

Un modèle de maturité, deux destinations distinctes

Le parcours en trois étapes que j’ai décrit pour la fabrication s’applique tout aussi bien à l’énergie et aux services publics : visibilité numérique d’abord, puis analyse prédictive et enfin action autonome. La différence réside dans ce que l’on attend de l’autonomie.

Dans une usine, l’autonomie sert le rendement, la qualité et la productivité. Dans l’énergie et les services publics, elle est beaucoup plus centrale : maintenir la stabilité du réseau, l’intégrité du pipeline et l’alimentation des communautés pour lesquelles les interruptions ne sont pas tolérées. Une usine peut absorber un bref arrêt de ligne. Un poste ou une station de compression ne peut pas assumer une telle défaillance sans conséquences en cascade.

La recherche le confirme. Le Hype Cycle 2026 de Gartner pour l’IA physique décrit un « seuil de confiance » à franchir dans les secteurs à forte intensité d’actifs. L’utilisation en production d’agents d’IA industrielle devrait augmenter fortement d’ici la fin de la décennie, mais les opérateurs gardent les humains et les systèmes déterministes au contrôle des actions physiques. Pour l’instant, les agents sont majoritairement utilisés à des fins de conseil ou de consultation.

Cela devrait guider la séquence d’investissement de chaque leader de l’énergie ou des services publics. La première question à poser est : où l’IA peut-elle échouer le plus en sécurité ? La surveillance de réseau, l’inspection des postes, la vérification de l’intégrité des pipelines et la répartition des interventions sur le terrain sont des candidats naturels pour commencer. Ils renforcent le jugement humain sur des actifs éparpillés et difficiles d’accès sans placer le contrôle autonome au cœur du système dès le premier jour.

Là où l’approche IA physique doit s’adapter

Trois différences majeures se démarquent lorsque les leçons de la fabrication sont appliquées à l’énergie.

• Répartition des actifs : Une usine est un environnement délimité et instrumenté. Un réseau de services publics couvre des milliers de kilomètres d’actifs disséminés, vieillissants et souvent non surveillés. Les stratégies de périphérie (edge) et de connectivité doivent anticiper des connexions intermittentes, et non partir du principe que tout est toujours en ligne.
• Exposition réglementaire : Les secteurs de l’énergie et des services publics sont soumis à beaucoup plus de réglementations sur la sécurité, l’environnement et la fiabilité du réseau que la plupart des fabricants de biens discrets. Chaque recommandation autonome doit générer une piste d’audit acceptable pour les autorités réglementaires.
• Conséquence de l’erreur : Un défaut manqué sur une ligne de production est un coût de qualité. Une anomalie non détectée sur une infrastructure énergétique critique devient un enjeu de sécurité et de confiance publique. Le niveau d’exactitude acceptable est tout simplement plus élevé.

Ces enjeux sont réels. Une étude sur la résilience des services publics a révélé que les coûts d’interruption pour les clients ont atteint environ 121 milliards de dollars en une seule année récente, soit près du double de la moyenne sur sept ans, même si les services publics ont augmenté de 38 % leurs investissements dans les technologies avancées de résilience sur deux ans. La même étude montre que le principal obstacle à la montée en puissance de l’IA et de l’intelligence géospatiale dans les opérations des services publics n’est pas technologique, mais bien les silos de données et les systèmes hérités qui freinent l’adoption à l’échelle de l’entreprise.

L’enquête IDC 2026 sur les technologies et innovations propres au secteur de l’énergie et des services publics, menée auprès de plus de 500 entreprises à l’échelle mondiale, tire une conclusion semblable selon un autre angle. Les services publics ont beaucoup d’ambitions. Ce qui leur manque, c’est l’architecture de données, le talent et la préparation organisationnelle pour passer des pilotes à la production. Une architecture commune d’IA physique vise justement à combler cet écart.

Cela ne veut pas dire que les leaders de l’énergie et des services publics doivent aller plus lentement que les fabricants l’ont fait. Ils doivent avancer avec méthode, en priorisant les cas d’utilisation selon le risque et les conséquences plutôt qu’en fonction de la démonstration la plus impressionnante en salle du conseil.

Le choix d’une seule architecture, pas deux

L’argument le plus solide, que je formule d’ailleurs directement auprès des clients, est que les organisations de fabrication et d’énergie devraient s’abstenir de créer deux piles IA physique distinctes simplement parce que leurs actifs diffèrent en apparence.

L’architecture sous-jacente est la même, que l’actif soit une presse de découpage ou un transformateur de poste : edge computing, vision par ordinateur, fusion de capteurs, jumeaux numériques et une couche d’orchestration permettant aux agents d’agir sur les actifs physiques. Construire une fois et configurer deux fois coûte beaucoup moins cher que de repartir de zéro à deux reprises. Cela offre également à une entreprise industrielle diversifiée un point unique de gouvernance pour l’IA sur les infrastructures physiques. Cette question de gouvernance est sur toutes les lèvres dans les conseils d’administration : qui est responsable lorsqu’un système autonome prend une décision sur un actif physique et comment cette décision est-elle examinée ?

Les usines et réseaux qui y parviendront ne seront pas ceux dotés du modèle le plus avancé, mais ceux qui seront capables de répondre clairement à la question : qui fait confiance à ce système et pourquoi ?

Ce que nos clients continuent de nous exprimer

Lors de discussions avec les leaders de l’énergie et de la fabrication cette année, une tension demeure. Les dirigeants sont enthousiastes face au potentiel, mais sont tout aussi déterminés à rappeler que l’autonomie n’est pas une fin en soi. La sécurité, la fiabilité et la disponibilité sont des impératifs d’affaires. L’autonomie est un moyen d’y parvenir, et seulement lorsque le profil de risque le permet.

C’est pourquoi je crois que la priorité pour toute organisation industrielle ou énergétique devrait être « plus de confiance », et non « plus d’autonomie ». Si un opérateur en salle de contrôle ou un technicien de terrain ne peut pas interroger, expliquer ou contester une recommandation, il ne l’adoptera pas, quel que soit le degré de précision du modèle. L’explicabilité est la condition préalable à l’adoption, elle n’est pas une fonctionnalité à ajouter à la fin.

Comment HCLTech peut transformer la théorie en réalité opérationnelle

Les clients n’ont pas besoin d’une énième solution ponctuelle d’IA. Ils ont besoin que l’ingénierie, la technologie opérationnelle, les données d’entreprise et l’IA s’articulent dans un parcours gouverné qui part de la visibilité jusqu’à la prédiction, puis, selon les risques, à l’action assistée. HCLTech accompagne les clients dans la conception de ce parcours en trois couches.

1. Bâtir la base de données et d’actifs fiables. Unifier les données opérationnelles, géospatiales, de maintenance et d’entreprise. Relier les actifs distribués via des modèles edge et IoT et créer des représentations numériques des équipements critiques. L’IA dispose alors du contexte nécessaire pour soutenir les décisions dans les usines, réseaux, postes électriques, pipelines et sites de production.
2. Industrialiser les cas d’utilisation à forte valeur, incluant l’humain dans la boucle. Pour les services publics, il s’agit de la performance prédictive des actifs, la prévision et la restauration des interruptions, l’analytique de compteurs intelligents, la détection des pertes non facturées, l’analyse d’images et géospatiale, ainsi que le service terrain assisté par IA. Pour le pétrole et le gaz, il s’agit de la gestion de l’intégrité des actifs, la maintenance préventive, la surveillance des pipelines et des installations, le suivi intelligent des actifs, les jumeaux numériques et la sécurité des travailleurs. Le principe reste le même : augmenter en priorité les opérateurs et automatiser uniquement lorsque les contrôles, les preuves et la confiance opérationnelle sont matures.
3. Évoluer avec une gouvernance intégrée à l’architecture. Intégrer l’explicabilité, les droits décisionnels selon les rôles, la cybersécurité, la surveillance des modèles et des flux de travail auditables dans la couche d’orchestration. HCLTech aide ensuite à faire passer les cas validés de la phase pilote à l’exploitation grâce à une transformation axée sur l’ingénierie, l’intégration des plateformes et les opérations gérées, sans multiplier les modèles de gouvernance pour chaque catégorie d’actif.

Pour un service public, ce parcours pourrait relier les modèles sur la santé des actifs à la prévision d’interruptions, la répartition des équipes et les flux de restauration. Pour un opérateur pétrolier et gazier, il pourrait connecter les données des capteurs et d’inspection aux risques d’intégrité, à la planification de la maintenance et à l’exécution sur le terrain. Dans les deux cas, la valeur réside dans la boucle bouclée entre insight et réponse opérationnelle, tout en maintenant une responsabilité humaine sur les décisions à conséquences majeures.

Par où commencer : un cadre de séquencement pratique

Pour les leaders de l’énergie et de la fabrication qui envisagent leurs prochaines étapes, cette séquence en quatre temps reflète ce qui fonctionne dans nos programmes clients et dans les sites industriels étudiés cette année.

Un cadre en quatre étapes pour séquencer l’IA physique dans la fabrication et l’énergie

1. Cartographier une seule architecture sur tout le portefeuille. Dressez l’inventaire des capacités edge, données, vision par ordinateur et orchestration déjà financées séparément en fabrication et en énergie. Regroupez-les dans une architecture de référence unique avant d’acheter une autre solution ponctuelle de part et d’autre.
2. Séquencer les cas d’utilisation selon la gravité de l’erreur, et non la visibilité. Classez-les selon les conséquences d’une erreur de modèle, plutôt qu’en fonction de l’équipe la plus vocale ou de la démo la plus convaincante. Commencez là où l’IA peut échouer sans risque majeur : surveillance, inspection et conseil sur actifs distribués.
3. Créer la piste d’audit avant d’en avoir besoin. Pour chaque recommandation autonome ou semi-autonome, définissez dès le départ qui l’examine, à quelle fréquence et quelles preuves un régulateur ou un auditeur en sécurité attendrait. Ajouter la gouvernance après coup est bien plus difficile.
4. Concevoir pour l’opérateur, pas uniquement pour le modèle. Chaque cas d’utilisation d’IA physique doit pouvoir expliquer, avec les mots de l’opérateur, pourquoi sa recommandation mérite confiance. Si ce n’est pas possible, le cas n’est pas prêt à l’échelle, quelle que soit sa précision.

Les organisations qui appliqueront honnêtement cette séquence progresseront plus rapidement au cours des dix-huit prochains mois que celles qui privilégient les pilotes les plus sophistiqués. Le manuel de l’IA physique est transférable entre fabrication et énergie. Mais la discipline requise pour le séquencer selon le risque, le gouverner avec un modèle unique et bâtir la confiance, doit être acquise à chaque décision.

Poursuivons la conversation

Si votre organisation se demande comment séquencer les investissements en IA physique à travers les actifs de fabrication, de services publics ou de pétrole et gaz, HCLTech peut vous aider. Nous évaluons la préparation des portefeuilles, priorisons les cas d’utilisation selon leur valeur et les conséquences d’une erreur, définissons une architecture partagée pour la périphérie, les données et l’IA, et mettons en place la gouvernance nécessaire à l’évolution. Le travail commence par une feuille de route ciblée qui relie la fiabilité des actifs, la productivité terrain, la sécurité et la résilience à des résultats opérationnels mesurables.

Sources : Forum Économique Mondial, Global Lighthouse Network : Rewiring Operations for Resilience and Impact at Scale (2026) ; Gartner, Hype Cycle for Physical AI (2026) et 2026 Magic Quadrant for Global Industrial AIoT Platforms ; Deloitte, 2026 Power and Utilities Industry Outlook et From Silos to Synergy: How Utilities Are Integrating AI and Geospatial Intelligence for Resilience (2026) ; IDC, Energy and Utilities Industry-Specific Tech and Innovation Survey (2026) ; HCLTech, Solutions pour l’industrie de l’énergie et des services publics ; HCLTech, Data & AI pour les services publics ; HCLTech, Solutions technologiques pour le pétrole et le gaz ; HCLTech, Excellence en ingénierie pour les opérations pétrolières et gazières.