L’adoption de l’IA dans la fabrication a atteint un point d’inflexion. Une phase dominée par des projets pilotes isolés et des cas d’utilisation ponctuels cède la place à un défi plus difficile : déployer l’IA dans l’ensemble des fonctions de l’entreprise pour générer de la valeur à grande échelle.

Ce changement nécessite d’examiner l’IA dans l’ensemble de la chaîne de valeur de la fabrication — l’ingénierie, la production, la chaîne d’approvisionnement et les services après-vente. Au sein de ces fonctions, les dirigeants de l’ingénierie et des opérations font essentiellement face à deux options. L’une consiste en des interventions ciblées de l’IA et des intégrations qui optimisent un processus existant, le rendant plus rapide, plus efficace ou plus prédictif. L’autre consiste en une réinvention complète — repenser entièrement le fonctionnement du processus — une option de plus en plus viable à mesure que l’adoption de l’IA physique s’accélère et apporte l’intelligence directement dans les machines, les actifs et les environnements où se déroule la fabrication.

La réussite de l’une ou l’autre voie dépend de la même discipline fondamentale : combiner les capacités plutôt que de les déployer isolément. C’est exactement ce que démontre le jeu de données Lumina du Forum économique mondial dans le cadre de la transformation industrielle avancée. S’appuyant sur huit ans de données du Global Lighthouse Network et plus de 1 000 transformations industrielles réussies, il montre que 94 % des transformations réussies associent plusieurs domaines technologiques — le plus souvent l’IA avec l’IdO, l’infonuagique et les jumeaux numériques.

Le même principe s’applique à l’intérieur même de l’IA. L’IA agentique, l’IA physique et l’IA souveraine sont souvent présentées comme des tendances distinctes, mais les responsables des opérations, de l’ingénierie et des TI en tirent le plus de valeur lorsqu’ils les considèrent comme des parties d’une seule et même architecture d’entreprise, et non comme trois programmes technologiques indépendants.

L’IA agentique et l’IA physique tracent la voie vers la fabrication autonome

L’IA agentique coordonne l’information, les décisions et les flux de travail dans un processus de fabrication. L’IA physique prolonge cette intelligence dans l’environnement physique, où les machines et les systèmes autonomes détectent les conditions et agissent en conséquence. Ensemble, les deux peuvent permettre une fabrication de plus en plus autonome — mais les équipes des opérations d’usine n’y parviennent pas en une seule étape.

Une façon utile de penser ce parcours est de le diviser en trois grandes étapes.

1. La première est la fabrication numérique, où les capteurs, les systèmes connectés et l’IA agentique offrent de la visibilité sur ce qui se passe réellement tout au long d’un processus—la base de données sur laquelle tout le reste repose.
2. La deuxième est la fabrication prédictive, où cette visibilité devient une prévoyance : l’IA agentique utilise les données pour anticiper les pannes, les goulots d’étranglement et les problèmes de qualité avant qu’ils ne se produisent et coordonne la réponse.
3. La troisième est la fabrication autonome, où l’IA physique agit directement sur ces décisions, les machines et les systèmes détectant les conditions et exécutant des actions avec de moins en moins d’intervention humaine.

Un entrepôt illustre où se situent aujourd'hui de nombreuses opérations—quelque part entre les étapes prédictive et autonome. Des véhicules à guidage automatisé déplacent des matériaux dans l'installation, pendant qu'une IA agentique coordonne les décisions qui dirigent ces mouvements—ce qui doit être déplacé, quand et comment les activités doivent s'ajuster à mesure que les conditions changent. Un humain fixe encore les limites, mais le système perçoit, décide et agit de plus en plus sans attendre l'intervention d'une personne. Ce même principe s’applique aux usines, alors que les équipes de production et d’ingénierie des installations intègrent une robotique plus intelligente, des systèmes prédictifs et des actifs de production connectés.

La base d’automatisation sur laquelle repose cette progression est déjà en train de s’étendre. La Fédération internationale de robotique a signalé en juin 2026 que les installations de robots industriels aux États-Unis avaient augmenté de 11 % d'une année à l'autre, atteignant 38 000 unités en 2025. Ce chiffre inclut les robots industriels en général, et non pas spécifiquement l’IA physique, mais il indique l’empreinte physique croissante sur laquelle des capacités plus intelligentes et adaptatives peuvent être superposées, alors que les équipes de production et d’ingénierie des installations se dirigent vers l’autonomie.

Le rapport AI Impact Imperatives, 2026 de HCLTech donne une idée de la tendance : 90 % des répondants conviennent que l’IA physique sera cruciale ou importante pour le succès organisationnel au cours des trois prochaines années, alors que 55 % considèrent la fabrication comme un domaine opérationnel qui pourrait bénéficier de l’IA physique.

La plupart des équipes de production et d’opérations d’usines se trouvent aujourd’hui quelque part sur cette trajectoire du numérique vers le prédictif—utilisant l’IA pour la maintenance prédictive, le contrôle de la qualité et le déplacement des matériaux—avec des niveaux plus élevés d'autonomie restant à atteindre pour plusieurs.

Bâtir l'autonomie progressivement

Passer par ces étapes—numérique, prédictif, autonome—n'est pas quelque chose à précipiter. L’autonomie totale d’une usine ne devrait pas être l’objectif immédiat de la plupart des responsables opérationnels.

Les milieux industriels impliquent des équipements complexes, des technologies opérationnelles établies et des décisions pouvant avoir un impact sur la production, la sécurité et l’environnement. Les progrès doivent se faire par couches, chaque étape bâtie sur des preuves apportées par la précédente.

La phase numérique est là où ces preuves commencent à s’accumuler : capteurs et systèmes connectés générant des données fiables sur l’état et le comportement des actifs physiques. À partir de là, les jumeaux numériques transforment ces données en terrain d’expérimentation—permettant aux organisations de modéliser des équipements, des lignes de production ou des usines entières avant d’apporter des changements à l’environnement physique. C’est cet effet qui permet à une opération de passer de la visibilité (numérique) à la prévoyance (prédictif) : la capacité de simuler un résultat avant de s’y engager.

Cela est particulièrement important dans la fabrication à forte intensité d’actifs, où l’essai et l’erreur sur une ligne active peuvent être coûteux ou perturbateurs. Par exemple, une équipe d’ingénierie voulant évaluer un nouvel aménagement d’usine peut utiliser un jumeau numérique pour simuler les flux de processus, voir comment les actifs interagissent et affiner la conception avant d’apporter une modification physique.

L’Institut national américain des normes et de la technologie (NIST) souligne l’importance de ces capacités dans sa Feuille de route 2026 sur l’IA et l’apprentissage automatique pour la fabrication intelligente. Le NIST identifie les jumeaux numériques, la détection et la perception avancées, ainsi que les systèmes et la robotique autonomes, parmi les domaines où l’IA permet déjà des avancées, tout en mettant l’accent sur la complexité des données industrielles, l’intégration avec des systèmes de détection et de contrôle hétérogènes, ainsi que sur la nécessité de disposer d’opérations dignes de confiance, explicables et fiables, comme défis à relever.

La supervision humaine devrait se développer en parallèle de cette maturité technique, surtout à mesure que les opérations approchent du stade autonome. Pour l’IA agentique, toute action pouvant affecter de manière significative la santé, la sécurité ou l’environnement devrait rester sous le contrôle d’un humain. L’autonomie peut s’étendre à mesure que les systèmes font face à plus de conditions opérationnelles, que les exceptions sont comprises et que la performance se confirme au fil du temps.

L’IA physique suit sa propre courbe de maturité dans ce même parcours, puisque son autonomie dépend de la préparation des actifs sous-jacents, des capteurs, des systèmes et de l’environnement physique—ce qui fait que la progression dans ces étapes est autant une transformation opérationnelle qu’un déploiement technologique.

L’IA souveraine apporte contrôle et économie à l’architecture

À mesure que l’IA s’intègre plus profondément dans la production, les responsables TI et des opérations d’usines doivent également décider où les modèles sont exploités, où les données opérationnelles sont traitées, et combien coûtent les charges de travail d’IA qui en résultent.

Les données manufacturières incluent souvent de la propriété intellectuelle sensible, des informations sur les produits et des données opérationnelles détaillées, et certains processus de production exigent une latence très faible. Ces facteurs poussent les responsables TI et technologies opérationnelles vers l’informatique en périphérie (edge), des environnements d’IA privés et des architectures d’IA souveraine qui leur procurent un meilleur contrôle des données, de l’infrastructure et de l’inférence.

C’est précisément cette lacune que l’IA-in-a-Box de HCLTech vise à combler. Plutôt que d’acheminer des données de fabrication sensibles vers des environnements infonuagiques externes, IA-in-a-Box regroupe la puissance de calcul, les GPU, les modèles d’inférence et les modèles de langage spécifiques à un domaine nécessaires aux équipes TI et opérationnelles d’une usine dans une infrastructure installée à même leurs propres installations. Les données, modèles et inférences restent tous entre les murs de l’usine—sous le contrôle des équipes, et non d’un tiers.

L’économie fait partie de la même décision. Exploiter des systèmes d’IA agentique et physique évolués génère une réelle demande de calcul et d’inférence, et la bonne architecture dépend de la charge de travail : certaines tâches justifient de gros modèles externes, alors que d’autres sont mieux servies par des modèles spécifiques à un domaine exécutés localement. IA-in-a-Box est conçue pour ce deuxième cas—l’inférence récurrente sensible à la latence générée sur le plancher par les systèmes d’IA agentique et physique, pour lesquels l’acheminement de chaque décision vers le nuage ajoute temps de réponse et coûts, comparativement à l’inférence locale.

Pour les responsables TI et des opérations d’usine, l’économie de l’IA déterminera de plus en plus les choix de sélection des modèles, d’inférence à la périphérie et d’infrastructure. Les coûts, la latence, la sécurité, le contrôle des données et la performance doivent tous être évalués ensemble—et pour les charges proches du plancher de l’usine, le déploiement sur place devient une option de plus en plus attrayante.

Le fil numérique : là où la convergence porte fruit

L’impact le plus grand provient de la convergence de l’IA agentique, physique et souveraine, qui cessent d’opérer en initiatives distinctes au profit d’un fil numérique unique—reliant l’intelligence à l’action, et ancrant les deux dans une infrastructure contrôlée par les équipes TI et des opérations de l’usine.

À l’échelle d’une tâche, une équipe d’ingénierie, de production ou de chaîne d’approvisionnement pourrait déployer séparément l’IA agentique, l’IA physique ou l’IA souveraine. Mais à travers une chaîne de valeur plus large, les trois convergent de plus en plus.

Prenons la maintenance prédictive. Les capteurs captent les données d’un actif physique, fournissant les intrants que les systèmes d’IA physique peuvent utiliser. Un jumeau numérique modélise l’impact opérationnel, s’appuyant sur la visibilité construite durant la phase numérique. Un agent extrait l’historique de maintenance, évalue les priorités de production et coordonne le bon flux de travail—l’IA agentique faisant passer le processus du prédictif à l’exécution. Un système physique connecté peut finalement effectuer l’action permise lui-même, tandis qu’une infrastructure comme IA-in-a-Box assure un environnement sur place pour traiter ces données et exécuter ces modèles. Ce même modèle s’applique à la qualité, aux opérations d’entrepôt, à la planification de la production et à d’autres processus manufacturiers clés.

Ce sont les bases vues plus tôt qui rendent possible cette convergence : des actifs connectés et des données fiables du stade numérique, des jumeaux numériques et des fonctions prédictives développés à l’étape suivante, une supervision humaine calibrée au niveau de confiance accordé au système, et une infrastructure souveraine, rentable, qui garde les données et l’inférence sensibles dans l’usine plutôt que chez un tiers.

Il ne s’agit nullement de courir vers l’autonomie totale—chaque étape repose sur la précédente. Mais la direction est claire. L’IA agentique, l’IA physique et l’IA souveraine contribuent chacune à une même capacité : percevoir ce qui se passe, décider quoi faire et agir sous le contrôle de l’usine. Reliées ensemble par un fil numérique, elles transforment l’IA avancée d’une collection de cas d’usage en un modèle opérationnel pour la fabrication moderne.