L'IA physique passe d'un sujet technologique émergent à une priorité stratégique pour les entreprises.
Le rapport Les impératifs de l'impact de l'IA, 2026 de HCLTech a révélé un consensus quasi universel (90 %) parmi les répondants sur le fait que l'IA physique sera essentielle ou importante pour le succès organisationnel au cours des trois prochaines années. Mais la même recherche montre également que le déploiement reste à ses débuts : les organisations qui n'explorent pas encore l'IA physique, qui ne font que la rechercher ou l'évaluer, qui en sont au pilotage de solutions ou viennent tout juste de déployer les premiers systèmes dépassent celles qui ont déjà plusieurs systèmes d'IA physique en production par plus de quatre contre un (81 % contre 19 %).
Pour Sukant Acharya, vice-président exécutif, HCLTech, cet écart entre l'ambition et le déploiement à grande échelle reflète à la fois l'ampleur de l'opportunité et la complexité de faire fonctionner l'IA physique dans des environnements opérationnels réels.
« Lorsque nous regardons la dimension physique, les produits et services que nous consommons sont imbriqués avec des objets physiques, des produits physiques, des installations et des personnes. Le potentiel est très élevé », dit Acharya.
Ce besoin devient plus pressant dans les secteurs confrontés à des contraintes de main-d'œuvre, à une demande croissante et à la pression d'améliorer la production. L'IA physique est devenue importante parce qu'une grande partie de l'économie mondiale dépend encore de produits physiques, d'actifs, d'installations, d'infrastructures et d'opérations humaines. Une petite amélioration dans la façon dont ces environnements sont suivis, optimisés et coordonnés peut avoir un effet multiplicateur significatif.
Le moment joue aussi un rôle. Les progrès dans les capteurs, les actionneurs, la connectivité, l'informatique en périphérie, le nuage, l'informatique en mémoire, l'IA générative et les modèles vision-langage rendent l'IA physique plus pratique. Ces technologies permettent aux systèmes de percevoir, d'analyser, de décider et d'agir dans les environnements physiques d'une manière auparavant difficile à mettre à l'échelle.
« Lorsqu'il y a une demande, il y a un besoin et il y a du potentiel, mais il y a aussi de la faisabilité grâce à l'innovation technologique, c'est la recette parfaite », explique Acharya.
Là où les progrès sont visibles
Les progrès sont visibles, mais inégaux.
Acharya voit l'IA physique évoluer dans trois domaines : les produits habilités par l'IA, les actifs assistés par l'IA et l'IA intégrée dans les processus opérationnels.
Les produits habilités par l'IA incluent des domaines comme les véhicules autonomes, où la perception, la simulation et la prise de décision continuent d'avancer. Les actifs assistés par l'IA incluent les environnements opérationnels où l'IA peut améliorer la durée de vie, l'efficacité et la fiabilité des actifs. L'IA dans les processus opérationnels comprend des domaines comme la robotique d'entrepôt, la cueillette, l'emballage, le tri et l'inspection spécialisée de la qualité dans la fabrication. L'opportunité s'étend aussi à d'autres secteurs, comme la réduction des délais de rotation dans le secteur pétrolier et gazier, la diminution du vol à l'étalage dans le commerce de détail et l'amélioration de l'expérience patient dans les soins de santé.
Le rapport de HCLTech soutient ce changement. Il a révélé que 79 % des répondants déclarent que l'IA est utilisée dans les systèmes de contrôle de production, pour gérer la qualité des produits, automatiser la robotique et rendre la maintenance prédictive plus intelligente.
Mais beaucoup d'exemples demeurent limités et spécifiques à une tâche. La plus grande opportunité consiste à utiliser l'IA physique pour remodeler la façon dont les chaînes de valeur fonctionnent à travers les frontières fonctionnelles. Cela signifie que des connaissances issues d'un secteur alimentent un autre en temps réel, que des agents interagissent avec d'autres agents et que les décisions opérationnelles deviennent plus rapides, plus connectées et plus adaptatives.
Ces exemples restent encore limités, car le fardeau du changement est élevé. L'IA physique affecte la façon dont le travail est conçu, comment les gens interagissent avec les machines, comment les décisions opérationnelles sont régies et comment le risque est géré.
Pourquoi les partenariats sont importants
L'IA physique est difficile à mettre à l'échelle parce qu'elle se trouve à la convergence de plusieurs disciplines.
« On parle d'une hyperconvergence de trois principes technologiques distincts : la technologie de l'ingénierie, la technologie opérationnelle et la technologie de l'information », explique Acharya.
Cette convergence est importante. La technologie de l'ingénierie apporte la physique, la conception et la compréhension des produits. La technologie opérationnelle apporte les machines, les automates programmables (PLC), les systèmes robotiques et les environnements de contrôle. La technologie de l'information apporte les données, l'intelligence, le nuage, la cybersécurité et le soutien à la décision.
Les entreprises doivent aussi prendre les bonnes décisions de calcul. L'IA physique dépend d'une approche intelligente du calcul qui détermine ce qui doit se produire à l'intérieur du produit, ce qui doit se passer à la périphérie (Edge) et ce qui devrait aller dans le nuage.
« Tout n'a pas à être fait dans le nuage. Tout n'a pas à être fait à la périphérie. Tout n'a pas à être fait en mémoire. Ce qui doit être traité à la périphérie, ce qui ira au nuage et ce qui sera en mémoire à l'intérieur du produit devient une décision très critique », affirme Acharya.
Voilà une raison pour laquelle les partenaires peuvent devenir importants. Le rapport de HCLTech a révélé que les organisations travaillant avec des experts externes sur des initiatives liées à l'IA sont plus susceptibles que celles qui ne le font pas d'avoir déployé des systèmes d'IA physique en production, soit 54 % contre 26 %.
Les partenaires peuvent aider les entreprises à rassembler les bonnes capacités en ingénierie, OT, TI, Edge, nuage, données et plateformes. Ils peuvent aussi aider les organisations à éviter de tout reconstruire à partir de zéro en assemblant des micro-capacités modulaires dans des modèles centrés sur la plateforme, plus évolutifs.
Pourquoi l'IA physique met en lumière les écarts de préparation
L'IA physique met en lumière les écarts de préparation des entreprises à l'IA de façon plus marquée que de nombreux cas d'utilisation en IA numérique.
Les organisations doivent tenir compte de trois « C » : convergence, changement et conséquence.
Le premier est la convergence. L'IA physique introduit l'IA dans un monde de personnes, de machines, de produits, d'installations et d'appareils, tout en réunissant la technologie de l'ingénierie, la technologie opérationnelle et la technologie de l'information.
Le deuxième est le changement. L'IA physique traverse les fonctions et affecte les processus opérationnels pouvant être essentiels à la production, à la sécurité et à la continuité. Elle peut exiger de nouvelles normes opérationnelles, des pratiques de sécurité et des modèles de collaboration entre les personnes, les machines et les robots.
Le troisième est la conséquence. Si une prédiction d'IA numérique est erronée, l'impact peut être contenu ou réversible. Si un système d'IA physique échoue, cela peut nuire à la qualité du produit, perturber les opérations en aval, entraîner la fermeture d'installations ou créer des risques pour la sécurité.
Cela rend la gouvernance, la cybersécurité, la sécurité et la supervision humaine essentielles dès le départ. L'IA physique ne peut être mise à l'échelle par la seule expérimentation. Il faut le bon modèle opérationnel, les bons droits décisionnels et les bons contrôles.
L'avantage concurrentiel, c'est la vitesse
Pour les organisations qui bougent tôt, Acharya croit que le plus grand facteur distinctif concurrentiel sera la rapidité. Il n'existe pas de manuel standard ni de modèle opérationnel unique pour l'IA physique, car chaque entreprise possède des actifs, des processus, des environnements et des profils de risque différents.
Le modèle opérationnel doit être conçu en fonction du contexte de l'organisation. La capacité d'industrialisation peut être développée avec l'aide de partenaires, mais c'est la rapidité qui sera décisive : la rapidité de la prise de décision, des projets pilotes, de la validation de la valeur, de l'apprentissage et de la mise à l'échelle.
Les organisations doivent agir rapidement.
Cela ne veut pas dire avancer à la légère. Cela signifie agir avec discipline et éviter le piège du pilote, où les organisations expérimentent pendant des mois sans prouver la valeur ou sans planifier l'échelle.
Acharya évoque trois principes de succès : « penser de façon expansive, penser de façon adaptative et penser à l'épreuve du temps. »
Les entreprises doivent penser de façon expansive à la façon dont l'IA physique peut générer de la valeur dans l'ensemble des opérations. Elles doivent penser de façon adaptative, car les technologies, les conditions d'affaires et les environnements opérationnels continueront d'évoluer. Elles doivent aussi penser à l'épreuve du temps dès le départ, afin que les solutions ne deviennent pas obsolètes lorsque le projet pilote est terminé.
L'IA physique ne se développera pas grâce au battage médiatique ou à des expérimentations isolées. Elle prendra de l'ampleur quand les organisations combineront les bonnes technologies, les bons partenaires, la bonne gouvernance et les bons modèles opérationnels pour générer un impact mesurable dans le monde physique.
L'occasion est importante, mais l'exécution est tout aussi complexe. Les entreprises qui bougent rapidement et avec discipline seront les mieux placées pour faire de l'IA physique une source d'avantage concurrentiel.
