Les fabricants ont continué à faire face à la hausse des coûts et aux pressions sur la chaîne d’approvisionnement au troisième trimestre de 2026. Selon le National Association of Manufacturers’ Q3 Manufacturers’ Outlook Survey, l’augmentation du coût des matières premières est demeurée le principal défi commercial pour un deuxième trimestre consécutif, les coûts croissants des soins de santé et l’incertitude commerciale complétant le trio de tête. Les répondants s’attendent à ce que les coûts des matières premières et autres intrants augmentent de 5 % au cours des 12 prochains mois. Parmi les fabricants interrogés à propos du conflit au Moyen-Orient, 60,6 % ont déclaré que la situation ne s’était pas améliorée depuis le trimestre précédent, tandis que 33,2 % ont signalé une aggravation des défis.

La pression s’étend au-delà de tout marché unique. Une enquête de la Commission européenne auprès de plus de 12 000 entreprises manufacturières a révélé que les entreprises menant des activités commerciales ou de production en dehors de l’UE ajustaient leurs inventaires, leurs approvisionnements, leurs prix et leurs contrats pour s’adapter à un environnement commercial plus volatil et fragmenté.

La Commission identifie le réalignement géopolitique, la dépendance à la Chine, l’incertitude entourant le commerce avec les États-Unis et la perturbation des routes maritimes au Moyen-Orient comme éléments clés de cet environnement.

Ces conditions augmentent la valeur d’une vision plus rapide et d’opérations plus adaptatives. Pourtant, le principal défi lié à l’AI concerne désormais le passage à l’échelle. Un important cabinet de conseil a constaté que 84 % des répondants généraient une valeur mesurable grâce à l’AI, alors que seulement 20 % des cas d’utilisation avaient été déployés à grande échelle de façon cohérente sur plusieurs sites ou pour l’entreprise entière.

Un projet pilote réussi peut améliorer une ligne de production ou une usine, mais la valeur pour l’entreprise dépend de la capacité à répliquer cette compétence sur différents actifs, systèmes, régions et conditions d’exploitation, sans devoir tout reconstruire à chaque fois.

Pourquoi les projets pilotes peinent à s’exporter

La difficulté découle souvent de la façon dont un pilote est conçu.

Pressée de démontrer des résultats rapidement, une équipe peut connecter un modèle d’AI directement aux systèmes locaux de contrôle et d’acquisition de données, aux automates programmables ou à d’autres technologies d’usine. Le cas d’utilisation fonctionne bien dans cet environnement, car les noms des actifs, les pipelines de données et les interfaces ont été configurés pour cette usine spécifique.

Les problèmes surgissent lorsque l’organisation tente de déployer la solution ailleurs. Le même moteur, signal de température ou mesure de vibration peut porter un nom différent dans une autre installation. L’équipement peut provenir d’un autre fournisseur, fonctionner avec un système de contrôle différent ou s’intégrer à un processus de production localement adapté.

Trois choix de conception limitent souvent la possibilité de passage à l’échelle :

• Codage local en dur : Les noms d’actifs, les mappages de données et les interfaces sont construits autour d’un seul site au lieu d’un modèle de données réutilisable
• Infrastructure propre à l’usine : Le pilote s’exécute sur du matériel local dédié sans tenir compte de l’évolution des coûts de calcul, de licence et de support à travers des dizaines de sites
• Vision isolée : Le modèle produit un avertissement ou un tableau de bord mais reste déconnecté des flux de travail d’entretien, de production, d’inventaire et d’approvisionnement nécessaires à l’action

Chacun de ces choix peut accélérer la réalisation du pilote, mais ensemble ils créent du travail supplémentaire lorsque l’organisation tente le passage à l’échelle. Il en résulte souvent des cas d’utilisation techniquement réussis mais coûtent trop cher à l’échelle de l’entreprise.

Les fabricants doivent considérer la répétabilité et le coût total de possession dès la conception initiale, plutôt qu’après la mise en service du premier site.

Établir une base commune sans ignorer les différences entre usines

Une approche extensible commence par un plan numérique couvrant les modèles de données communs, l’architecture edge-to-cloud, les modèles de déploiement, la gouvernance et l’intégration opérationnelle.

Un Unified Namespace (UNS) peut offrir une façon cohérente d’organiser, nommer et contextualiser les données opérationnelles entre usines. Grâce à une architecture publish-subscribe, il fournit une vue commune en temps réel des données, accessible par différents systèmes d’usine et d’entreprise. Cela réduit le besoin d’intégrations point à point répétées et peut offrir une base de données plus extensible pour des applications avancées d’AI.

L’architecture doit aussi faire la distinction entre le traitement centralisé et le traitement en périphérie. Certaines charges de travail doivent être exécutées localement, tandis que d’autres capacités peuvent être gérées de façon centralisée. Le traitement sensible au temps peut devoir rester proche de la production en périphérie, alors que la gestion des modèles, les analyses croisées et la gouvernance d’entreprise peuvent être centralisées ou dans le cloud. Un déploiement conteneurisé facilite la migration, la mise à jour et la gestion de ces capacités dans divers environnements.

La technologie à elle seule ne résoudra pas le problème. Un modèle d’exploitation extensible a aussi besoin de :

• Une fonction AI centrale responsable de l’architecture, des standards de gouvernance, des composants réutilisables et des mesures de performance d’entreprise 
• Des équipes d’usine ayant le pouvoir d’adapter les solutions aux conditions d’exploitation locales 
• Une intégration aux systèmes d’exécution manufacturière, de maintenance et d’entreprise 
• Une répartition claire des responsabilités pour l’adoption, le changement des processus et les résultats opérationnels 

La température, l’humidité, la qualité des matériaux entrants, la réglementation et les pratiques opérationnelles peuvent tous influencer le comportement des machines. Un UNS peut offrir un contexte pour les données opérationnelles et faciliter des déploiements plus cohérents entre usines. Son architecture en étoile réduit le besoin de bâtir de nouvelles intégrations point à point pour chaque système. Une mise à l’échelle efficace exige un noyau réutilisable avec une localisation contrôlée, et non un modèle strict de copier-coller. 

La confiance dépend de la réalité de l’usine

Les données peuvent être négligées lorsque les équipes sont pressées de démontrer des progrès rapidement. Certains pilotes s’appuient sur des données synthétiques ou d’exemple, ce qui pose problème lors du passage à un environnement réel d’usine. Les entreprises adoptent une approche plus réfléchie de la gouvernance et du nettoyage des données, mais ces étapes seules ne permettent pas de saisir tout le contexte opérationnel.

Les données industrielles offrent souvent une vue incomplète de l’environnement physique.

Un système de maintenance peut ne pas indiquer qu’un roulement ou un joint vient d’être remplacé. Les schémas électriques peuvent être obsolètes. Les opérateurs expérimentés savent parfois qu’une machine se comporte différemment sous certaines charges, mais ce savoir n’a jamais été documenté. Ces cas peuvent être négligés dans les initiatives pilotées par la donnée, laissant une image incomplète ou erronée des conditions réelles de l’usine.

Lorsque des données incomplètes poussent un modèle à recommander une mauvaise action, la confiance peut s’éroder rapidement. Ce risque est accru par la dérive des capteurs, des modèles, des systèmes fragmentés et un comportement non fiable des agents, rendant une solution qui perd la confiance des opérateurs dans une usine difficile à déployer à grande échelle dans l’entreprise.

Cela rend le personnel de l’usine essentiel aux initiatives AI. Les opérateurs doivent contribuer à valider les données, tester les recommandations et identifier le contexte non documenté influençant la performance. Leurs commentaires peuvent améliorer le modèle, tandis que des ambassadeurs sur le plancher aident leurs collègues à comprendre comment la solution appuie leur travail.

Le processus doit aussi tenir compte de la pression opérationnelle. Les employés dans les environnements de production continue ne peuvent pas simplement arrêter un four, un compresseur ou une ligne de production pour une mise en service technologique. Les plans d’adoption doivent refléter la disponibilité limitée des équipes dont la priorité est d’assurer la continuité de la production.

Passer de l’insight à l’action contrôlée

La maintenance prédictive, la vision par ordinateur et l’optimisation de la production restent importantes, mais l’AI industrielle commence à appuyer des décisions plus coordonnées, refermant l’écart entre l’observation et l’action.

Les jumeaux numériques peuvent aider les équipes à évaluer les changements de production avant de les appliquer à l’exploitation réelle. Ceci est utile quand des pénuries de matières premières, la hausse des coûts énergétiques ou des variations de la demande obligent les fabricants à rééquilibrer les lignes, ajuster le débit ou modifier les paramètres des procédés.

Agentic AI peut coordonner les étapes de la réponse. Un agent peut interpréter un signal de qualité ou d’équipement, extraire les dossiers de maintenance, vérifier les priorités de production et la disponibilité des pièces, puis préparer un plan d’action. Selon le risque, il peut soumettre le plan à l’approbation ou lancer les actions permises via des systèmes connectés.

Refermer l’écart entre l’insight et l’action est clé, mais les entreprises doivent avancer prudemment à mesure que la preuve s’accumule et que la confiance croît. Un cadre pratique comporte trois niveaux.

1. Exécution autonome dans des limites définies

   Les actions à faible risque et réversibles, comme le réapprovisionnement d’inventaire ou l’ajustement du chauffage et du refroidissement d’entrepôt, peuvent convenir à une exécution autonome une fois la performance du système prouvée.

2. Approbation humaine avant exécution

   L’ajustement de la vitesse d’une chaîne de production, de la température d’un procédé ou du débit d’apport de produits chimiques peut affecter le débit, les rebuts, l’efficacité de l’équipement et la qualité du produit. L’AI peut élaborer le plan d’action, mais un opérateur devrait l’approuver avant son application au niveau du contrôle.

3. Exécution contrôlée par l’humain

   Les actions coûteuses, critiques pour la sécurité ou difficilement réversibles requièrent un contrôle humain responsable. Redémarrer une usine après une panne, modifier une formulation centrale ou outrepasser un contrôle de sécurité peuvent être appuyés par des simulations et recommandations, mais leur exécution doit demeurer manuelle.

   Le bénéfice attendu doit toujours être mis en balance avec le coût potentiel d’un échec. Un niveau d’autonomie élevé est peut-être techniquement atteignable, mais difficile à justifier si une mauvaise action peut endommager l’équipement, gaspiller un lot ou entraîner un incident de sécurité.

La gouvernance doit être inclusive

La gouvernance de l’AI industrielle doit couvrir toute la chaîne de décision : données, modèles, agents, intégrations, approbations et résultats.

Pour chaque cas d’utilisation, les fabricants devraient préciser :

• Qui détient la responsabilité de la solution et de ses résultats commerciaux 
• À quelles données le modèle ou l’agent peut accéder 
• Quels systèmes il peut mettre à jour ou contrôler 
• Quand une approbation ou une escalade est requise 
• Comment les activités seront consignées et auditées 
• Que faire en cas de baisse de performance ou d’action incorrecte 
• Comment les tolérances de modèles, les hallucinations et la dérive seront surveillées à mesure que les conditions d’exploitation évoluent
• La sécurité des technologies opérationnelles doit être intégrée dans le même modèle de gouvernance, car l’extension de l’AI peut créer de nouvelles connexions vers des environnements protégés. Les équipes d’architecture doivent préserver la segmentation du réseau, restreindre rigoureusement les accès et s’assurer que les services d’AI ne créent pas de voies d’accès non contrôlées vers les systèmes de production.

Mesurer la capacité de l’AI à passer à l’échelle

Puisqu’il existe de nombreux outils, approches et cas d’utilisation, les dirigeants doivent se concentrer sur ceux qui sont pertinents, extensibles et liés aux enjeux d’affaires. Je recommande de décomposer ces enjeux en sous-problèmes accessibles via des pilotes pouvant être mesurés pour leur valeur commerciale. Certains axes sur lesquels nous travaillons dans l’industrie :

• Efficacité globale des équipements 
• Première qualité obtenue 
• Rebuts et pertes 
• Performance lors des changements de production 
• Coût de conversion par unité ou par tonne 
• Consommation d’énergie 
• Latence d’usinage
• Sécurité 

Il faut se rappeler qu’un pilote peut être évalué selon l’amélioration qu’il génère dans une usine, mais un programme d’entreprise requiert des indicateurs supplémentaires démontrant la transférabilité de la solution.

Les responsables devraient aussi suivre les indicateurs de livraison et de passage à l’échelle, notamment le temps avant la première information exploitable, la rapidité de passage du pilote à la production, le temps de stabilisation, la période de retour sur investissement et le coût total d’exploitation de la solution dans l’entreprise.

La répétabilité elle-même devrait être mesurable. Quelle quantité de personnalisation faut-il pour appliquer le modèle de données dans une autre usine ? Combien d’intégration avec des systèmes hérités doit être refaite ? L’architecture de déploiement permet-elle les mises à jour centrales ? Comment les conditions régionales influencent-elles les performances du modèle ?

Les taux d’erreur de l’AI et le coût potentiel d’une mauvaise décision devraient aussi déterminer le niveau de supervision humaine. Ces mesures révèlent la différence entre une bonne démonstration et une capacité d’entreprise. 

Penser à l’entreprise dès le départ

La prochaine phase de AI industrielle dépendra de la connexion entre l’intelligence sur le plancher et une architecture reproductible, une action régie et des performances d’affaires mesurables.

Les fabricants qui s’attaquent à la cohérence des données, au déploiement edge-to-cloud, à l’intégration des flux de travail, à la gestion du changement et à la sécurité dès le départ seront mieux placés pour étendre les cas d’utilisation réussis à travers leur réseau. Les mêmes fondations soutiendront les jumeaux numériques, les agents intelligents et des opérations de plus en plus autonomes.

Les meilleurs programmes conjuguent les standards d’entreprise à l’expérience du personnel sur chaque site. Cet équilibre permet aux fabricants d’accroître rapidement le déploiement sans perdre de vue les réalités locales qui déterminent si l’AI fonctionne réellement en production.