Les fabricants ont continué de faire face à la hausse des coûts et à la pression sur la chaîne d’approvisionnement au troisième trimestre de 2026. Selon le National Association of Manufacturers’ Q3 Manufacturers’ Outlook Survey, l’augmentation des coûts des matières premières est demeurée le principal enjeu d’affaires pour un deuxième trimestre consécutif, suivie par la hausse des coûts des soins de santé et l’incertitude commerciale. Les répondants s’attendent à ce que le coût des matières premières et des autres intrants augmente de 5,0 % au cours des 12 prochains mois. Parmi les fabricants interrogés au sujet du conflit au Moyen-Orient, 60,6 % ont déclaré que la situation ne s’était pas améliorée par rapport au trimestre précédent, tandis que 33,2 % ont affirmé que les difficultés s’étaient accentuées.

La pression ne se limite pas à un seul marché. Un sondage de la Commission européenne mené auprès de plus de 12 000 entreprises manufacturières révèle que les entreprises ayant des activités commerciales ou de production à l’extérieur de l’UE ajustent leurs inventaires, sources d’approvisionnement, prix et contrats en réponse à un environnement commercial plus volatil et fragmenté.

La Commission identifie la réorganisation géopolitique, la dépendance à la Chine, l’incertitude commerciale avec les États-Unis et les perturbations sur les routes maritimes du Moyen-Orient comme des caractéristiques clés de cet environnement.

Ces conditions augmentent la valeur d’une vision plus rapide et d’opérations plus adaptatives. Or, le principal défi de l’AI s’est déplacé vers la mise à l’échelle. La recherche sur le secteur manufacturier de Deloitte pour 2026 a révélé que 84 % des répondants obtenaient une valeur mesurable de l’AI, tandis que seulement 20 % des cas d’utilisation avaient été mis à l’échelle de façon cohérente dans les sites ou l’entreprise.

Un projet pilote réussi peut améliorer une ligne ou une usine, mais la valeur organisationnelle dépend de la capacité à répliquer ce savoir-faire dans différents actifs, systèmes, régions et contextes opérationnels sans avoir à tout reconstruire chaque fois.

Pourquoi les projets pilotes réussis ont du mal à s’exporter

La difficulté débute souvent avec la façon dont un projet pilote est conçu.

Sous la pression d’offrir rapidement un résultat, une équipe peut connecter un modèle d’AI directement à des systèmes locaux de supervision et d’acquisition de données, des automates programmables ou d’autres technologies d’usine. Le cas d’utilisation fonctionne bien dans cet environnement parce que les noms d’actifs, pipelines de données et interfaces ont été configurés en fonction de l’usine ciblée.

Des problèmes surviennent lorsque l’organisation tente de le déployer 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 autre système de contrôle ou s’insérer dans un processus de production localement adapté.

Trois choix de conception limitent couramment l’extensibilité :

• Codage local en dur : Les noms d’actifs, les correspondances de données et les interfaces sont conçus autour d’une installation, plutôt qu’à partir d’un modèle de données réutilisable
• Infrastructure propre à l’usine : Le pilote fonctionne sur du matériel local dédié sans considérer l’évolution des coûts d’infrastructure, de licences et de soutien sur des dizaines de sites
• Analyse autonome : Le modèle produit une alerte ou un tableau de bord, mais reste déconnecté des processus d’entretien, de production, de gestion des stocks et des achats nécessaires à l’action

Chaque choix peut accélérer le pilote, mais ensemble ils engendrent un surcroît de travail au moment de le mettre à l’échelle. Le résultat est souvent un cas d’utilisation techniquement concluant, mais dont le coût organisationnel devient insoutenable.

Les fabricants doivent tenir compte de la réplication et du coût total de possession dès la conception initiale, et non après la mise en service de la première usine.

Bâtir une base commune sans ignorer les différences locales

Une approche évolutive commence par une feuille de route numérique couvrant les modèles de données communs, l’architecture edge-to-cloud, les modèles de déploiement, la gouvernance et l’intégration opérationnelle.

Un espace de noms unifié (UNS) permet d’organiser, nommer et contextualiser les données opérationnelles de façon cohérente à travers les sites. En misant sur une architecture publication-abonnement, il offre une vue temps réel commune des données, accessible par différents systèmes d’usine et d’entreprise. Cela réduit les intégrations point à point répétées et crée une base de données plus extensible pour l’AI avancée.

L’architecture doit aussi distinguer traitement centralisé et traitement en périphérie. Certains traitements doivent s’exécuter localement, alors que d’autres capacités peuvent être centralisées. Les tâches sensibles au temps devront peut-être demeurer à proximité de la production en périphérie, tandis que la gestion des modèles, l’analyse intersites et la gouvernance d’entreprise peuvent résider dans le cloud ou des plateformes centralisées. Le déploiement par conteneurisation facilite ensuite le déplacement, la mise à jour et la gestion de ces capacités dans divers environnements.

La technologie seule ne réglera pas le problème. Un modèle opérationnel extensible nécessite aussi :

• Une fonction AI centrale propriétaire de l’architecture, des standards de gouvernance, des éléments réutilisables et des mesures de performance organisationnelles 
• Des équipes locales autorisées à adapter les solutions aux réalités opérationnelles 
• Une intégration aux systèmes de fabrication, d’entretien et d’entreprise 
• Une propriété claire de l’adoption, des changements de processus et des résultats opérationnels 

La température, l’humidité, la qualité des matières premières, la réglementation et les pratiques d’exploitation influencent le comportement des machines. Un UNS offre de la cohérence dans les données opérationnelles et favorise des déploiements plus constants d’une usine à l’autre. Son architecture en étoile limite la création d’intégrations point à point pour chaque système. L’extensibilité efficace exige un noyau réutilisable jumelé à une localisation contrôlée, et non un simple modèle copie-collé. 

La confiance dépend de la réalité de l’usine

La qualité des données risque d’être négligée quand la pression d’obtenir rapidement des résultats est forte. Certains pilotes s’appuient sur des données synthétiques ou d’exemple, ce qui pose problème lors de la mise en service réelle en usine. Les entreprises adoptent une gouvernance et un assainissement plus intentionnels des données, mais ces démarches seules ne saisissent pas forcément tout le contexte opérationnel.

Les données industrielles ne reflètent souvent qu’une partie de la réalité physique.

Un système d’entretien pourrait ne pas noter qu’un roulement ou un joint a été récemment remplacé. Des schémas de câblage peuvent être périmés. Des opérateurs d’expérience savent peut-être qu’une machine se comporte différemment sous certaines charges, mais ce savoir n’a possiblement jamais été documenté. Ces situations échappent parfois aux initiatives guidées par les données, donnant une image incomplète ou inexacte des conditions sur le terrain.

Quand des données incomplètes conduisent un modèle à recommander la mauvaise action, la confiance peut se détériorer rapidement. Ce risque est aggravé par la dérive des capteurs, la dérive du modèle, la fragmentation des systèmes et le comportement erratique des agents, si bien qu’une solution ayant perdu l’appui des opérateurs dans une usine deviendra difficile à étendre à l’entreprise entière.

Cela fait du personnel d’usine un acteur essentiel des initiatives AI. Les opérateurs devraient aider à valider les données, tester les recommandations et signaler le contexte non documenté affectant les performances. Leurs commentaires améliorent le modèle, tandis que des « champions » en usine aident les collègues à comprendre en quoi cette capacité appuie leur travail.

Il faut aussi considérer la pression opérationnelle. Dans la fabrication en continu, les employés ne peuvent pas simplement arrêter un four, un compresseur ou une chaîne de production pour un déploiement technologique. Les plans d’adoption doivent tenir compte de la disponibilité limitée d’équipes dont la priorité est d’assurer la production.

Passer de l’analyse à l’action contrôlée

Le maintien prédictif, la vision par ordinateur et l’optimisation de la production conservent leur importance, mais l’AI industrielle commence à soutenir des décisions plus coordonnées pour réduire l’écart entre l’analyse et l’action.

Les jumeaux numériques aident les équipes à évaluer des changements de production avant de les appliquer en usine. Cela s’avère utile quand la pénurie de matières premières, les coûts énergétiques ou l’évolution de la demande exigent de rééquilibrer les lignes, d’ajuster la capacité ou de modifier les paramètres de procédé.

Agentic AI peut coordonner les étapes d’intervention. Un agent peut interpréter un signal qualité ou équipement, repérer les dossiers d’entretien, vérifier les priorités de production et la disponibilité des pièces, puis préparer un plan d’action. Selon le risque, il pourra acheminer ce plan pour approbation ou lancer des actions autorisées dans les systèmes connectés.

Combler l’écart entre analyse et action est essentiel, mais il faut avancer prudemment au fur et à mesure que la confiance et les preuves s’accumulent. Un cadre pratique comporte trois niveaux.

1. Exécution autonome dans des limites définies

   Des actions peu risquées et réversibles, comme le réapprovisionnement des stocks ou l’ajustement du chauffage/rafraîchissement d’entrepôt, peuvent être confiées à l’exécution autonome une fois que le système a démontré une performance constante.

2. Approbation humaine avant exécution

   Ajuster la vitesse d’une chaîne d’assemblage, les températures de procédé ou les débits d’alimentation chimique peut affecter la cadence, les rebuts, l’efficacité de l’équipement et la qualité du produit. L’AI peut formuler le plan d’action, mais un opérateur devrait l’approuver avant sa mise en œuvre dans l’environnement de contrôle.

3. Exécution contrôlée par l’humain

   Les opérations coûteuses, critiques pour la sécurité ou difficiles à annuler exigent un contrôle humain responsable. Redémarrer une usine après une panne majeure, modifier une formulation centrale ou outrepasser un contrôle de sécurité peuvent s’appuyer sur des simulations et recommandations, mais l’exécution doit rester manuelle.

   Le bénéfice anticipé doit toujours être mis en balance avec le coût d’un échec. Un niveau d’autonomie élevé peut être techniquement possible, mais difficile à justifier lorsqu’une mauvaise action pourrait endommager l’équipement, gâcher un lot ou provoquer un incident de sécurité.

La gouvernance doit être inclusive

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

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

• Qui est responsable de la capacité et du résultat d’affaires 
• Quelles données le modèle ou l’agent peut accéder 
• Quels systèmes peuvent être mis à jour ou contrôlés 
• Quand une validation ou une escalade est requise 
• Comment les activités seront consignées et vérifiées 
• Ce qui se passe en cas de baisse de performance ou d’action incorrecte 
• Comment la tolérance des modèles, les hallucinations et la dérive seront surveillées au fil des changements d’exploitation
• La sécurité des technologies opérationnelles doit être intégrée au même modèle de gouvernance car la mise à l’échelle de l’AI peut créer de nouveaux points d’entrée dans l’usine. Les équipes d’architecture doivent maintenir la segmentation réseau, contrôler étroitement l’accès et garantir que les services AI ne créent pas de cheminements non gérés vers les systèmes de production.

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

Les outils, approches et cas d’utilisation sont multiples, donc les décideurs doivent cibler ceux qui sont pertinents, extensibles et arrimés aux enjeux d’affaires. Je recommande de décomposer ces enjeux en sous-composantes à traiter via des pilotes, puis d’en mesurer la valeur commerciale. Voici quelques domaines sur lesquels nous travaillons à l’échelle de l’industrie :

• Efficacité globale de l’équipement 
• Rendement au premier passage 
• Rebuts et déchets 
• Performance des changements de production 
• Coût de conversion par unité ou par tonne 
• Consommation d’énergie 
• Temps de coupe
• Sécurité 

Gardons à l’esprit qu’un pilote peut être évalué selon l’amélioration générée dans une usine, mais un programme organisationnel requiert des indicateurs additionnels pour démontrer si la capacité est transférable.

Les dirigeants devraient aussi suivre les indicateurs de livraison et de passage à l’échelle, notamment le temps vers la première analyse, la rapidité de passage pilote-production, le temps de stabilisation, le retour sur investissement et le coût global de l’exploitation de la capacité sur l’ensemble du parc.

La capacité de réplication elle-même doit être mesurée. Quel degré de personnalisation faut-il pour utiliser le modèle de données dans une autre usine ? Quelle charge d’intégration d’anciens systèmes faut-il reproduire ? L’architecture de déploiement autorise-t-elle les mises à jour centrales ? Comment les conditions régionales influencent-elles les performances du modèle ?

Le taux d’erreur de l’AI et le coût potentiel d’une décision erronée doivent aussi déterminer le niveau de supervision humaine. Ces mesures révèlent la différence entre une bonne démonstration et une véritable capacité organisationnelle. 

Concevoir pour l’entreprise dès le départ

La prochaine phase de l’AI industrielle dépendra du lien entre intelligence locale, architecture réplicable, actions gouvernées et performance d’affaires mesurable.

Les fabricants qui s’attaquent dès le début à la cohérence des données, au déploiement edge-to-cloud, à l’intégration des flux, à la gestion du changement et à la sécurité seront mieux placés pour étendre leurs cas d’utilisation réussis. Ces mêmes assises soutiendront les jumeaux numériques, les agents intelligents et des opérations graduellement plus autonomes.

Les programmes les plus solides conjuguent des standards organisationnels et l’expérience du personnel opérationnel de chaque usine. Cet équilibre permet aux fabricants de passer à l’échelle plus vite, sans perdre de vue les réalités locales qui déterminent si l’AI fonctionne en production.