L’IA a déjà transformé le travail numérique. Elle peut générer du code, automatiser les flux de travail TI, soutenir les équipes de service et accélérer la prise de décision dans toute l’entreprise. La prochaine frontière de l’IA physique intègre de l’intelligence dans les environnements où les produits sont fabriqués, les actifs sont entretenus, les marchandises sont déplacées et les infrastructures sont exploitées.

Le rapport Les impératifs d’impact de l’IA, 2026 de HCLTech définit l’IA physique comme « l’application de l’IA, y compris l’IA générative, l’IA agentique, l’apprentissage automatique et les systèmes de prise de décision autonome, pour percevoir, comprendre et agir sur les environnements physiques et les processus opérationnels du monde réel. » Elle englobe les systèmes intelligents à travers la fabrication, les opérations industrielles, la logistique, l’infrastructure et les opérations sur le terrain qui peuvent observer les conditions, prendre des décisions de façon autonome et exécuter des actions afin d’atteindre des objectifs d’affaires.

Dans une discussion sur les résultats du rapport, Mark Beccue, analyste principal, IA chez Omdia, s’est entretenu avec Tamas Foldi, vice-président principal, Kinetic AI chez HCLTech, à propos des raisons pour lesquelles l’IA physique gagne en popularité et comment les entreprises peuvent passer de l’expérimentation à la production.

L’IA physique, c’est l’intelligence en action

« L’IA physique est une IA qui interagit directement avec le monde physique », a déclaré Foldi. « Il y a deux dimensions à cela. L’une concerne les opérations physiques, et on peut penser à tous ces secteurs verticaux qui opèrent traditionnellement dans le monde physique, comme la fabrication, l’aérospatiale, les dispositifs médicaux, l’entreposage et la logistique. »

La première dimension est l’intelligence opérationnelle. Cela inclut l’amélioration de la productivité, du rendement, de la santé des actifs et de la disponibilité dans les environnements physiques. La seconde est le transfert de l’intelligence vers les machines, incluant la robotique, les systèmes autonomes et les véhicules autonomes.

« C’est là que la robotique, les systèmes autonomes et les véhicules autonomes entrent en jeu », a ajouté Foldi. Ces systèmes peuvent « percevoir, décider selon la réalité perçue du monde physique et agir. »

C’est ce qui distingue l’IA physique. Elle rapproche l’intelligence de l’action réelle, permettant aux systèmes d’appuyer la prise de décision dans les environnements opérationnels.

« Avec l’IA physique, vous n’améliorez pas seulement les flux de travail numériques, » a dit Foldi. « Vous dotez votre système de plus d’intelligence. »

L’opportunité est importante, mais la maturité est inégale

Le rapport indique que 90 % des répondants estiment que l’IA physique sera essentielle ou importante pour le succès organisationnel au cours des trois prochaines années. Cependant, les organisations qui n’avaient pas dépassé les premiers déploiements en production, incluant celles qui en étaient encore à la recherche, l’évaluation ou le pilote de l’IA physique, étaient plus nombreuses que celles qui ont de nombreux systèmes en production, par plus de quatre à un (81 % contre 19 %).

Cette différence entre ambition et maturité est importante. Les entreprises voient l’opportunité, mais plusieurs cherchent toujours comment déployer l’IA physique de façon sécuritaire et efficace à l’échelle.

« L’IA physique est l’une des plus grandes opportunités inexploitées pour les entreprises, » dit Foldi. « Tout le monde est parfaitement concentré sur l’IA numérique. »

L’élan s’accélère parce que plusieurs facteurs convergent à la fois. Les modèles deviennent plus puissants. L’IA agentique et les modèles du monde réel peuvent mieux comprendre leur environnement, soutenir le raisonnement spatial et coordonner les actions. La simulation et les données synthétiques réduisent aussi les obstacles à l’entrée.

« Avant, la collecte de données était très coûteuse, parfois risquée, » a expliqué Foldi. « Maintenant, avec toutes ces capacités de simulation, on peut générer ou augmenter ses données, ce qui réduit le délai de commercialisation et permet aussi d’abaisser les coûts. »

C’est important parce que l’IA physique dépend de l’apprentissage à partir des systèmes physiques. La simulation, le déploiement dans le monde réel et la rétroaction opérationnelle peuvent créer une boucle d’amélioration continue, aidant les organisations à tester, à affiner et à mettre à l’échelle les systèmes alimentés par l’IA avec plus de confiance.

L’IA physique peut transformer la performance opérationnelle

L’IA physique a le potentiel de bénéficier à de nombreux domaines opérationnels. Le rapport a constaté que la plupart des répondants ont sélectionné la logistique et la gestion de la chaîne d’approvisionnement (63 %), les opérations sur le terrain (59 %), la gestion des installations (56 %) et la fabrication (55 %) comme des domaines qui pourraient profiter du déploiement de l’IA physique.

Les avantages vont aussi au-delà des gains d’efficacité habituellement associés à l’IA numérique. Le rapport indique que l’accroissement de l’efficacité opérationnelle est le bénéfice le plus souvent constaté (56 %). Il souligne également des avantages uniques à l’IA physique, comme la modernisation et la prolongation de la vie des actifs physiques (47 %), l’atteinte des objectifs de durabilité (46 %) et l’amélioration de la sécurité physique (46 %).

Foldi identifie de fortes pratiques d’application dans le contrôle de la qualité, la détection des défauts, la maintenance prédictive, l’optimisation des procédés, la logistique intelligente, la gestion d’entrepôt et la robotique.

« La maintenance prédictive est énorme, » dit-il. « On peut aussi utiliser l’automatisation robotique, par exemple avec des drones ou des plateformes mobiles, pour aller dans des usines de fabrication industrielle ou des mines, rechercher des problèmes et effectuer des corrections. »

La plus grande opportunité apparaît lorsque l’IA physique va au-delà de la détection et de la recommandation. Un système peut identifier un problème de performance d’un actif, déterminer la bonne solution et exécuter lui-même la correction.

« Traditionnellement, on ferme un flux de travail en créant un billet et une personne effectue l’action. Avec l’IA physique, le système peut effectuer la correction lui-même, de bout en bout, » explique Foldi.

Pour les entreprises, cette boucle fermée est l’endroit ou l’IA physique commence à transformer la performance opérationnelle. Elle peut aider les systèmes à s’adapter et à agir dans des environnements physiques, à condition que ces systèmes soient intégrés de façon sécuritaire aux processus, contrôles et structures de gouvernance qui les entourent.

Le défi, c’est tout ce qui entoure le modèle

La promesse de l’IA physique est considérable, mais le déploiement est complexe. Ces systèmes fonctionnent souvent en temps réel, dans des environnements critiques où la sécurité, la résilience, la cybersécurité et la conformité réglementaire sont essentielles.

« On a beaucoup parlé de l’IA, mais ce qui est vraiment difficile dans les programmes d’IA, ce n’est pas l’IA elle-même. C’est tout ce qui gravite autour, » mentionne Foldi.

L’IA physique doit être intégrée aux systèmes hérités, aux processus opérationnels, aux appareils périphériques, aux pipelines de données, aux environnements de simulation et aux plateformes d’entreprise. Sans cette intégration, les organisations risquent de se retrouver avec des utilisations isolées qui n’atteindront jamais l’échelle souhaitée.

La sécurité est un autre enjeu majeur. L’IA physique peut avoir un impact sur les actifs, les travailleurs et les opérations en temps réel, ce qui signifie que les systèmes doivent être fiables, encadrés et sécurisés dès le départ.

« Nous travaillons dans des environnements en temps réel, » souligne Foldi. « Il y a des exigences réglementaires et de sécurité, de la collaboration humain-robot et des environnements hétérogènes avec des protocoles très exotiques qu’il faut intégrer. »

C’est pourquoi les entreprises doivent penser au-delà des modèles. Il leur faut l’infrastructure, la gouvernance et les capacités d’intégration nécessaires pour rendre l’IA physique opérationnelle.

« Le plus difficile, c’est la façon dont vous allez l’intégrer à vos systèmes d’entreprise dans le monde réel », dit Foldi.

Les partenaires peuvent accélérer le déploiement

Le rapport a montré que 54 % des organisations travaillant avec des partenaires IA ont déployé des systèmes d’IA physique en production, soit plus du double des 26 % observés parmi celles ne travaillant pas avec des partenaires. Il a également révélé que ces organisations sont plus susceptibles de constater des résultats positifs attribués à l’IA physique, dont des améliorations en sécurité et en gestion des risques (75 % contre 48 %), de meilleurs taux d’utilisation des ressources (71 % contre 43 %) et une augmentation de la disponibilité des chaînes de production (64 % contre 52 %).

Pour Foldi, cela reflète la complexité de l’environnement. L’IA physique requiert des expertises croisées en ingénierie, IA, robotique, intégration, calcul, déploiement périphérique et opérations.

« L’IA physique, c’est difficile, » insiste-t-il. « On a besoin de beaucoup d’expertises qui ne sont pas forcément au cœur de votre entreprise. Avoir un intégrateur qui peut vous aider tout au long du processus, c’est vraiment utile. »

HCLTech soutient cela grâce à des capacités comme Kinetic AI pour la robotique, VisionX pour l’intelligence multinodale du périphérique au nuage, et SmarTwin pour la création de jumeaux numériques alimentés par l’IA. Ces capacités sont conçues pour aider les organisations à accélérer le développement et à se concentrer sur les résultats, plutôt que de bâtir chaque composant à partir de zéro. 

« Nous pouvons aider les clients à démarrer plus vite et à veiller à ce que nous restions concentrés sur les résultats d’affaires et non sur la technologie, » conclut Foldi. « C’est ce qui compte vraiment. »

Concevoir pour la mise à l’échelle dès le départ

L’une des grandes leçons des premiers programmes d’IA physique, c’est que les cas d’utilisation petits ou isolés créent rarement une valeur de transformation. Les entreprises doivent cibler des domaines à fort impact où l’IA physique peut améliorer la sécurité, la productivité, la performance des actifs, la résilience ou le coût, puis concevoir la mise à l’échelle dès le début.

« Commencez avec les problèmes d’affaires les plus difficiles, pas nécessairement les plus faciles. Débutez par le plus critique, celui qui peut générer le meilleur rendement sur investissement pour votre entreprise, » dit Foldi.

L’IA physique est encore en maturation, mais son orientation est claire. Alors que les systèmes intelligents passent des flux de travail numériques aux environnements physiques, les entreprises ont l’occasion de repenser la façon dont leurs opérations fonctionnent. Les organisations qui réussiront seront celles qui relieront l’ambition à l’exécution, intégreront l’IA aux systèmes du monde réel et établiront les bases nécessaires pour une croissance sécuritaire.

La prochaine vague d’impact de l’IA ne se verra pas seulement sur des écrans. Elle se fera sentir dans les usines, les entrepôts, les opérations sur le terrain, les infrastructures et les machines qui peuvent apprendre, s’adapter et agir.