Par Carine Lucas - L'IA transforme profondément l'industrie manufacturière, mais pour de nombreux dirigeants d'entreprise, il reste difficile de distinguer les véritables possibilités de l'IA du battage médiatique qui l'entoure.
À l'approche de sa participation à la session plénière de l'événement « Bright New World » organisé par Agoria le 6 octobre, Matthias Loskyll, senior director AI & robotics chez Siemens, explique la réalité qui se cache derrière l'IA industrielle et l'IA physique. Il aborde les idées reçues tenaces concernant les « dark factories » entièrement autonomes et les robots humanoïdes, souligne pourquoi les processus centrés sur l’humain restent indispensables et partage une vision pragmatique sur la manière dont les entreprises manufacturières européennes peuvent mettre à profit leur expertise approfondie du secteur pour renforcer leur compétitivité.
Le marché est inondé de termes liés à l’IA tels que l’IA générative, l’IA grand public et l’IA physique pour l’industrie manufacturière. Comment expliqueriez-vous les différences fondamentales entre ces concepts à un comité de direction ?
Matthias Loskyll : Tout d’abord, il est important de comprendre que ces termes ne se situent pas tous au même niveau. Ils se recoupent en partie. L’IA générative est un volet spécifique de la technologie de l’IA, au même titre que l’IA prédictive ou l’apprentissage automatique classique. L’IA générative vise à créer du nouveau contenu, tel que du texte, du code logiciel, des images ou de la documentation technique et des conceptions destinées à des applications industrielles. Cette technologie peut être déployée aussi bien dans des applications grand public que dans des environnements industriels.
En ce qui concerne les applications, nous faisons généralement la distinction entre l’IA grand public et l’IA industrielle. L’IA industrielle est pour nous le terme générique désignant toutes les applications d’IA dans des environnements tels que les usines, les bâtiments et les infrastructures de transport.
L’IA physique, quant à elle, désigne le domaine dans lequel l’intelligence artificielle agit directement dans le monde physique. Elle connaît actuellement un essor important dans les environnements industriels. L’IA perçoit son environnement via des capteurs, analyse ce qui se passe, puis effectue de manière autonome des actions physiques à l’aide d’actionneurs, tels qu’un bras robotisé ou un système de production.
La principale différence entre l’IA grand public et l’IA industrielle réside dans la responsabilité et l’impact des décisions prises. Sur le lieu de travail, une application d’IA peut avoir une incidence sur la qualité des produits, la sécurité des employés, la consommation d’énergie et la continuité de la production. En cas de défaillance, les conséquences peuvent être considérables.
C’est pourquoi l’IA industrielle doit être fiable, sûre et transparente. De plus, elle doit s’appuyer sur des connaissances techniques, des données opérationnelles et une expertise approfondie du domaine spécifique dans lequel elle est déployée.
La principale différence entre l’IA grand public et l’IA industrielle réside dans la responsabilité et l’impact des décisions prises. Sur le lieu de travail, une application d’IA peut avoir une incidence sur la qualité des produits, la sécurité des collaborateurs, la consommation d’énergie et la continuité de la production.
Matthias Loskyll, senior director AI & robotics chez Siemens
Sirris a récemment publié le Smart Manufacturing Barometer, une enquête menée auprès de 600 entreprises manufacturières flamandes qui a donné lieu à un échantillon représentatif de plus de 90 répondants. Il en ressort que 35 % des entreprises ne disposent pas encore de stratégie en matière d’IA et que celle-ci est aujourd’hui principalement utilisée pour des processus administratifs, plutôt que sur le lieu de travail.
Les principaux obstacles sont la recherche d’un point de départ concret (42 %) et la démonstration de la rentabilité du projet (35 %). Selon vous, comment les entreprises manufacturières peuvent-elles surmonter ces obstacles et faire passer l’IA du back-office à l’atelier de production en toute sécurité ?
Matthias Loskyll : Ces résultats correspondent étroitement à ce que nous observons sur le marché. Le problème réside rarement dans un manque de technologie. Le véritable défi tient plutôt à l’absence d’un point de départ clair, axé sur les besoins de l’entreprise, et d’une feuille de route précise vers le retour sur investissement. De nombreuses entreprises s’enlisent dans des projets pilotes sans franchir le pas vers une mise en œuvre à grande échelle.
C’est pourquoi il est important de ne pas partir de la technologie. Ne dites pas : « Nous devons déployer l’IA sur notre site de production » simplement parce que c’est possible. Commencez par un enjeu commercial concret : réduire les arrêts imprévus, résoudre les problèmes de qualité, diminuer la consommation d’énergie, résoudre des problèmes de planification complexes ou préserver une expertise cruciale lorsque des collaborateurs expérimentés partent à la retraite. Ce sont les directeurs d’usine et leurs équipes qui connaissent le mieux ces défis.
Une fois qu’un défi métier clair a été identifié, nous recommandons de suivre trois étapes :
Évaluez la maturité et l’architecture des données : Réfléchissez à l’avance à l’architecture dans son ensemble. Déterminez où les modèles d’IA fonctionneront : dans le cloud ou localement à la périphérie du réseau (edge computing), via des PC industriels directement connectés aux machines.
Commencez modestement et de manière ciblée : Choisissez un cas d’utilisation présentant une valeur ajoutée évidente, tel que le contrôle qualité visuel, la maintenance prédictive ou l’assistance aux opérateurs. Vous pourrez ainsi démontrer rapidement la valeur apportée par l’IA.
Mettez en place une infrastructure standardisée : Investissez dans une infrastructure d’IA commune et un cadre de gouvernance clair. Une fois cette base établie, il sera beaucoup plus simple et moins coûteux de déployer des applications d’IA supplémentaires sur d’autres machines, lignes de production ou sites.
Les entreprises manufacturières ne sont d’ailleurs pas obligées de parcourir seules ce chemin. Les écosystèmes ouverts, les intégrateurs de systèmes expérimentés et les partenaires technologiques peuvent accélérer la mise en œuvre, limiter les risques et aider à déployer des applications performantes à plus grande échelle.
Toujours selon le Baromètre de Sirris, plus de 80 % des entreprises interrogées fonctionnent selon un modèle « Make-to-Order » (fabrication à la commande) ou « Engineer-to-Order » (conception à la commande), qui se caractérise par une grande variété de produits, de petites séries de production et des processus de planification complexes. Dans de tels environnements, dans quelle mesure sommes-nous proches d’un scénario où l’IA physique boucle la boucle, les jumeaux numériques et les simulations virtuelles pilotant automatiquement et en temps réel des machines physiques sans intervention humaine ?
Matthias Loskyll : Nous évoluons de plus en plus vers des environnements de production adaptatifs et pilotés par l’IA, mais aujourd’hui, cela se produit principalement dans le cadre d’applications délimitées et spécifiques, et non au niveau d’une usine entièrement autonome. Prenons par exemple les systèmes de caméras qui détectent et trient automatiquement les pièces défectueuses, ou les « capteurs logiciels » pilotés par l’IA qui prédisent des paramètres difficiles à mesurer directement. Il s’agit en fait d’« îlots d’autonomie » distincts.
Je ne pense pas qu’une usine entièrement auto-configurable, sans intervention humaine, soit souhaitable, ni même réaliste, dans des environnements présentant une grande variabilité, comme la production sur commande (Engineer-to-Order). Le véritable progrès réside dans la boucle fermée entre la simulation, le jumeau numérique et l’environnement de production physique. En simulant, testant et optimisant d’abord dans le monde virtuel, les ajustements validés peuvent ensuite être déployés de manière sûre et efficace sur la chaîne de production. L’usine reste essentiellement centrée sur l’humain, les personnes prenant les décisions cruciales au sein du processus.
La vision de Siemens sur l’IA physique
L’IA physique marque un changement fondamental, passant d’une intelligence logicielle passive à une exécution active dans le monde réel. Selon la vision de Siemens, l’IA physique fait le lien entre le matériel physique de l’atelier de production, le traitement en temps réel à la périphérie et les jumeaux numériques virtuels.
Bien que l’autonomie au sein de certains processus industriels spécifiques continue de s’accroître, Siemens estime que l’avenir de l’industrie manufacturière réside dans la combinaison de l’IA, de l’automatisation, des jumeaux numériques et de l’expertise humaine. Ensemble, ils permettent la création d’environnements de production adaptatifs, résilients et en optimisation constante.
Grâce à des solutions telles que l’Industrial AI Suite, Siemens permet aux entreprises industrielles d’intégrer de manière transparente des modèles d’IA à des automates programmables (PLC) déterministes, de déployer ces modèles localement via Industrial Edge et de gérer l’ensemble du cycle de vie de l’IA à l’échelle de leurs activités mondiales. Par ailleurs, Siemens collabore directement avec des clients de premier plan dans le cadre de programmes de co-création afin de transformer des concepts novateurs en produits industriels évolutifs.
Vous souhaitez en savoir plus sur l’offre complète de Siemens en matière d’IA industrielle ? Rendez-vous sur le portail officiel Siemens Industrial AI.
Lorsque l’IA est déployée à plus grande échelle, les coûts peuvent rapidement grimper. Pensez à la puissance de calcul, à l’infrastructure de périphérie ou même aux coûts liés aux jetons des LLM. Comment une entreprise peut-elle s’assurer que l’IA reste financièrement viable sur le terrain ?
Matthias Loskyll : D’un point de vue technologique, il est essentiel de comprendre que toutes les applications ne nécessitent pas de grands modèles linguistiques (LLM). Des centaines de cas d’utilisation industriels sont mieux traités par l’apprentissage automatique traditionnel ou par des modèles spécialisés pour l’inspection visuelle et les analyses prédictives. Ces modèles sont légers, peu coûteux à entraîner et peuvent fonctionner localement sur des équipements industriels en périphérie, sans frais de cloud computing ni coûts récurrents d’inférence et de tokens.
Pour les applications qui nécessitent des raisonnements complexes ou du traitement du langage et pour lesquelles les LLM sont indispensables, il est possible de maîtriser les coûts en recourant à des appels de modèles déclenchés par des événements, à la mise en cache et à des mécanismes rigoureux de suivi des coûts.
En fin de compte, tout commence par l’évaluation du retour sur investissement en fonction du coût par résultat industriel utile, tel que le nombre d’heures d’arrêt évitées, le nombre d’inspections menées à bien ou le nombre d’heures d’ingénierie manuelle économisées.
Un autre défi majeur concerne les talents. Dans de nombreux pays, dont la Belgique, les techniciens expérimentés partent à la retraite bien plus rapidement que de nouvelles recrues n’arrivent sur le marché du travail. Comment l’IA industrielle peut-elle aider à capturer et à préserver ces connaissances approfondies au sein de l’entreprise avant qu’elles ne se perdent ? Et cela signifie-t-il que les jeunes diplômés deviendront superflus, ou bien l’IA industrielle rend-elle justement l’industrie manufacturière plus attrayante pour une nouvelle génération ?
Matthias Loskyll : L’un des principaux atouts de l’IA industrielle est qu’elle rend les connaissances d’experts, souvent rares, accessibles à un groupe beaucoup plus large de collaborateurs. Les techniciens expérimentés disposent souvent de plusieurs dizaines d’années d’expérience pratique et d’un savoir-faire intuitif. Ils savent, par exemple, quel bruit émet une machine juste avant qu’une panne ne survienne, ou quel léger ajustement de paramètre est nécessaire pour optimiser le fonctionnement d’un processus. Grâce à l’IA, ces connaissances peuvent être capturées, structurées et replacées dans leur contexte, afin d’être mises à disposition via des copilotes IA, des assistants numériques ou des systèmes de recommandation.
Il est toutefois essentiel que les entreprises lancent en temps utile des programmes visant à capturer ces connaissances, avant même que les collaborateurs expérimentés ne partent à la retraite. Au cours de cette phase, ces experts jouent un rôle crucial. Ils aident à valider les connaissances, à documenter les situations exceptionnelles et à saisir les nuances qu’il n’est pas possible de déduire simplement à partir des données.
Pour les jeunes diplômés et les opérateurs, l’émergence de l’IA ne signifie certainement pas qu’ils deviendront superflus. Au contraire. Les assistants IA peuvent accélérer leur parcours de formation et augmenter leur productivité en prenant en charge des tâches répétitives et fastidieuses. Les collaborateurs disposent ainsi de plus de temps pour se concentrer sur ce que les humains font le mieux : résoudre des problèmes complexes, penser de manière créative et améliorer en permanence les processus.
Il y a actuellement un énorme engouement autour des robots humanoïdes destinés à des applications générales. Pensez-vous, de manière réaliste, que les robots humanoïdes feront bientôt leur apparition dans les usines ?
Matthias Loskyll : En tant qu’ingénieur, je trouve les progrès de la robotique humanoïde fascinants, mais il faut faire la distinction entre les démonstrations marketing et les applications pratiques dans la réalité quotidienne. Aujourd’hui, les robots humanoïdes sont testés dans des applications limitées et très spécifiques, comme le déplacement de cartons dans les centres logistiques. Ils y fournissent des performances satisfaisantes, mais ils sont encore loin de pouvoir remplacer les opérateurs généraux ou les techniciens de maintenance.
Les usines n’ont pas besoin en soi d’une forme bipède et humanoïde. Ce dont elles ont besoin, c’est d’une automatisation fiable, sûre et rentable. Dans la plupart des cas, une machine spécialisée, un robot mobile autonome (AMR) équipé d’un bras robotisé, ou une cellule d’automatisation assistée par l’IA est plus simple, plus sûre et nettement plus rentable.
La plupart des usines n’ont pas été construites à partir de zéro, mais fonctionnent avec des systèmes informatiques (IT) et opérationnels (OT) fragmentés, souvent vieux de plusieurs décennies. Comment rendre une usine « prête pour l’IA » sans devoir remplacer l’intégralité de l’infrastructure existante ?
Matthias Loskyll : «La 'préparation à l’IA' doit être considérée comme une couche architecturale supplémentaire, et non comme un programme de remplacement. La quasi-totalité de nos projets d’IA industrielle se déroulent dans des environnements de production existants dotés de systèmes hérités. L’approche progressive consiste alors à :
Connectivité : connecter les installations existantes (de Siemens ou d’autres fournisseurs, anciennes ou récentes) via des passerelles sécurisées et des équipements périphériques. C’est souvent à ce stade que les intégrateurs de systèmes apportent une énorme valeur ajoutée en établissant de manière sécurisée le lien entre les équipements plus anciens et l’infrastructure IT/OT moderne.
Contextualisation : cartographier les données brutes et leur fournir un contexte sémantique. Une mesure de température de « 80 °C » n’a en soi aucune valeur tant que l’IA ne sait pas à quelle machine, à quelle recette de produit et à quelle étape de production cette mesure correspond.
Déploiement par étapes : commencer par des applications en mode « lecture seule », telles que la surveillance de l’état ou la détection d’anomalies, qui conseillent les opérateurs sans effectuer elles-mêmes d’actions physiques. Dès que ces applications ont fait leurs preuves, la boucle peut être bouclée en intégrant les prévisions de l’IA dans des systèmes de commande de machines déterministes.
L’Amérique du Nord et la Chine dominent aujourd’hui clairement le marché de l’IA grand public et des grands modèles linguistiques. Mais lorsqu’il s’agit d’IA industrielle, l’Europe dispose d’un atout considérable grâce à sa connaissance approfondie des domaines industriels. L’IA industrielle est-elle le domaine dans lequel l’Europe peut véritablement s’imposer et garantir sa souveraineté technologique ? Et surtout : de quoi avons-nous concrètement besoin en matière de politiques, d’investissements et d’écosystèmes pour y parvenir ?
Matthias Loskyll : L’Europe a une réelle chance de jouer un rôle de premier plan dans l’IA industrielle et physique, car nous disposons d’une industrie manufacturière de classe mondiale, d’une position solide dans le domaine de l’automatisation, de talents techniques hautement qualifiés et de précieuses sources de données industrielles sur lesquelles on peut s’appuyer.
Dans le même temps, la réglementation à elle seule ne suffira pas à consolider cette position de leader. Pour rester compétitive, l’Europe doit investir massivement dans son infrastructure numérique, notamment par un financement ciblé de la puissance de calcul industrielle et de la capacité des réseaux. Par ailleurs, nous devons renforcer les écosystèmes de données afin que les entreprises puissent partager et exploiter leurs données industrielles en toute sécurité. Nous avons également besoin de cadres réglementaires favorables à l’innovation qui protègent les citoyens et garantissent la confiance, sans freiner la rapidité de mise en œuvre ni l’adoption technologique.
La souveraineté technologique ne signifie d’ailleurs pas que nous devions tout développer nous-mêmes. Cela signifie que nous disposons des capacités, des infrastructures, des compétences et d’écosystèmes fiables pour façonner et déployer à grande échelle des technologies critiques, conformément aux valeurs européennes et aux besoins industriels, tout en restant ouverts à l’innovation mondiale.
Comment l’IA physique redéfinit-elle le rôle quotidien de l’opérateur sur le lieu de travail ?
Matthias Loskyll : L’IA physique libère l’effort humain des tâches répétitives, des activités qui nécessitent une observation constante ou qui présentent un danger physique, comme l’inspection manuelle de pièces à la recherche de défauts pendant une journée de travail complète de huit heures.
Lorsque l’IA automatise ces tâches répétitives, les opérateurs disposent de plus de temps et de liberté mentale pour se consacrer à des tâches de supervision, à la résolution de problèmes complexes et à l’optimisation continue des processus. Les collaborateurs expérimentés deviennent alors, pour ainsi dire, les « enseignants » des modèles d’IA. Ils alimentent les systèmes avec des retours d’expérience issus de la pratique, ce qui permet d’améliorer encore la précision des modèles au fil du temps. Le lieu de travail de demain repose sur une collaboration entre l’intelligence humaine et l’IA.
Commencez par un problème métier concret, et non par une initiative d’IA axée sur la technologie. Ne vous sentez pas obligé de transformer l’ensemble de votre usine du jour au lendemain.
Imaginons que vous discutiez avec le directeur d’une PME du secteur manufacturier qui s’intéresse à l’IA industrielle, mais qui se sent submergé par tout le battage médiatique et qui recule devant les investissements initiaux élevés et la complexité technique. Quel serait alors votre conseil le plus pragmatique pour l’aider à créer une réelle valeur dès aujourd’hui ?
Matthias Loskyll : Commencez par un problème commercial concret, et non par une initiative d’IA axée sur la technologie. Ne vous sentez pas obligé de transformer l’ensemble de votre usine du jour au lendemain. La préparation à l’IA doit être considérée comme une couche architecturale globale, ce qui signifie que vous n’avez pas besoin de remplacer vos machines existantes ni de réaliser immédiatement des investissements importants dans du nouveau matériel.
Identifiez un point sensible spécifique, tel qu’un arrêt imprévu d’une machine critique ou un goulot d’étranglement évident dans le contrôle qualité, où une défaillance a un impact direct sur vos résultats d’exploitation. Concentrez-vous d’abord sur ce point et démontrez la valeur ajoutée à l’aide de solutions légères, basées sur la périphérie.
Vous n’avez pas non plus besoin de constituer une équipe interne de data scientists. En collaborant avec des intégrateurs de systèmes et des partenaires technologiques expérimentés qui comprennent votre environnement opérationnel, vous pouvez rapidement mettre en œuvre des cas d’utilisation éprouvés et standardisés. Dès que vous pouvez démontrer un retour sur investissement mesurable sur une seule ligne de production, la décision de déployer la solution à l’échelle de l’usine devient beaucoup plus simple et moins risquée.
Venez rencontrer Matthias Loskyll en personne le 6 octobre !
Souhaitez-vous approfondir les applications pratiques de l’IA industrielle et de l’IA physique au sein de votre environnement de production ?
Lors de Bright New World, l’événement annuel d’Agoria qui se tiendra le 6 octobre 2026, Matthias Loskyll participera à la table ronde plénière « AI Postcards from Europe ». Venez puiser l’inspiration, en compagnie de grands industriels, d’experts en technologie, de responsables politiques et d’autres décideurs, sur l’avenir de la fabrication intelligente et le rôle de l’Europe dans ce domaine.
Cliquez ici pour consulter le programme complet et vous inscrire à Bright New World.
