L'IA agentique dans les systèmes MES : le guide pratique destiné aux dirigeants pour la prochaine ère du leadership dans le secteur de l'industrie manufacturière
AI Summary
Operations Calling 2025 showcased how modern manufacturing depends on open ecosystems, with dozens of partners demonstrating integrated AI, hardware, and software solutions. The event emphasized that collaboration and interoperability—not single all-in-one systems—are key to scalable, future-ready operations.
Les systèmes d’exécution de la fabrication (MES) ont été conçus pour apporter contrôle, traçabilité et rigueur à la production. Ils ont permis de numériser les consignes de travail, de gérer la qualité, d’assurer la traçabilité et de relier les opérations aux systèmes d’entreprise. Selon la norme ISA-95, les MES sont devenus le trait d’union opérationnel entre la planification commerciale et le contrôle de la fabrication. Mais ce modèle ne suffit plus.
La prochaine vague ne consistera pas en un simple ajout de tableaux de bord, d'alertes ou d'assistants aux flux de travail. Il s'agit de l'IA « agentique »: des systèmes capables d'interpréter des objectifs, de raisonner en tenant compte du contexte, de planifier des actions en plusieurs étapes et d'agir dans le respect de contraintes définies.
Cela modifie radicalement le rôle du MES. L’opportunité ne consiste pas à améliorer le MES en tant que système d’enregistrement, mais à le faire évoluer vers un système d’action coordonnée à l’échelle des opérations de première ligne. Il ne s’agit pas d’autonomie au sens d’une suppression de l’intervention humaine, mais d’une exécution autonome— où le logiciel est capable de détecter, de décider et d’agir dans les domaines de la qualité, de la maintenance, de la planification, de la conformité et de l’assistance aux opérateurs. Il ne s’agit pas d’une simple mise à niveau des fonctionnalités, mais d’un changement de modèle opérationnel.
L'IA en tant que modèle d'exécution
La plupart des usines ne souffrent pas d'un manque de données. Elles souffrent du délai entre le signal et l'action. Un écart se produit et quelqu'un mène l'enquête. Un superviseur analyse la situation, un planificateur modifie le planning, un ingénieur qualité ouvre un dossier CAPA et un technicien est dépêché sur place. Cette chaîne reste trop lente, trop manuelle et trop fragmentée.
L’IA agentique réduit ce temps de latence. Elle relie directement la détection à une réponse coordonnée, transformant ainsi des flux de travail disjoints en systèmes d’exécution en boucle fermée. C’est là que réside la véritable valeur ajoutée. Parallèlement, le secteur manufacturier dans son ensemble évolue déjà dans cette direction. Les travaux du NIST sur la fabrication intelligente soulignent que les progrès réalisés dans les domaines de l’informatique, de la connectivité et des données offrent des opportunités majeures d’améliorer la productivité — mais uniquement s’ils sont mis en œuvre de manière fiable, interopérable et ancrée dans la réalité opérationnelle.
Le problème, c'est que la plupart des organisations n'en sont pas encore là. Des études de l'OCDE montrent que, bien que l'IA présente un fort potentiel dans le secteur industriel, notamment en matière d'optimisation des processus, d'efficacité et de résilience, son adoption reste inégale et fragmentée d'une entreprise à l'autre et d'un secteur à l'autre . Cet écart est important.
Cela signifie que de nombreux fabricants investissent dans des cas d’utilisation de l’IA sans modifier le fonctionnement réel de l’exécution. Ils ajoutent de l’intelligence en périphérie tout en laissant intact le modèle opérationnel de base. Il en résulte une amélioration progressive, et non une transformation. Les dirigeants devraient plutôt se concentrer sur le système d’exploitation de l’exécution lui-même : la manière dont les décisions sont prises, coordonnées et mises en œuvre en temps réel. C’est pourquoi le débat doit aller au-delà de l’IA en tant qu’outil de productivité pour s’orienter vers l’IA en tant que modèle d’exécution.
De l’« transformation numérique » à la transformation continue
La plupart des programmes de transformation fonctionnent encore par vagues : numériser un processus, déployer un flux de travail, le stabiliser, puis passer à autre chose. Ce modèle n'est plus d'actualité. Le secteur industriel se caractérise aujourd'hui par la volatilité, les contraintes de main-d'œuvre, la complexité des produits et la nécessité d'une résilience accrue. Les systèmes statiques ne peuvent plus suivre le rythme. Ce dont les dirigeants ont besoin, c'est au contraire d'une transformation continue.
Cela implique de créer des environnements dans lesquels les flux de travail, les décisions et les cycles d’amélioration évoluent en permanence — non pas dans le cadre de projets annuels, mais au cœur même des opérations quotidiennes. C’est là que l’IA agentique trouve naturellement sa place. Contrairement aux systèmes basés sur des règles, les systèmes agentiques sont capables de s’adapter à des conditions changeantes, de synthétiser le contexte à travers différents systèmes et de choisir parmi plusieurs actions possibles.
La future pile MES ne doit pas être évaluée uniquement en fonction de sa capacité à normaliser les processus actuels, mais aussi en fonction de sa capacité à permettre l'adaptation à l'avenir. C'est là que réside la différence entre la numérisation et la transformation continue.
À quoi ressemble réellement une architecture agentique « composable » ?
L'expression qui importe ici est « architecture agentique dcomposable ».
Composable Cela signifie que le système est modulaire plutôt que monolithique. Le NIST a explicitement établi un lien entre les progrès de la fabrication intelligente et les approches orientées services, ainsi qu’avec les normes favorisant la composabilité, l’interopérabilité et le bon fonctionnement des services de fabrication distribués. Les modèles historiques restent pertinents car ils fournissent la logique structurelle régissant les relations entre les systèmes d’entreprise et les systèmes opérationnels, mais l’IA agentique nécessite davantage que de simples définitions de couches. Elle nécessite un modèle d’exécution permettant une action coordonnée.
Le concept déterminant est celui d’une architecture agentique «composable ». Les systèmes « Composable » sont modulaires, et non monolithiques. Ils peuvent être assemblés, reconfigurés et étendus sans compromettre l’ensemble. Cette orientation n’est pas nouvelle, mais elle devient désormais indispensable.
Les travaux du NIST sur les architectures orientées services pour la fabrication intelligente le montrent clairement : la prochaine génération de systèmes de fabrication sera constituée de services à la demande, faiblement couplés, pouvant être assemblés de manière dynamique, plutôt que d’applications fixes déployées sous forme de systèmes monolithiques. Ces systèmes basés sur les services offrent une flexibilité, une interopérabilité et une évolutivité accrues, permettant ainsi aux fabricants d’intégrer des données, des capacités d’intelligence et des fonctionnalités selon leurs besoins, à tous les niveaux de leurs opérations.
L'IA agentique s'appuie directement sur ces fondements, mais y ajoute un élément essentiel : un modèle d'exécution permettant une prise de décision et une action coordonnées. Il ne suffit pas de mettre des services à disposition. Le système doit être capable de décider comment et quand les utiliser. C'est là qu'intervient l'architecture agentique.
Dans la pratique, un MES agentique de type « composable » fonctionne selon cinq niveaux :
- La couche contextuelle
regroupe les états des machines, les saisies des opérateurs, les données de qualité, les ordres de travail, l'historique de maintenance et les contraintes de l'entreprise - Couche de raisonnement
Interprète les objectifs et évalue les options en s'appuyant sur la planification, la mémoire et l'accès aux outils - Couche d'agents
Agents spécialisés dans des domaines tels que la planification, la qualité, la maintenance et la documentation - Couche d'orchestration
: gère la coordination, la résolution des conflits, la remontée des problèmes et l'application des politiques - Couche d'exécution
: elle effectue des actions, met à jour des enregistrements, déclenche des workflows, attribue des tâches et interagit avec les systèmes connectés
Ce modèle à plusieurs niveaux reflète l'évolution de la recherche en matière de fabrication moderne. Les architectures de systèmes multi-agents répartissent de plus en plus la prise de décision entre des agents spécialisés, tels que les agents « produit » et « ressources », chaque agent étant responsable de différents aspects du système de production. Ces agents peuvent planifier, demander des actions et se coordonner entre eux afin d'influencer les performances de l'ensemble du système.
L'avantage ne réside pas seulement dans la décentralisation. Il réside également dans la capacité d'adaptation. Étant donné que les agents partagent le même contexte et opèrent au sein d'un système coordonné, ils peuvent s'adapter de manière dynamique à l'évolution des conditions plutôt que de s'en tenir à des flux de travail figés. Cela revêt une importance particulière dans les environnements où la logique centralisée peine à faire face à l'échelle, à la variabilité et aux contraintes en temps réel.
Par exemple : un écart de qualité est détecté → un agent chargé de la qualité évalue la gravité → un agent chargé de la planification évalue l'impact sur la production → la couche d'orchestration détermine la stratégie de maîtrise → le système retient les matériaux, met à jour les instructions et attribue des mesures correctives
Le tout dans le respect de limites bien définies. C’est cela, l’IA opérationnelle en pratique. Le message à retenir pour les dirigeants est simple : si votre architecture repose encore sur des applications étroitement couplées, cela limitera le potentiel de l’IA. En revanche, si elle est conçue comme un système « composable » composé de services coordonnés par des agents, elle jette les bases d’ une exécution continue et adaptative.
Par où les dirigeants devraient-ils commencer ?
Les bons points de départ ne sont pas les cas d'utilisation les plus complexes. Ce sont les décisions soumises aux contraintes opérationnelles les plus fortes. Il s'agit de décisions qui surviennent fréquemment, qui concernent plusieurs services, qui sont soumises à des contraintes de temps et qui, en cas de retard, entraînent des coûts élevés. C'est là que la coordination, et non la simple prévision, est source de valeur.
Les recherches viennent de plus en plus étayer cette évolution. Les travaux consacrés à la planification de la maintenance multi-agents montrent que les décisions ne peuvent être optimisées de manière isolée. Le calendrier de maintenance doit trouver un équilibre entre l'état des actifs, la demande de production et les contraintes à l'échelle du système. Les agents distribués peuvent générer des recommandations locales, mais celles-ci ne prennent toute leur valeur que lorsqu'elles sont coordonnées par un système qui évalue conjointement la fiabilité, le coût et l'impact opérationnel.
Parallèlement, des études plus générales menées dans le secteur industriel montrent que l’IA apporte le plus de valeur lorsqu’elle relie la maintenance, la planification de la production et la qualité au sein d’une seule boucle décisionnelle, plutôt que d’optimiser chaque fonction séparément. C’est là l’idée clé. Les cas d’utilisation les plus « ROI (retour sur investissement) s » ne sont pas des prévisions isolées. Il s’agit de décisions opérationnelles coordonnées.
Deux domaines l'illustrent clairement.
La maintenance en est un. Le changement réside dans le passage des alertes prédictives à une action coordonnée. La maintenance pilotée par l’IA permet déjà une surveillance en temps réel et la prédiction des pannes, s’affranchissant ainsi des calendriers rigides au profit d’interventions fondées sur les données. Mais la prédiction à elle seule ne résout pas le problème. La véritable valeur ajoutée apparaît lorsque les décisions de maintenance sont alignées sur les contraintes de production, la disponibilité de la main-d’œuvre et les compromis au niveau du système. Les approches multi-agents démontrent comment la prise de décision décentralisée, combinée à une coordination au niveau du système, peut améliorer à la fois la fiabilité et le débit.
La qualité est un autre aspect. L’opportunité ne réside pas uniquement dans une meilleure détection. Elle réside dans une réponse plus rapide et mieux coordonnée. L’IA est de plus en plus utilisée pour la détection des défauts et la surveillance en temps réel, mais son impact le plus large se manifeste lorsque les signaux de qualité sont directement reliés à la planification, à la maintenance et aux décisions opérationnelles. Un écart ne doit pas déclencher un processus isolé. Il doit déclencher une action coordonnée à l’échelle de l’ensemble de l’exploitation, comprenant notamment le confinement, l’ajustement du calendrier, la mise à jour des instructions et la mise en œuvre des mesures correctives.
Ces domaines sont au cœur de la valeur apportée par le MES. C'est là que la coordination revêt une importance capitale et que les retards sont les plus coûteux. Le message à retenir pour les dirigeants est clair : ne commencez pas par des cas d'utilisation isolés de l'IA. Commencez par les décisions qui nécessitent une synchronisation à l'échelle du système. C'est là que l'architecture agentique génère des retours sur investissement exceptionnels et qu'elle commence à redéfinir le fonctionnement même de l'usine.
La gouvernance n'est pas une charge administrative. C'est une infrastructure.
C'est là que de nombreuses initiatives échoueront. Les systèmes « agentic » ne se contentent pas de générer des informations. Ils passent à l'action. Cela modifie complètement le profil de risque.
Dans les opérations physiques, les défaillances ne peuvent pas être simplement corrigées a posteriori. Lorsque l’IA coordonne la main-d’œuvre, achemine des matériaux ou influence la production, les conséquences sont immédiates. Comme le souligne le Forum économique mondial, dès lors que l’IA est intégrée à des systèmes physiques, le facteur limitant n’est plus ce que la technologie est capable de faire, mais la manière dont la responsabilité, l’autorité et l’intervention sont régies.
C’est pourquoi la gouvernance n’est pas une charge administrative. Il s’agit d’une infrastructure. À mesure que les systèmes autonomes se développent, les risques augmentent en parallèle. Les capacités peuvent désormais être déployées, mises à jour et distribuées plus rapidement que les organisations ne peuvent s’adapter. Sans une gouvernance solide, le risque opérationnel croît plus vite que les systèmes de contrôle. C’est précisément le problème que des cadres tels que le « AI Risk Cadre de gestion » du NIST sont conçus pour résoudre. Le cadre de gestion des risques liés à l’IA (AI RMF) propose une approche structurée de la gestion des risques tout au long du cycle de vie complet des systèmes d’IA, articulée autour de processus continus visant à régir, cartographier, mesurer et gérer le comportement de l’IA en contexte.
L'idée centrale est que la gouvernance n'est pas un contrôle ponctuel. Il s'agit d'un système continu. Dans le secteur industriel, cela se traduit directement par la manière dont les systèmes MES autonomes doivent être conçus et exploités. Les dirigeants doivent définir quelles décisions peuvent être automatisées, dans quels cas une validation humaine est requise, à quoi ressemblent les états de sécurité, et comment la surveillance et l'intervention fonctionnent en temps réel. Il ne s'agit pas uniquement de questions de politique générale. Ce sont des décisions relatives à la conception du système.
Un système opérationnel doit comporter des structures d'autorisation claires, des actions traçables, des contraintes liées aux politiques, des seuils d'approbation et des conditions d'arrêt explicites. Il doit surveiller en permanence les comportements, mesurer les résultats et adapter les contrôles à mesure que les conditions évoluent. C'est là que réside le changement.
La gouvernance n'est plus un élément que l'on ajoute a posteriori après le déploiement. Elle doit être intégrée au système d'exécution lui-même, tout comme la fiabilité, la sécurité et les contrôles de qualité sont intégrés aux systèmes de production physiques. Si vous ne pouvez pas expliquer ce que le système était autorisé à faire, ce qu'il a fait et pourquoi, vous ne disposez pas d'un système opérationnel. Vous disposez d'une démonstration.
L'évolution des métiers : les opérateurs deviennent des orchestrateurs
Il ne s’agit pas ici d’une histoire de remplacement de la main-d’œuvre. C’est une erreur de présenter les choses sous cet angle. L’industrie manufacturière a toujours reposé sur l’expertise des travailleurs de première ligne, et cela ne change pas. En réalité, cette expertise prend même davantage d’importance. Les recherches menées par le Forum économique mondial le confirment clairement. Les opérations entièrement automatisées sont rarement réalisables, voire optimales. Les travailleurs humains restent un facteur de différenciation essentiel dans les performances de l’industrie manufacturière, d’autant plus que les systèmes gagnent en complexité et que l’adoption des technologies s’accélère.
Parallèlement, les travailleurs de première ligne sont souvent les moins impliqués dans la manière dont les nouvelles technologies sont mises en place, alors même qu’ils en sont les principaux utilisateurs. Ce décalage engendre des frictions, ralentit l’adoption et limite la valeur ajoutée. Les recherches montrent que le succès du déploiement technologique repose sur l’implication directe des travailleurs, la prise en compte de leurs retours d’expérience et la conception de systèmes centrés sur l’humain dès le départ. Cela s’inscrit directement dans la tendance vers des systèmes « agentiques ». Dans un environnement « agentique », le rôle de l’humain ne disparaît pas. Il se situe à un niveau supérieur de la hiérarchie.
Les opérateurs ne consacrent plus la majeure partie de leur temps à exécuter des tâches prédéfinies. Ils supervisent, interviennent et orientent le fonctionnement du système. Les ingénieurs définissent les flux de travail, les règles et les exceptions. Les responsables passent d’une gestion axée sur le suivi de l’état d’avancement à une gestion axée sur la performance des systèmes. Le système exécute. L’humain orchestre. C’est également la raison pour laquelle les organisations de premier plan commencent à considérer les collaborateurs de première ligne comme des travailleurs du savoir, dont l’expertise est renforcée par de meilleurs outils et des informations contextuelles, plutôt que remplacée par ceux-ci.
Les implications sont importantes. L’adoption des technologies n’est plus seulement un défi technique. Il s’agit désormais d’un défi organisationnel. Si les systèmes sont mis en place sans impliquer les collaborateurs, leurs performances seront insuffisantes. En revanche, s’ils sont conçus pour renforcer le jugement humain et intégrer les connaissances acquises sur le terrain, ils gagnent considérablement en efficacité et en pérennité au fil du temps. C’est là que réside la véritable évolution de la main-d’œuvre : il ne s’agit pas de réduire la présence humaine dans le processus, mais de mieux exploiter l’attention humaine.
Un dernier mot à l'intention des PDG et des directeurs des opérations
Le marché connaît un véritable engouement, mais présente également des risques réels. Gartner estime que plus de 40 % des projets d’IA agentique seront abandonnés d’ici 2027, principalement en raison d’une valeur commerciale mal définie, de coûts croissants et de contrôles des risques insuffisants. Il ne s’agit pas d’un échec de la technologie, mais d’un échec de l’approche.
La plupart des entreprises continuent de considérer l’IA agentique comme un simple complément aux systèmes existants ou comme un ensemble d’expériences isolées. Elles se concentrent sur les capacités sans repenser le fonctionnement réel de l’exécution. C’est pourquoi elles échoueront. Les entreprises qui réussiront partiront d’une question différente. Non pas « Comment intégrer l’IA au MES ? », mais « Quelles décisions opérationnelles devraient devenir semi-autonomes, sous quelles contraintes et sur quelle architecture ? »
C'est là que réside le changement. L'IA agentique ne vise pas à rendre les systèmes de gestion de l'exécution (MES) plus intelligents. Elle vise à rendre l'exécution plus rapide, mieux coordonnée et adaptative de par sa conception. Les entreprises qui prendront les devants ne considéreront pas cela comme une simple feuille de route de fonctionnalités. Elles l'envisageront comme un nouveau système d'exploitation pour l'usine. C'est là que l'écart va se creuser.
