Les agents IA dans les ateliers de production : trois points de vue d'experts sur le battage médiatique, la réalité et les perspectives d'avenir

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.
Vous l’avez sans doute déjà entendu : « Les agents IA dirigeront l’usine. » Prédire, optimiser, agir. Mais dans les opérations de production où la sécurité, la qualité et la disponibilité sont en jeu, les simples affirmations ne suffisent pas. Les agents doivent mériter cette confiance.
Lors de l’événement « Operations Calling 2025 », « Tulip » a réuni trois leaders qui façonnent le débat autour de l’IA industrielle : la table ronde était animée par David Rogers, architecte solutions senior chez Databricks, qui travaille directement avec des industriels déployant l’IA dans des environnements de production. Il était accompagné de Pattie Maes, professeure au MIT Media Lab et pionnière dans le domaine des agents logiciels, ainsi que d’Ashtad Engineer, responsable mondial des solutions pour l’automobile et l’industrie chez AWS. Ensemble, ils ont examiné ce que les agents d’IA industrielle sont réellement capables de faire aujourd’hui, ce qui fait encore obstacle à l’autonomie dans les ateliers, et quelles conditions doivent être réunies avant que ces agents puissent influencer les opérations en toute sécurité. La discussion a fait émerger un thème récurrent : les progrès sont réels, mais le déploiement à grande échelle des agents dans les ateliers nécessite bien plus de structure et de discipline que ne le laissent entendre la plupart des gros titres.
Nous avons synthétisé sept points clés afin d'aider les équipes à évaluer les affirmations concernant les agents IA, à comprendre comment tirer le meilleur parti de la valeur commerciale réelle des agents industriels et à définir une stratégie sûre pour le déploiement à grande échelle de ces agents.
1. L'IA industrielle implique des contraintes
Dans le secteur de la fabrication, les systèmes sont de nature physique. Les environnements sont soumis à des contraintes et ont des conséquences.
Dans le secteur industriel, un agent est un système capable de recueillir des données provenant de machines, de fichiers journaux ou de systèmes d'entreprise, de les interpréter en fonction du contexte, puis de formuler des recommandations ou de prendre des mesures en vue d'atteindre un objectif défini.
« L’IA industrielle consiste à appliquer l’IA dans des environnements contrôlés et encadrés, dotés de garde-fous et offrant une certaine prévisibilité », - Ashtad Engineer, responsable mondial des solutions pour l’automobile et l’industrie, AWS
C’est ce qui rend le contexte industriel si différent de celui des chatbots grand public ou des outils de bureau. Il ne s’agit pas seulement de proposer des suggestions intelligentes ; il s’agit de s’assurer que ces suggestions sont reproductibles, explicables et sûres.
C'est pourquoi les premiers résultats positifs obtenus par les agents apparaissent dans le cadre de processus structurés et bien délimités :
- Vision par ordinateur pour le contrôle qualité
- Planification assistée par l'IA pour la maintenance et l'ordonnancement
- Tâches d'intégration et de nettoyage des données
« Les agents d'IA n'ont pas besoin d'être totalement autonomes pour être utiles », mais ils ont besoin d'un contexte et de contraintes clairs pour agir de manière responsable – Pattie Maes, professeure au MIT Media Lab
2. Agents consultatifs et agents autonomes
Agent-conseil | Un système d'intelligence artificielle qui met en évidence des informations ou des recommandations issues des données opérationnelles, mais qui nécessite l'intervention d'un être humain pour examiner et mettre en œuvre la décision. |
Agent autonome | Un système d'intelligence artificielle qui agit de manière autonome dans un environnement de production en direct, par exemple en modifiant un paramètre ou en déclenchant une étape sans autorisation humaine, et qui doit donc répondre à des exigences strictes en matière de sécurité, de validation et de responsabilité. |
De nos jours, la production repose sur des processus physiques étroitement coordonnés. Chaque décision a une incidence sur la sécurité, la qualité des produits, le rendement et, souvent, la conformité réglementaire. Pour gérer cette complexité, les usines s'appuient sur des capteurs, des machines connectées, des systèmes MES et ERP, ainsi que sur des procédures opérationnelles rigoureuses. Dans ce contexte, les agents d'IA les plus courants ont encore un rôle consultatif. On les retrouve dans
- Systèmes de vision qui inspectent les pièces ou les emballages et signalent les défauts éventuels
- Des outils d'aide à la maintenance qui analysent les données des capteurs et l'historique des équipements afin de recommander des ordres de travail ou de proposer le créneau d'arrêt le plus approprié
- Des outils de planification et d'ordonnancement qui proposent des modifications de séquence, des ajustements de capacité ou des mouvements de stock lorsque les conditions évoluent
Le fait de se situer dans la « zone de conseil » signifie que ces agents analysent l’ données de production s et les politiques, puis génèrent des résumés, des recommandations classées par ordre de priorité ou les meilleures actions à entreprendre. Cependant, ils n’agissent pas de leur propre chef. Un opérateur humain continue d’examiner et d’approuver toute modification apportée aux points de consigne, aux plannings ou aux enregistrements du système. Les opérateurs gardent le contrôle, tandis que l’IA réduit la charge cognitive et aide les équipes à prendre des décisions plus rapides et mieux informées, sans pour autant intervenir de manière autonome sur la ligne de production.
3. Où travaillent les agents aujourd'hui ?
Les agents d'IA font leur apparition en premier lieu dans les domaines où le travail est bien défini et structuré. Il s'agit de tâches qui suivent des processus bien définis et dont les limites sont claires, ce qui les rend moins risquées et plus faciles à déployer à grande échelle.
Aujourd'hui, cela comprend :
de contrôle qualité: des systèmes de vision qui inspectent les pièces ou les emballages et signalent les défauts éventuels. Cela permet de réduire le nombre de produits défectueux parvenant aux clients, de limiter les retouches et d'assurer une qualité plus constante.- Assistance à la maintenance
: des outils qui analysent les données des machines et l'historique des réparations afin de proposer des ordres de travail ou de déterminer le moment le plus opportun pour un arrêt planifié. Cela permet un dépannage plus rapide, une réduction des temps d'arrêt et une meilleure utilisation des ressources de maintenance. - Nettoyage et intégration des données
Systèmes permettant d'organiser et de classer les données données de production afin que les équipes puissent les utiliser pour établir des rapports ou effectuer des analyses. Cela permet d'obtenir des données plus propres, de réduire les erreurs manuelles et d'obtenir plus rapidement des informations exploitables.
d'assistance au dépannage: des agents qui effectuent des recherches dans les procédures opérationnelles standard (SOP), les manuels et l'historique des incidents afin de proposer des causes probables et les mesures à prendre. Cela permet de réduire le temps de résolution des problèmes et de diminuer le recours aux connaissances empiriques.- Résumés de service et outils d’
en matière de rapports: des outils qui transforment les journaux de bord et les notes des opérateurs en projets de rapports destinés à être examinés par les responsables.
Cela permet de gagner du temps sur la documentation et d’assurer une plus grande cohérence dans les rapports.
Tous ces exemples illustrent le fonctionnement des agents consultatifs, qui facilitent la prise de décision tout en laissant aux opérateurs le contrôle de la situation.
Ces cas d'utilisation apportent des améliorations réelles et mesurables en termes d'efficacité, de cohérence et de disponibilité, sans pour autant céder le contrôle à l'automatisation
« C’est dans les flux de travail structurés, tels que le nettoyage des données et l’intégration, que la valeur apportée par les agents est aujourd’hui très concrète », - Ashtad Engineer, responsable mondial des solutions pour l’automobile et l’industrie manufacturière chez AWS
Ce sont des domaines concrets et présentant moins de risques pour se lancer dans l'IA.
4. Les véritables obstacles : l'explicabilité, la possibilité de rejouer les décisions, la sécurité et la responsabilité
Avant qu'un agent n'intervienne dans la production, quatre conditions doivent être remplies :
Vous devez être capable d'en expliquer la logique, de reproduire le scénario, de sécuriser le système et d'assumer la responsabilité du résultat.
Les opérateurs et les ingénieurs ont besoin de plus qu’une simple recommandation ; ils doivent comprendre comment celle-ci a été générée et simuler ce qui se passerait s’ils la suivaient.
« L’explicabilité et la reproductibilité sont essentielles… Les opérateurs veulent savoir : comment l’agent est-il parvenu à cette conclusion ? » – Ingénieur chez Ashtad, responsable mondial des solutions pour l’automobile et l’industrie manufacturière, AWS
La sécurité et la confidentialité des données constituent un enjeu supplémentaire. Lorsque les agents accèdent aux systèmes d'entreprise, aux environnements cloud ou à des modèles gérés par des fournisseurs, plusieurs questions se posent : à qui appartiennent les données ? Peuvent-elles être isolées ? La propriété intellectuelle est-elle protégée ?
Le dernier obstacle est la responsabilité. Si un agent entraîne des retouches, des temps d'arrêt ou pire encore, qui est responsable ? Le fabricant ? Le fournisseur ? Le fournisseur du modèle ?
5. Validation + dérive : la réalité opérationnelle que les fournisseurs négligent
Dans le secteur industriel, il ne suffit pas qu’un agent d’IA fonctionne une seule fois. Il doit continuer à fonctionner même lorsque les conditions évoluent.
Dans les secteurs réglementés tels que l'industrie biopharmaceutique, la fabrication de dispositifs médicaux, etc., une validation formelle est requise. Si un agent apporte une modification à un système en production, par exemple en déclenchant une étape ou en mettant à jour un enregistrement, cette modification doit être testée, documentée et traçable. Il n'y a pas d'exception à cette règle.
Même dans les usines non réglementées, les choses évoluent avec le temps. Les matériaux varient. Les machines s'usent. Les processus sont adaptés. Lorsque le monde réel change, les données utilisées par le modèle d'IA changent également. Et lorsque les données changent, la précision du modèle peut diminuer. C'est ce qu'on appelle la « dérive du modèle » : un modèle perd progressivement de sa précision parce que l'environnement sur lequel il a été entraîné a changé.
Ce qui a fonctionné le mois dernier ne fonctionnera peut-être pas au trimestre prochain. Si personne ne surveille les performances, de petites erreurs peuvent s'accumuler jusqu'à ce que l'agent formule une mauvaise recommandation.
C’est pourquoi les systèmes d’IA doivent faire l’objet d’une surveillance, d’un contrôle des versions et d’un examen régulier. Il peut s’avérer nécessaire de les réentraîner. Il peut également être nécessaire de revenir à une version antérieure. L’IA dans les opérations ne se résume pas à « configurer et oublier ». Elle doit être gérée et contrôlée comme n’importe quel autre système de production critique.
La gestion des versions et la revalidation sont essentielles. Les agents doivent disposer d'un historique clair des modifications, assorti de mesures de sécurité pour le réentraînement, la restauration et les contrôles périodiques. L'IA dans les opérations ne se résume pas à « configurer et oublier ». Il s'agit de la gérer, de la valider et de la surveiller comme n'importe quel autre système critique.
6. Les besoins en matière d'autonomie nécessitent une bonne compréhension du système et une approche axée sur le jumeau numérique
Pour que les agents puissent un jour agir de manière autonome, ils ont besoin de bien plus que de simples données : ils ont besoin de contexte et de causalité. Cela implique de connaître à la fois l'état actuel du système et la manière dont celui-ci réagira à un changement.
« L’autonomie nécessite de comprendre l’état du système et la dynamique de ses réactions. C’est ce qu’on appelle votre jumeau numérique. » - Ashtad Engineer, responsable mondial des solutions pour l’automobile et l’industrie, AWS
Les jumeaux numériques contribuent à combler ce fossé. En associant la modélisation fondée sur les principes fondamentaux (physique, chimie, débits) à des données empiriques en temps réel, ils permettent aux équipes de simuler les résultats avant de passer à l'action.
Ce type de raisonnement au niveau du système est essentiel pour garantir une autonomie sûre. Sans cela, les agents n'ont d'autre choix que de deviner. Or, dans le secteur industriel, une erreur de jugement peut entraîner un gaspillage de produits, des risques pour la sécurité ou l'échec d'audits.
C’est pourquoi l’autonomie reste rare dans la production. Mais une fois les bases du jumeau numérique mises en place, les équipes peuvent commencer à tester le comportement des agents dans des environnements contrôlés et simulés avant de leur confier le contrôle. La simulation d’abord. L’autonomie ensuite.
7. Normes : un seul gagnant ou une réalité fédérée ?
Dans le domaine des outils d'IA, on espère souvent qu'un protocole universel verra le jour, permettant à tous les agents, outils et systèmes de parler la même langue.
« Idéalement, il faudrait un protocole ouvert élaboré collectivement », - Pattie Maes, professeure au MIT Media Lab
Et cette complexité est bien réelle. La plupart des usines utilisent un ensemble hétéroclite de protocoles, alliant des équipements vieux de plusieurs décennies, des API propres à chaque fournisseur et des systèmes développés en interne. Tout normaliser sous un seul protocole ? Cela ne se fera pas de sitôt.
Au contraire, l'approche pratique est fédérée :
- Accepter les systèmes mixtes
- Créer des couches de traduction
- Mettez l'accent sur la cohérence sémantique (signification commune, et non syntaxe commune)
Si les agents sont capables d'analyser un « lot », un « point de consigne » ou une « alarme » d'un système à l'autre, même lorsque les protocoles diffèrent, ils peuvent tout de même s'avérer efficaces.
L'avenir ne réside donc pas dans un protocole unique qui régirait tout. C'est l'interopérabilité, fondée sur le sens et la gouvernance, qui garantit sa traçabilité.
Ce que cela implique pour les fabricants à l'heure actuelle
Les agents d'IA industriels ne relèvent pas de la magie et ne sont pas (encore) autonomes. Ce qui fonctionne aujourd'hui, ce sont des agents-conseillers intégrés à des flux de travail gérés par des humains, dont le champ d'application se limite à des problèmes spécifiques et structurés.
Si vous êtes responsable des opérations, de la qualité ou des technologies de l'information et des technologies opérationnelles (IT/OT), voici une approche pragmatique à suivre :
- Commencez par des agents intégrés au sein des flux de travail, et non par des copilotes autonomes.
- Concentrez-vous sur des domaines tels que l'assistance à la maintenance, le nettoyage des données et l'inspection, où le processus est structuré et les risques maîtrisés.
- Instaurez la confiance avant d'accorder l'autonomie : exigez la traçabilité, la reproductibilité, les validations et des limites claires.
- Considérez les agents comme faisant partie d'une couche d'orchestration « composable », et non comme un nouveau système monolithique.
- Investissez dans les aspects moins attrayants : les vocabulaires partagés, les processus de validation, la gestion des versions et la surveillance des écarts.
- N'envisagez l'autonomie que lorsque l'état du système et la dynamique des réponses sont bien compris ou simulés.
Les agents IA peuvent vous aider, mais uniquement s’ils s’ancrent dans votre réalité, s’ils sont régis par vos processus et s’ils répondent à vos normes. Ce n’est pas du battage médiatique. C’est le travail à accomplir.
Comment « Tulip » aide les équipes à mettre en œuvre les flux de travail des agents en toute sécurité
Tulip Ce n'est pas un agent d'IA, mais bien la plateforme qui aide les fabricants à mettre en place, à gérer et à faire évoluer des flux de travail impliquant une intervention humaine, dans lesquels les agents peuvent apporter leur aide sans outrepasser leurs limites.
Grâce à Tulip, les équipes créent des applications structurées destinées aux équipes de terrain qui standardisent les tâches, garantissent le respect des procédures de validation et enregistrent le contexte en temps réel. Des outils d'IA, tels que des copilotes ou des modèles de vision, peuvent être directement intégrés à ces flux de travail, le tout dans le respect de règles claires.
TulipLa plateforme de […] offre également les fonctionnalités de gestion indispensables à l’adoption par les agents :
- Une connectivité sécurisée entre les systèmes OT et les systèmes d'entreprise
- Autorisations, gestion des versions et pistes d'audit intégrées à chaque application
- Une architecture « composable » qui évolue au rythme de vos besoins, et non à leur détriment
Cela signifie que vos opérateurs gardent le contrôle. Vos données restent protégées. Et vos processus de travail restent conformes, que vous exerciez une activité de fabrication discrète, par lots ou soumise à une réglementation.
Les agents IA ne constituent pas un raccourci, mais une couche supplémentaire. Tulip vous aide à mettre en place cette couche en toute confiance.
