L'IA dans l'industrie manufacturière — État de préparation, données et conception
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 conditions nécessaires à la mise en œuvre de l'IA dans le secteur industriel
L'intelligence artificielle dans le secteur industriel est souvent présentée comme une question purement technologique. Dans cet épisode de « The Humans in the Loop », nous mettons l'accent sur les personnes.
Au cours d’une longue conversation, Madilynn Castillo, directrice marketing d’ Tulip , s’est entretenue avec Gilad Langer et Geoff Winkley afin d’examiner ce qu’il faut réellement pour intégrer l’IA dans les environnements de production. Il en est ressorti un dialogue très complet qui a abordé les thèmes de la culture, des données, de la conception et de la confiance — autant de fondements qui déterminent si l’IA deviendra une énième tendance éphémère ou une capacité durable.
La conversation s'est déroulée naturellement en trois parties, chacune reflétant une étape d'un même parcours : évaluer l'état de préparation, transformer les données en connaissances, et repenser la conception des solutions.
Ce qui relie ces différents éléments, c'est la conviction commune que l'intelligence dans le secteur industriel commence par les personnes. L'IA peut organiser et accélérer la transmission des connaissances, mais elle reste tributaire du contexte humain pour rendre ces connaissances utiles.
1re partie : Le secteur industriel est-il prêt pour l'IA ?
La discussion s'ouvre sur une question qui revêt une importance croissante dans les usines du monde entier : les industriels sont-ils vraiment prêts pour l'IA ?
Gilad décrit la préparation comme un enjeu culturel avant d’être technique. Depuis des années, l’excellence opérationnelle et la production allégée ont défini la manière dont les usines s’améliorent. Ces mêmes principes, explique-t-il, devraient guider la manière dont l’IA est mise en œuvre. Une technologie qui ne soutient pas ces principes fondamentaux, aussi avancée soit-elle en apparence, ne perdurera pas.
Geoff aborde la question en se plaçant au niveau du terrain. De nombreux fabricants peinent encore à obtenir une visibilité élémentaire sur leurs performances. « Où en sommes-nous aujourd’hui ? » : il reste difficile de répondre à cette question dans des environnements où règnent le papier, les logiciels isolés les uns des autres et les données fragmentées.
Le groupe examine comment les hésitations, la perception des risques et les systèmes existants peuvent freiner les progrès. Pourtant, le véritable enjeu réside dans la confiance. Les organisations veulent avoir l’assurance que les nouveaux systèmes amélioreront leurs opérations sans perturber ce qui fonctionne déjà. Cette première partie pose un thème central pour la suite de la discussion : l’état de préparation à l’IA se mesure à l’aune de la clarté des objectifs et de l’adéquation avec les besoins opérationnels réels.
2e partie : Des données à la sagesse
La conversation s'oriente ensuite vers les données, matière première du renseignement.
Les fabricants génèrent d'énormes quantités d'informations, mais une grande partie de celles-ci reste dispersée, incohérente ou enfermée dans des documents statiques. Gilad présente le modèle « Données – Informations – Connaissances – Sagesse » (DIKW) pour décrire comment les outils modernes d'intelligence artificielle peuvent aider à condenser ces niveaux, en reliant des sources disparates et en mettant en évidence les relations qui s'y cachent.
Geoff met cela en pratique. S'appuyant sur son expérience dans la mise en œuvre de solutions dans le secteur aérospatial et d'autres secteurs, il explique comment les modèles contextuels et les interfaces linguistiques aident les équipes à organiser les données humaines et machines sans alourdir les coûts informatiques. Ces systèmes apportent de l'ordre dans la complexité et fournissent des informations qui améliorent les décisions quotidiennes.
Les deux invités soulignent que l'IA devrait favoriser la compréhension plutôt que d'automatiser le jugement. L'objectif est d'apporter de la cohérence aux informations qui existent déjà au sein des usines et de rendre ces connaissances accessibles aux personnes qui en ont besoin.
3e partie : Concevoir pour la prochaine génération d'opérations
La dernière partie de la discussion porte sur la conception : comment mettre au point des systèmes qui rendent l'IA pratique et sûre pour une utilisation en conditions réelles.
Gilad présente l'approche d'Tulipen matière de conception de solutions : la création de systèmes « composable », ouverts et adaptables, qui évoluent au rythme des opérations. Il établit un lien entre cette philosophie et la production allégée ainsi que le développement logiciel agile, deux disciplines fondées sur l'itération et le retour d'expérience.
Geoff étend la discussion aux premières lignes, en expliquant comment des outils tels que l’AI Composer d’ Tulippermettent aux ingénieurs de transformer une documentation statique en applications en temps réel en quelques minutes. L’IA générative et l’IA agentique élargissent ces capacités, en favorisant l’automatisation là où elle crée de la valeur, tout en maintenant l’implication des personnes dans la vérification et l’amélioration.
Il en ressort une vision de l'industrie dans laquelle la technologie s'adapte aux personnes. Les usines deviennent des environnements d'apprentissage continu, des lieux où les outils numériques reflètent la réalité du travail et où l'intelligence artificielle aide les équipes à s'adapter plus rapidement au changement.
L'intelligence, le contexte et l'essence de l'humain
À travers ces trois parties, cette réflexion rend compte d’un moment charnière pour le secteur industriel. L’intelligence artificielle passe du stade de la possibilité à celui de la pratique, s’intégrant désormais au travail quotidien plutôt que de rester une initiative isolée. Le défi consiste désormais à la mettre en œuvre sans perdre l’expertise humaine qui fait la force d’un fonctionnement efficace.
Pour Tulip, cet équilibre est l'essence même de l'implication humaine dans le processus. Cela implique de concevoir une technologie qui comprenne le contexte, intègre la connaissance des processus et permette aux personnes de rester responsables des décisions qui déterminent la production.
L'échange entre Gilad et Geoff met en lumière une transformation discrète qui s'opère dans l'ensemble du secteur. Les fabricants les plus performants commencent à considérer l'IA comme un environnement qui se renforce à chaque fois que les utilisateurs s'en servent pour comprendre, s'adapter et s'améliorer.
Foire aux questions
L'IA générative facilite la création et l'adaptation des consignes de travail numériques, de la documentation relative aux processus et des supports de formation. Loin de se substituer à l'expertise humaine, elle la renforce, en aidant les ingénieurs et les opérateurs à numériser les connaissances existantes et à améliorer en permanence les flux de travail sans avoir à repartir de zéro.
Les systèmes d'IA agentique peuvent mener des actions limitées et contextuelles pour le compte des utilisateurs. Contrairement à l'automatisation traditionnelle, qui exécute des étapes prédéfinies, les systèmes agentique évaluent les informations, proposent des modifications et tirent des enseignements des résultats obtenus, dans des limites définies. Dans le secteur industriel, cela permet d'apporter des réponses adaptatives aux variations des processus tout en conservant un contrôle humain.
L'efficacité de l'IA dépend entièrement de la compréhension qu'elle a du contexte. Dans le secteur industriel, ce contexte englobe l'état des machines, les interventions des opérateurs, les facteurs environnementaux et l'historique des processus. Les données contextualisées permettent aux systèmes d'IA de formuler des recommandations pertinentes, de relier les informations issues de différents systèmes et de fournir des conseils qui reflètent le fonctionnement réel de la production.
Tulip conçoit des outils d'IA qui permettent aux utilisateurs de garder le contrôle. Chaque recommandation ou action émanant d'une fonctionnalité d'IA est transparente, traçable et vérifiable. En intégrant une vérification humaine dans les flux de travail, les fabricants peuvent adopter l'IA en toute confiance, tout en respectant les normes de conformité et en accélérant le processus d'amélioration.
