transformation numérique
Analyses et indicateurs clés de performance (KPI)

Données et connaissances : les deux piliers de la fabrication intelligente

Nishika Makwana
Données et connaissances : les deux piliers de la fabrication intelligente (illustration)

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.

Lors d’une session de formation dans l’atelier, un opérateur chevronné dit à un nouveau venu : « Vous entendrez un bruit de vibration provenant de la machine. »
« Je n’entends rien », répond le stagiaire.
« Non, vous le sentirez », explique l’expert. « C’est une intuition que j’ai développée en travaillant ici depuis 30 ans. »

Cet échange, rapporté par Siva Lakshmanan, PDG de DeepHow, illustre parfaitement ce qui se passe actuellement dans les usines du monde entier. D’une part, des décennies d’expertise opérationnelle disparaissent à mesure que les travailleurs expérimentés partent à la retraite. D’autre part, des montagnes d’ données de production s restent enfermées dans des systèmes isolés, rendant ces données inutilisables pour prendre les décisions qui comptent le plus.

Lors de l’événement « Operations Calling 2025 », des dirigeants du secteur issus de DeepHow, Hexagon et NVIDIA se sont réunis pour discuter de la manière dont l’IA transforme les usines intelligentes. La discussion a porté sur une lacune majeure : la plupart des fabricants se concentrent soit sur l’infrastructure de données, soit sur la capture des connaissances, mais rarement sur les deux à la fois. Cet article explique pourquoi l’IA ne fonctionne que lorsque ces fondements sont mis en place conjointement, et comment s’y prendre pour se lancer.

Fondation One, La crise du savoir

Pourquoi le savoir-faire opérationnel est-il en train de disparaître ?

La pénurie de compétences dans le secteur manufacturier ne se résume pas à des postes vacants ; elle est également liée à la « fuite des cerveaux » qui se produit lorsque des travailleurs expérimentés quittent l’entreprise. Selon les projections du secteur, jusqu’à 30 millions d’emplois dans le secteur manufacturier pourraient rester vacants d’ici 2030, mais la crise la plus grave réside dans la perte de savoir-faire tacite : ces décennies d’intuition opérationnelle qui n’ont jamais été consignées par écrit et qu’il est souvent impossible d’exprimer clairement.

L'effondrement du transfert naturel

Pendant des décennies, le savoir-faire s'est transmis dans le cadre d'apprentissages de longue durée. Ce modèle s'est effondré en raison de deux facteurs :

  • Ancienneté : L'ancienneté moyenne dans le secteur manufacturier est tombée à moins de cinq ans, ce qui signifie que les employés chevronnés quittent l'entreprise avant d'avoir pu former efficacement leurs successeurs.
  • Complexité : Les opérations modernes impliquent des tolérances plus strictes et des équipements plus sophistiqués, ce qui creuse l'écart entre le simple fait de « suivre la procédure standard » et celui de « bien faire les choses ».

Définir le déficit de « savoir-faire »

« Ce savoir est de nature tacite… ce n’est pas quelque chose que l’on peut facilement consigner par écrit, ni même expliquer facilement. » – Siva Lakshmanan, PDG de DeepHow

Le savoir ne se trouve pas dans un manuel ; il s’agit de l’intuition opérationnelle nécessaire pour assurer la continuité de la production :

  • Signaux sensoriels : Détecter une vibration annonçant un problème avant que le capteur ne se déclenche.
  • Les subtilités de la machine : maîtriser les séquences de configuration spécifiques qui permettent à une machine capricieuse de fonctionner sans accroc.
  • Astuces Tribal : savoir quels codes d'erreur sont réellement importants et quelles solutions de contournement permettent de résoudre les problèmes récurrents.

On peut par exemple comparer cela à l'apprentissage du vélo à un enfant : vous pouvez lui expliquer les principes physiques, mais l'enfant doit le voir et le ressentir pour comprendre.

« La connaissance, c'est ce que l'on a en tête », a-t-il expliqué. « Le savoir-faire, c'est lorsque l'on transmet cette connaissance, et ce n'est pas une tâche facile du tout. » - Siva Lakshmanan, PDG de DeepHow

En l'absence d'une méthode systématique permettant de consigner ce « savoir-faire », l'expertise acquise au fil de 30 ans disparaît de fait au cours d'un simple entretien de départ.

Deuxième principe : pourquoi les données seules ne suffisent pas dans le secteur de l'industrie manufacturière

Les sites de production génèrent une variété impressionnante de données, allant des signaux des automates programmables (PLC) et des séries chronologiques aux flux vidéo et aux relevés des capteurs. Cependant, ce volume de données reste souvent inexploité en raison de plusieurs obstacles majeurs :

  • Le problème des « silos » : les données sont souvent confinées au sein de services spécifiques, ce qui conduit à une collaboration ponctuelle plutôt qu'à une stratégie unifiée.
  • Le « Value Gap » : disposer de données ne revient pas à les exploiter ; la valeur n'apparaît que lorsque les données sont transformées en informations exploitables qui éclairent d'autres disciplines.
  • La crise du contexte : l'IA générique ne dispose pas du « savoir-faire » spécifique aux processus et aux machines de votre usine locale.
  • « Garbage In, Garbage Out » : les GPU ultra-rapides et les centres de données ne servent à rien s'ils ne sont pas alimentés par des données pertinentes et de haute qualité.

« Nous collectons une quantité considérable de données, que ce soit via nos logiciels ou via les appareils que nous déployons sur le terrain… C’est une chose de disposer de ces données, c’en est une autre de pouvoir les exploiter. » — Hiren Kumbhojkar, responsable de la gestion des produits, portefeuille de logiciels de fabrication, Hexagon

La solution : L'objectif est d'aller au-delà de la simple collecte de données pour mettre en place une stratégie en matière de données dans laquelle les informations sont structurées, accessibles et suffisamment pertinentes dans leur contexte pour permettre une prise de décision en temps réel.

Comment les fabricants parviennent réellement à relier les données et les connaissances

Les fabricants qui progressent le plus ne cherchent pas à opérer une transformation radicale, mais mettent en œuvre des approches ciblées qui relient les connaissances du terrain aux données opérationnelles de manière concrète et évolutive.

Voici à quoi cela ressemble :

Modèle n° 1 : Recueillir les connaissances des collaborateurs au fur et à mesure qu'ils travaillent

Le guide stratégique :

  • Consignez les tâches réelles au fur et à mesure qu'elles se déroulent, telles que les réglages, les changements de série, le dépannage et les inspections
  • Utilisez l'IA pour transformer des contenus non structurés (vidéo, voix, gestes) en instructions structurées
  • Transformer le savoir-faire tacite en guides numériques consultables et reproductibles
  • Intégrez des contrôles, des traductions et une assistance en ligne afin que les nouvelles recrues puissent mettre ces connaissances en pratique immédiatement

Le résultat :

  • Les connaissances deviennent accessibles et exploitables sans avoir à mobiliser des experts sur le terrain
  • Au lieu d'une formation ponctuelle, les équipes bénéficient d'un accompagnement intégré auquel elles peuvent accéder à tout moment
  • L'expertise s'étend à l'ensemble des équipes, des fonctions et des sites, sans aucun goulot d'étranglement lié à la documentation

Modèle n° 2 : transformer les flux de données en aide à la décision en temps réel

Le guide stratégique :

  • Regroupez toutes les données multimodales, telles que les paramètres des machines, les flux vidéo des caméras et les journaux de qualité, au sein d'une seule couche d'intelligence
  • Entraînez l'IA à partir de vos propres données historiques (programmes, contrôles, résultats) afin qu'elle identifie des tendances
  • Fournissez des conseils en temps réel au moment où la décision doit être prise : « Voici la solution », et pas seulement « Voici le problème »
  • Utilisez ces informations pour aider les opérateurs, et non pour les remplacer, et favorisez ainsi des processus de travail impliquant une intervention humaine.

« Les informations doivent être disponibles en temps réel, n’est-ce pas ? Attendre deux jours pour obtenir un rapport… cela ne représente pas une valeur commerciale concrète. » — Alvin Clark, responsable mondial des relations avec les développeurs pour les secteurs de la fabrication et de l’industrie, NVIDIA

Le résultat :

  • Les opérateurs bénéficient d'une aide pertinente et adaptée au contexte dès l'instant même, et non plusieurs heures plus tard
  • Les ingénieurs bénéficient de moyens plus rapides pour identifier la cause première et de références plus solides pour Amélioration continue
  • Vos systèmes ne se contentent plus de rendre compte des performances, mais contribuent désormais à les améliorer

Le fil conducteur

Ces approches peuvent partir de points de départ différents, mais elles fonctionnent pour la même raison :

  • Ils s'appuient sur le contexte local, et non sur des modèles génériques
  • Ils rendent les connaissances accessibles et les données exploitables
  • Ils intègrent l'intelligence là où le travail s'effectue
  • Et ils veillent à ce que les gens restent informés et ne soient pas laissés de côté

C'est ainsi que les fabricants concrétisent l'IA, en exploitant les bases dont ils disposent déjà.

Pour commencer : une approche pratique pour aller de l'avant

Vous n'avez pas besoin de données parfaites ni d'une saisie exhaustive des connaissances pour vous lancer. Commencez par un problème concret et récurrent, puis mettez en place ces deux éléments en parallèle. La plupart des fabricants suivent une démarche simple :

  • Évaluez vos lacunes en matière d'accessibilité des données et de savoir-faire non documenté
  • Choisissez une « cas d'utilisation » à fort impact, comme les changements de production, le dépannage ou la formation
  • Capturez les connaissances et reliez les données dans le cadre d'un flux de travail ciblé
  • Donnez aux équipes une responsabilité claire et les repères nécessaires pour agir rapidement. Lorsque les collaborateurs voient leur expertise reflétée dans les systèmes qu’ils utilisent, l’adoption se fait naturellement, et les améliorations s’ensuivent.

Comment « Tulip » contribue à renforcer ces deux fondements

Tulip réunit les données et les connaissances au sein d'une plateforme unique, conçue pour répondre aux réalités des opérations sur le terrain.

Grâce à l’outil AI Composer d’ Tulip , les équipes peuvent transformer en quelques minutes des procédures opérationnelles standard (SOP) statiques et des savoirs tacites en instructions de travail numériques et interactives, sans aucune connaissance en programmation. Il suffit de télécharger un document pour que le système en extraie les étapes, les images et la logique nécessaires à la création d’une application fonctionnelle. Il s’agit d’un moyen rapide et reproductible de rendre les processus de travail des experts accessibles à tous les opérateurs.

Associez cela à AI Agent, l’assistant IA intégré à Tulip, et les opérateurs obtiennent des réponses à la demande, directement dans le cadre de leur travail. Qu’il s’agisse de consulter des spécifications de couple, de dépanner une machine ou d’analyser l’historique des performances, Copilot met instantanément à disposition les informations pertinentes en puisant directement dans vos procédures opérationnelles standard (SOP), vos manuels et données de production.

Ensemble, ces outils forment un circuit fermé : les connaissances sont capturées, converties en applications, enrichies de données en temps réel et rendues accessibles là où elles sont nécessaires. Et comme l’ Tulip e s’inscrit dans un écosystème industriel plus large, cette intelligence dépasse le cadre d’une simple plateforme. Grâce à des partenariats avec des innovateurs tels que DeepHow, Hexagon et NVIDIA, les industriels peuvent intégrer la capture des connaissances d’experts, les capacités de simulation avancée et de jumeau numérique, ainsi qu’une infrastructure d’IA accélérée au sein d’un même flux de travail opérationnel.

Tulip jette les bases d'une usine plus connectée et plus intelligente, où l'IA soutient à la fois les personnes et les processus, et où un écosystème ouvert permet à cette intelligence de s'étendre à l'ensemble des opérations.

Opérez la transformation numérique de vos activités grâce à Tulip

Découvrez comment les écosystèmes d'applications permettent des opérations agiles et connectées

Prendre rendez-vous pour une démonstration
Illustration « Une journée dans la vie » (CTA)