L'IA au service des opérations
transformation numérique

Au-delà du chatbot : comment fonctionne l'IA agentique dans l'industrie manufacturière discrète

Patrick Lemay

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.

L'alerte se déclenche. Le superviseur la lit. Il en comprend la signification. Il ouvre un autre système. Il crée une « Ordre de travail ». Il en informe l'opérateur. Il essaie de ne pas oublier de consigner l'incident. Parfois, il le fait.

C'est à ce stade de la chaîne — des données à l'intervention humaine, puis à la décision et enfin à l'action — que s'arrêtent la plupart des investissements dans l'IA appliquée à l'industrie manufacturière.

La première vague d'investissements dans l'IA de la plupart des fabricants de composants discrets visait principalement à améliorer les tableaux de bord, à rendre les alertes d'anomalies plus claires et à rendre les données plus accessibles depuis davantage d'endroits. Pourtant, ces mêmes superviseurs se retrouvent toujours à effectuer le même tri manuel chaque matin, avec désormais une file d'attente plus longue à traiter.

Le problème est d'ordre architectural. Lorsque l'IA met en évidence une information, mais qu'un humain doit encore traduire cette information en chaque action qui s'ensuit (ouvrir un « Ordre de travail », vérifier le certificat de conformité des matériaux, informer l'opérateur, consigner la réponse), l'IA a certes amélioré la couche d'information, mais elle n'a pas modifié la couche d'exécution.

Dans des secteurs tels que l'aérospatiale, les dispositifs médicaux et l'automobile, où un seul écart non suivi peut entraîner en cascade une enquête CAPA complète ou un examen en vue d'un rappel, cette lacune peut rapidement constituer un risque en matière de conformité.

L'IA agentique a le potentiel de combler cet écart. Le facteur déterminant réside alors dans l'emplacement de l'agent au sein de la pile.

De « Insight Engine » à « Digital Worker »

Pour beaucoup, l’IA générative fait office de consultant numérique. Elle est efficace pour répondre à des questions, produire des résumés, proposer des recommandations et rédiger des documents lorsque vous le lui demandez. Le résultat est transmis à un être humain. C’est ce dernier qui décide de la suite à donner. La chaîne d’actions commence et se termine par une personne.

L'IA agentique a la capacité d'aller bien plus loin. À partir d'un objectif défini et d'un ensemble de contraintes opérationnelles, un système agentique analyse la situation, évalue les options, exécute les actions sur l'ensemble des systèmes connectés et consigne le résultat. Aucune décision humaine n'est requise à chaque étape.

Dans le secteur industriel, cette distinction est très nette. Un système MES doté de « capacités d’IA » peut détecter un écart de couple à la station 4 et réagir ainsi : « Les trois dernières unités ont affiché une valeur de 22,3 Nm alors que la valeur nominale est comprise entre 24 et 26 Nm. Action recommandée : vérifier les assemblages récents. » L’opérateur prend alors connaissance de l’alerte, décide s’il convient de suspendre l’ Ordre de travail, consigne l’écart et envoie éventuellement un e-mail à un technicien qualité.

Un système agentique, lorsqu’il détecte le même écart, est capable d’identifier la dernière unité conforme à l’aide de son numéro de série, retient les ordres de travail en aval qui dépendent de ce lot, transmet une instruction de retouche à l’interface du technicien qualité accompagnée d’un dossier de justification pré-constitué (mesures, certificat de matériau, identifiant de l’opérateur, consigne de travail soumise à un contrôle de révision), et consigne sa propre action dans le registre d’exécution traçable.

La distinction réside dans ce qui se passe entre le moment où « le système a détecté quelque chose » et celui où « le problème a été résolu ».

Deloitte prévoit que l'adoption de l'IA agentique dans le secteur manufacturier sera multipliée par quatre, passant de 6 % aujourd'hui à 24 % d'ici 2027. Ce retard d'adoption reflète moins un manque d'intérêt qu'un manque de clarté quant aux conditions requises pour un déploiement de l'IA agentique prêt à l'emploi.

Les pionniers de l'IA s'attachent principalement à déployer des solutions qui informent les fabricants de ce qui se passe. Rares sont ceux qui explorent les opportunités offertes par des solutions capables de prendre réellement des mesures.

Pourquoi l'IA agentique présente des limites lorsqu'elle est trop éloignée du terrain

Les agents au niveau de l’ERP (SAP Joule, l’IA intégrée d’ Oracle, les agents IA sectoriels d’Infor) sont capables de résoudre de véritables problèmes de planification. Ils peuvent ajuster les plannings de production en réponse à des perturbations de l’approvisionnement, optimiser l’allocation des capacités et proposer des décisions en matière de gestion des commandes en s’appuyant sur davantage de contexte qu’un système statique de planification de la demande ( Tableau de bord ) ne pourrait jamais en fournir. Leur couche de déploiement est le système de planification d’entreprise.

Cette couche se situe au-dessus du niveau où le travail s'effectue. Ces solutions ne sont pas conçues pour saisir en temps réel le contexte d'exécution sur le terrain.

Lorsqu'un agent traite des données ERP, il est en mesure de prendre des décisions concernant les plans. Lorsqu'un agent traite des données d'exécution de première ligne, il prend des décisions concernant le travail. Dans la fabrication discrète, le relevé de conformité (le relevé « tel que construit » ou « tel qu'inspecté ») reflète le travail tel qu'il a été effectué.

Les données dont l'agent a besoin

Pour qu’un système agentique puisse prendre une décision sûre et autonome dans un environnement de fabrication complexe, il a besoin de plus d’informations que celles disponibles sur une simple Ordre de travail. Il a besoin de connaître le lot de matériaux prélevé, les données collectées au poste pendant l’exécution, l’identité et les qualifications de l’opérateur, la consigne de travail régissant l’étape concernée, ainsi que les assemblages en aval qui dépendent de la réussite de cette unité.

Ce contexte opérationnel se situe au niveau de l’exécution : le flux de travail guidé, l’ capture des données au poste de travail, les enregistrements étape par étape qu’une plateforme de première ligne rassemble au fur et à mesure de l’avancement du travail. Sans cela, un agent doit se forger une opinion sur des conditions qu’il ne perçoit pas pleinement. Ses décisions peuvent être rapides. Elles peuvent généralement être justes. Mais elles ne peuvent pas être défendues lors d’un audit réglementaire, car la chaîne de preuves qui étaye la décision n’existe pas.

L'écart entre le niveau auquel opèrent les agents de la couche ERP et celui où doivent être prises des décisions autonomes justifiables constitue le problème architectural que la plupart des déploiements d'IA agentique n'ont pas encore résolu. C'est le graphe de contexte qui comble cet écart : ce réseau en temps réel de données opérationnelles qui relie chaque action au matériel, au flux de travail, à l'opérateur et à la spécification à laquelle elle devait se conformer.

Le « Context Graph » : pourquoi les données de terrain permettent de justifier les décisions des agents

Un graphe contextuel est le réseau dynamique de données opérationnelles qui relie une unité de travail spécifique aux éléments essentiels à son exécution et à sa conformité : le lot de matière, les paramètres de processus, l'identité et les qualifications de l'opérateur, la version en vigueur de la consigne de travail, les horodatages et les dépendances en aval.

Sur la plateforme d’Tulip, les données sont collectées en continu au fur et à mesure de l’avancement des travaux : chaque étape est capturée par un flux de travail guidé, chaque paramètre est enregistré par un capteur, chaque lot de matériaux est scanné par un opérateur, et chaque point de décision est consigné avec son horodatage et son contexte. Au moment où un agent doit intervenir, le contexte sur lequel il fonde son raisonnement reflète l’état en temps réel de cette unité spécifique, sur cette ligne spécifique, à cet instant précis.

Une plateforme de première ligne dotée d'outils performants prend en compte six dimensions qui permettent de déterminer si la décision autonome d'un agent résiste à un examen approfondi :

  • Certifications des matériaux et traçabilité des lots associées au numéro de série ou de lot spécifique
  • Paramètres de processus mesurés en temps réel à la station (données réelles enregistrées)
  • Identité de l'opérateur et statut de qualification pour chaque étape effectuée
  • La version de la consigne de travail qui était en vigueur et applicable au moment de l'exécution
  • Horodatages détaillés pour chaque action de la séquence
  • Les dépendances en aval, à savoir quels assemblages ou opérations dépendent de la réussite de cette unité

Lorsqu'un agent dispose d'un tel niveau de détail, ses décisions sont fondées.

Le parcours décisionnel découle directement des données. Un auditeur chargé d'examiner une « Ordre de travail » signalée n'a pas besoin de reconstituer le déroulement des événements ; le graphe contextuel présente les conditions qui ont déclenché la décision, les données sur lesquelles l'agent s'est basé et l'action qu'il a entreprise.

C'est ce qui distingue l'IA au niveau de l'exécution de l'IA au niveau de la planification.

Preuve par défaut

Dans les secteurs de l'aérospatiale, des dispositifs médicaux et dans tout environnement de fabrication discrète réglementé par l'ISO ou la FDA, la documentation de conformité n'est jamais « terminée ». Chaque non-conformité peut donner lieu à une demande de dossier. Chaque étape franchie dans le cadre d'un « Ordre de travail » peut constituer un document de conformité. Être prêt pour un audit est un état d'esprit que vous devez maintenir en permanence, et la question à vous poser est toujours la même : pouvez-vous démontrer exactement ce qui s'est passé ?

Lorsque les agents d'IA fonctionnent en dehors de la couche d'exécution (dans des systèmes ERP, des plateformes de BI ou des outils d'IA autonomes), il devient plus difficile de répondre à cette question.

Les interventions de l'agent n'apparaissent pas automatiquement dans le dossier de réception. Quelqu'un doit les consigner manuellement, sinon elles n'y figurent pas. Dans la pratique, cela signifie que le dossier présente des lacunes chaque fois que l'agent est intervenu sur un élément sans qu'il n'y ait de mécanisme de saisie structuré pour l'enregistrer.

Lorsque les agents interviennent au sein de la couche d’exécution, le rapport se construit de lui-même. Chaque action effectuée par l’agent (application d’un contrôle qualité, mise en pause d’une « Ordre de travail » en aval, transmission d’une instruction de retouche, signalement d’un écart) est consignée dans le même rapport d’exécution traçable que les étapes effectuées par l’opérateur lui-même. Pas dans un journal IA distinct que le service de conformité devra ensuite rapprocher. Mais bien dans ce rapport. En lien avec la condition déclencheuse, les données sur lesquelles l’agent a agi et le résultat obtenu.

Voilà à quoi ressemble la « preuve par défaut ». La documentation relative à la conformité devient un sous-produit de la production courante.

TulipLes agents IA « Composable » sont conçus autour de ce modèle. Chaque action d'un agent (l'événement déclencheur, la décision, l'exécution, le résultat) est enregistrée au sein de la même plateforme qui a capturé les données d'exécution sous-jacentes.

Les enjeux réglementaires liés à l’utilisation de l’IA n’ont jamais été aussi importants. La loi européenne sur l’IA, désormais en vigueur, prévoit des sanctions pouvant aller jusqu’à 35 millions d’euros ou 7 % du chiffre d’affaires annuel mondial en cas d’infractions concernant des applications d’IA à haut risque. Les systèmes de contrôle qualité dans le secteur industriel sont susceptibles d’entrer dans ce champ d’application. « C’est l’IA qui l’a fait » ne constitue pas une explication valable lors d’un audit. « Voici toutes les décisions prises par l’agent, les données sur lesquelles il s’est appuyé et les résultats qu’il a produits », en revanche, en est une.

« Human-in-the-Loop » : maîtriser les 90 % pour pouvoir faire confiance au reste

Que se passe-t-il lorsque l'agent commet une erreur et que l'équipe ignorait qu'il prenait la décision ? Cette question empêche davantage de pilotes d'IA « agentique » d'atteindre la phase de production que n'importe quel déficit de capacités.

C'est une préoccupation légitime. Selon Deloitte, seules 21 % des entreprises qui déploient actuellement une IA agentique disposent d'un modèle de gouvernance abouti. Dans la plupart des premiers déploiements, le risque réside moins dans l'agent lui-même que dans l'absence de limites clairement définies quant à ce que l'agent est autorisé à faire et à ne pas faire.

Le modèle 90/10

La plupart des situations auxquelles un agent est confronté dans un atelier de fabrication discrète relèvent de la routine. Une mesure s’inscrivant dans une plage de paramètres connue. Un ajustement de planification dans les limites de capacité établies. Un récapitulatif de poste établi à partir de données d’exécution structurées. Ces situations suivent des schémas prévisibles, obéissent à une logique décisionnelle bien délimitée et produisent des résultats que l’équipe chargée de la conformité a déjà examinés. Appelons cela les « 90 % » : des situations dans lesquelles l’agent dispose d’un contexte suffisant, de règles claires et de l’autorité nécessaire pour agir.

Ces 10 % correspondent précisément aux cas qui relèvent de l’escalade. Il s’agit de nouveaux modes de défaillance que l’agent n’a pas encore rencontrés dans le cadre de sa configuration. De décisions qui dépassent les seuils de conformité et nécessitent une signature autorisée. D’actions ayant un impact significatif en aval sur la production (mise au rebut d’un lot, arrêt d’une ligne). De toute décision générant un enregistrement réglementaire nécessitant une attestation humaine. Ces cas n’ont pas leur place dans l’exécution autonome, et un agent bien configuré sait faire la différence.

Concrètement, définir la limite 90/10 implique trois choses :

  1. quelles décisions l'agent peut-il prendre sans en informer personne ;
  2. quelles sont les conditions qui déclenchent une vérification humaine avant que l'agent n'intervienne ; et
  3. quelles décisions doivent être approuvées par un responsable ou un technicien qualité avant d'être mises en œuvre.

Ces configurations sont intégrées à la plateforme, et non au modèle. Elles sont définies par l'équipe en charge du processus, peuvent faire l'objet d'un contrôle par le service de conformité et sont modifiables à mesure que l'activité se développe.

TulipLes agents IA « Composable » sont configurables sur ces trois plans. Les équipes définissent le périmètre, les seuils de basculement et l’interface par laquelle les décisions humaines sont mises en avant. Lorsqu’une décision nécessite une intervention humaine, celle-ci s’affiche directement dans l’interface d’ Tulip s de l’opérateur, et non sur un portail IA distinct que l’opérateur devrait consulter en parallèle. Le flux de travail fait office de mécanisme de gouvernance.

À quoi ressemble une bonne gouvernance ?

Le rapport « State of AI » de McKinsey, publié en novembre 2025, a révélé que les organisations ayant mis en œuvre les déploiements d'IA agentique les plus performants partagent une caractéristique commune : des cadres de supervision « human-in-the-loop », dans lesquels des humains assurent la supervision, la validation et l'intervention.

Cela ressemble à ceci :

  • Une piste d'audit complète : chaque décision prise par un agent est consignée avec la condition qui l'a déclenchée, les données sur lesquelles il s'est appuyé, l'action qu'il a entreprise et le résultat obtenu
  • Intervention manuelle au niveau de l'opérateur : toute action d'un agent peut être vérifiée et annulée par un utilisateur autorisé
  • Contrôles de portée : agents configurés pour des ensembles d'actions spécifiques ; toute extension nécessite une modification explicite de la configuration
  • Escalade via l'interface opérateur : les décisions nécessitant un jugement humain apparaissent dans le flux de travail que l'opérateur utilise déjà
  • Évaluation périodique des performances : le comportement des agents est évalué au regard d'indicateurs de qualité et de conformité selon une fréquence définie

Les équipes qui déploient des agents en toute confiance sont celles qui ont d'abord conçu le modèle de gouvernance, puis l'automatisation.

Comment l'IA agentique s'intègre à votre infrastructure technologique existante

Si vous utilisez une installation SAP vieille de 15 ans, ce n'est pas pour la remplacer que vous déployez des agents d'IA.

Les fabricants disposant de systèmes ERP hautement personnalisés ou de systèmes MES hérités ont intégré trop de logique opérationnelle dans ces plateformes pour pouvoir les supprimer dans un délai raisonnable sur le plan commercial.

L'IA agentique au niveau de la couche d'exécution ne nécessite pas de remplacement complet.

Les agents se connectent aux systèmes existants via des API. Un agent compétent travaillant au sein d’ Tulip peut interroger SAP pour obtenir la certification de l’article liée à l’ Ordre de travail en cours, extraire les limites de contrôle du cahier des charges de l’instruction de travail, lire les mesures provenant de l’équipement correspondant, les comparer et agir. Le tout au sein d’un flux de travail unique et orchestré. Aucun système n’est remplacé. Aucune infrastructure centrale n’est migrée. L’ERP conserve toujours les données qu’il a été conçu pour stocker ; la plateforme d’exécution capture le contexte de terrain que l’ERP n’a jamais été conçu pour percevoir ; l’agent fait le lien entre les deux au moment de la prise de décision.

McKinsey a qualifié ce phénomène de « grand fossé entre les agents IA et les progiciels de gestion intégrée (ERP) ». Il en ressort que ce fossé se comble grâce à l'augmentation des capacités, et non au remplacement. Des plateformes telles que Tulip constituent le pont entre les deux.

Pour les architectes informatiques chargés d'évaluer cette décision, les questions pertinentes sont les suivantes :

Quelles sont les API disponibles pour les systèmes ERP et MES actuellement en production ?

Dans quelle mesure les données fournies par ces systèmes sont-elles structurées ?

À quoi ressemble une intégration encadrée ?

L'ajout d'une couche permettant de lire et d'écrire dans les systèmes de production nécessite un examen de sécurité et une « Gestion du changement », même si cela n'implique pas de refonte de l'architecture de la pile centrale.

Tulip s'intègre à SAP, à Oracle, aux systèmes d'historisation, aux automates programmables (PLC) et à toute une gamme de systèmes MES via des API standard. Le travail d'intégration est bien réel. Le remplacement de l'infrastructure, lui, ne l'est pas.

Cas d'utilisation de l'IA agentique dans l'industrie manufacturière discrète

La différence entre la manière dont les agents sont décrits et leur comportement réel en production apparaît plus clairement sur le plan opérationnel : quelle condition a déclenché l'agent, quelle action a-t-il effectuée et quels éléments ont été consignés dans le rapport. Vous trouverez ci-dessous quelques exemples concrets illustrant comment cela se traduit dans la pratique :

Réponse en cas d'écart de qualité

Un opérateur enregistre trois mesures de couple consécutives inférieures à la limite de contrôle inférieure sur l Ordre de travail e 4421, lot de matière TL-2209-A. Sur une ligne sans agents, cette mesure déclenche une alerte sur l’ Tableau de bord de qualité. Le technicien qualité l’examine lors du cycle de surveillance suivant, ouvre le MES, décide s’il convient de bloquer le lot, en informe l’opérateur et tente de consigner la réponse dans son SGQ (système de gestion de la qualité). Le délai entre la détection et la maîtrise de la situation se mesure en heures. La piste d’audit, si elle existe, est constituée à partir d’e-mails et de notes.

Une fois transféré vers la couche d’exécution, l’agent identifie la dernière unité conforme à l’aide de son numéro de série. Il conserve les ordres de travail en aval qui dépendent de ce lot. Il transmet une instruction de retouche à l’interface du technicien qualité, préremplie avec les numéros de série, les mesures, le certificat de matériau et l’identifiant de l’opérateur. L’action de l’agent est consignée dans le dossier d’exécution traçable, aux côtés de la mesure d’origine. Lorsque le technicien qualité parvient à la file d’attente, le dossier de justification s’y trouve déjà.

Le délai de réponse passe de plusieurs heures à quelques minutes. Il n'est pas nécessaire de reconstituer le dossier de réception des travaux.

Lancement de nouveau produit Transfert

Nouveau produit, processus d'assemblage en 47 étapes, modifications apportées à l'BOM par rapport à la révision précédente. Les trois instructions de travail, auparavant distinctes, doivent être harmonisées avant le contrôle du premier article. En l'absence d'agents, les ingénieurs de processus s'en chargent manuellement : ils comparent les historiques de révision, élaborent des dossiers de formation et identifient les lacunes lors du contrôle du premier article plutôt qu'avant celui-ci.

Avec l’intervention d’un agent, l’écart entre la nouvelle version de l’instruction de travail ( BOM ) et la révision en vigueur de l’instruction de travail est identifié avant le début de la production. Les étapes modifiées sont mises en évidence pour être examinées et approuvées par un ingénieur. Le flux de travail guidé mis à jour reflète la nouvelle révision de l’unité 1. La formation des opérateurs porte sur les étapes spécifiquement modifiées, et non sur l’intégralité de la procédure en 47 étapes. Le registre traçable indiquant quelle révision de l’instruction de travail s’appliquait à quelle unité est établi dès le premier article, et non de manière rétroactive.

Relève de service

Trois écarts non résolus. Deux machines signalées pour maintenance. Une « Ordre de travail » en retard sur le planning. Le compte-rendu écrit du chef d'équipe sortant peut, ou non, rendre compte de l'ensemble de ces éléments, selon le déroulement de l'équipe. Le chef d'équipe entrant consacre généralement ses quinze premières minutes à se mettre au courant de la situation plutôt qu'à gérer l'équipe.

Un agent génère automatiquement le compte-rendu de passation à partir des données d'exécution : les écarts en cours avec leur statut et leur horodatage, les indicateurs des machines avec leur dernier état connu, ainsi que l'état de la production par rapport au planning. Le superviseur sortant examine et valide le document. Le superviseur entrant consulte un résumé structuré avant d'arriver sur le site de production. Aucun point en suspens n'est omis lors du transfert.

Génération de la documentation de validation

Nouvelle application développée pour une chaîne de production réglementée au sein d'un site de fabrication de dispositifs médicaux. Un guide de validation GxP est requis avant le déploiement. En l'absence d'agent, l'équipe de validation examine manuellement la structure de l'application, documente l'usage prévu, établit la correspondance entre les contrôles des risques et rédige les cas de test. Selon la complexité de l'application, ce processus peut prendre de quelques jours à plusieurs semaines.

TulipLe « Générateur de guides de validation » analyse la structure de l'application, la met en correspondance avec les exigences de la documentation GxP et génère automatiquement un projet de guide. L'équipe de validation examine, adapte et valide ce document. Le travail passe ainsi de la production de la documentation à sa révision.

Évaluation des plateformes d'IA agentique pour la fabrication discrète

La plupart des fournisseurs d'IA agentique vous diront que leur système est spécialement conçu pour le secteur industriel. Quelques questions permettent de distinguer les plateformes destinées à la couche d'exécution de celles conçues pour la planification, la documentation ou l'automatisation générique des processus.

À quel niveau de la pile l'agent intervient-il ? Un agent intégré à l'ERP améliore le flux d'informations. Un agent situé au niveau de la couche d'exécution, là où le travail s'effectue, où les paramètres de processus sont capturés et où les actions des opérateurs sont enregistrées, permet de boucler la boucle d'exécution. Demandez aux fournisseurs de vous présenter un scénario concret d'écart de qualité : d'où l'agent tire-t-il ses données, quels systèmes intercepte-t-il et quelles informations sont finalement consignées dans le dossier ?

Quel contexte opérationnel l’agent est-il en mesure de visualiser ? Pour prendre des décisions éclairées dans le domaine de la fabrication discrète, il est nécessaire de disposer de données sur les lots de matériaux, de paramètres de processus en temps réel, de l’historique des révisions des instructions de travail et des registres d’exécution au niveau des opérateurs. Si l’agent se base sur des données ERP synchronisées chaque nuit, il travaille à partir d’une image de la situation datant de la veille, alors que celle-ci a peut-être évolué au cours de la dernière heure. Renseignez-vous sur le délai de mise à jour des données de l’agent et vérifiez s’il peut accéder aux registres d’exécution de première ligne.

À quoi ressemble le modèle de gouvernance dans la pratique ? N’importe quel fournisseur peut décrire une approche « human-in-the-loop ». Demandez-lui de vous en faire la démonstration. Votre équipe chargée de la conformité est-elle en mesure de configurer précisément quand les agents agissent de manière autonome et quand ils remontent l’information ? Chaque décision prise par un agent est-elle consignée, avec sa condition déclencheuse et son résultat, dans un format conforme aux exigences d’un contrôle réglementaire ? Un opérateur peut-il passer outre l’action d’un agent au niveau opérationnel ? Si le modèle de gouvernance nécessite un portail distinct pour être examiné, il sera ignoré dans la pratique.

Cela nécessite-t-il de nouvelles infrastructures, ou s'intègre-t-il à celles qui existent déjà ? Un travail d'intégration est inévitable ; le remplacement complet de la plateforme est un tout autre sujet. Demandez aux fournisseurs de préciser quelles API ils utilisent pour se connecter à l'ERP et au MES, ce que nécessite l'approche d'intégration, et à quoi ressemble le modèle de maintenance lorsque le système d'entreprise sous-jacent est mis à jour.

Ce ne sont pas des questions pièges. Ce sont les questions que votre équipe chargée de la conformité posera avant tout déploiement en production, et les fournisseurs qui ne sont pas en mesure d'y répondre clairement vous en disent long.

La différence entre un déploiement pilote et un déploiement prêt pour la production

L'adoption de l'IA agentique dans le secteur industriel devrait quadrupler au cours des deux prochaines années. Cette croissance se traduira principalement par la mise en place de projets pilotes.

Ce qui distingue les projets pilotes des déploiements prêts à être mis en production, c'est l'architecture : l'emplacement de l'agent, le contexte dont il a connaissance, le modèle de gouvernance qui encadre ses actions, et la capacité de la trace qu'il génère à résister à un examen réglementaire.

C'est au niveau de la couche d'exécution que se trouvent les réponses à ces questions. Le graphe de contexte qu'elle gère, les preuves qu'elle recueille par défaut, le modèle de gouvernance impliquant une intervention humaine qu'elle configure et applique. Telles sont les conditions dans lesquelles l'action autonome devient justifiable. Sans elles, les agents ne sont que des systèmes d'alerte sophistiqués comportant des étapes supplémentaires.

TulipLes agents IA « Composable » sont conçus pour cet environnement : composable. Ils sont transparents, intègrent une intervention humaine dès leur conception et opèrent au niveau de l'exécution de première ligne, là où se déroulent le travail et où se trouvent les éléments probants.

TulipSi vous souhaitez découvrir comment les agents « Composable » de aident les fabricants de produits discrets à automatiser leurs processus de production, n’hésitez pas à contacter un membre de notre équipe dès aujourd’hui!

Coordonnez les décisions sur le terrain grâce à l'IA agentique

Utilisez Tulip pour relier les données et les flux de travail afin que les agents IA exécutent des tâches en tenant compte du contexte, ce qui améliore la coordination et les performances en temps réel.

Découvrez une visite virtuelle et interactive de nos produits
Illustration « Une journée dans la vie » (CTA)

Foire aux questions

Les fabricants du secteur de la production discrète utilisent des solutions d’IA agentique telles que Tulip pour mettre en œuvre de manière autonome des réponses en plusieurs étapes aux conditions de production : détecter un écart dimensionnel, l’attribuer à l’ Ordre de travail e et au lot de matière spécifiques, suspendre les opérations en aval et transmettre une instruction de retouche à l’opérateur concerné, le tout sans qu’un superviseur ait à relier manuellement chaque étape.

Contrairement à l'IA générative, qui formule des recommandations sur lesquelles les humains doivent agir, l'IA agentique boucle la boucle entre la détection et la réponse au sein même du flux de travail de production.

L'IA générative crée du contenu : résumés, rapports, recommandations, documentation.

L'IA agentique passe à l'action. Dans le secteur industriel, l'IA générative peut par exemple produire un compte-rendu d'équipe ou suggérer une mesure corrective. L'IA agentique détecte la condition déclencheuse, exécute le processus correctif et consigne l'action dans un journal d'exécution traçable, de manière autonome, dans le respect des limites opérationnelles définies. La différence concrète réside dans la boucle fermée : l'IA générative nécessite l'intervention d'un humain pour donner suite à ses résultats ; l'IA agentique, quant à elle, exécute l'action elle-même.

La gouvernance « Human-in-the-loop » dans le domaine de l’IA industrielle consiste à définir précisément quand les agents agissent de manière autonome et quand ils doivent faire appel à un humain. Pour les décisions courantes et bien définies (application d’un contrôle qualité standard, replanification d’une tâche de production dans le respect des paramètres établis, rédaction d’un compte-rendu de passation de service), les agents agissent de manière indépendante. Pour les décisions qui dépassent les seuils de conformité, impliquent des modes de défaillance inédits ou nécessitent une validation réglementaire, l’agent transmet la décision via l’interface opérateur afin qu’un humain l’examine avant d’agir. Les équipes définissent les limites ; les agents les respectent. Chaque décision, qu’elle soit autonome ou transmise à un humain, est consignée avec son contexte déclencheur et son résultat.

Oui. Les agents composable d'Tulip ne nécessitent pas le remplacement de votre infrastructure ERP ou MES existante.

Les agents se connectent aux systèmes existants via des API, lisent les données de « Ordre de travail », les certifications des matériaux et les structures « BOM » issues de SAP ou d’ Oracle, ainsi que les paramètres de processus provenant des systèmes MES et des historiens, tout en exécutant des actions au sein des plateformes de workflow de première ligne. Tulip fait office de couche d’orchestration qui relie les données d’entreprise au contexte d’exécution en temps réel, offrant ainsi aux fabricants des capacités d’agent sans qu’il soit nécessaire de procéder à un remplacement complet de l’infrastructure.

Lorsque des agents d'IA interviennent au sein d'une plateforme opérationnelle de première ligne telle que Tulip, chacune de leurs actions (effectuer un contrôle qualité, mettre en pause une Ordre de travail, transmettre une instruction de retouche, générer un document de validation) est consignée dans le même journal d'exécution traçable que les actions de l'opérateur lui-même.

Les registres « tel que construit » et « tel qu’inspecté » sont constitués au fur et à mesure de l’avancement des travaux, plutôt que d’être rassemblés a posteriori avant un audit. Ce modèle de « preuve par défaut » signifie que la documentation relative à la conformité est un sous-produit continu de la production, et non une tâche de préparation distincte.

Les cas d'utilisation de l'IA agentique présentant la plus grande valeur et les contraintes opérationnelles les plus importantes dans le secteur de la fabrication discrète sont les suivants :

  • réponse aux écarts de qualité (détection des conditions hors spécifications et déclenchement automatique des processus de retouche)
  • ajustement du planning de production (réacheminement des ordres de fabrication en réponse à des pannes d'équipement ou à des variations de capacité)
  • génération de la documentation de validation (création automatique de guides de validation GxP ou ISO à partir de la structure de l'application)
  • Automatisation du passage de relais entre équipes (synthèse de l'état de la production à partir des données d'exécution)
  • Lancement de nouveau produit mise en place du processus (alignement des instructions de travail sur les nomenclatures mises à jour avant la fabrication du premier article).

Ces cas d'utilisation présentent en commun des conditions de déclenchement bien définies, une logique de décision bien délimitée et une valeur évidente en matière de conformité.

Pour prendre des décisions autonomes en toute sécurité dans le secteur de la fabrication discrète, les agents doivent avoir accès à un contexte opérationnel que le système ERP ne peut à lui seul fournir : le lot de matière spécifique utilisé au poste, les valeurs des paramètres de processus relevées en temps réel, la version de la consigne de travail qui était en vigueur, l'opérateur qui a exécuté l'étape, les horodatages au niveau de chaque étape, ainsi que les ordres de fabrication en aval qui dépendent de cette unité.

Ce réseau interconnecté de données de terrain, que Tulip appelle le « graphique contextuel », est ce qui ancrent les décisions des agents dans la réalité opérationnelle et les rend vérifiables. Les agents qui opèrent sans ce contexte fondent leur raisonnement sur des informations incomplètes, et leurs décisions ne peuvent être justifiées lors d'un contrôle réglementaire.