transformation numérique
L'IA au service des opérations
Analyses et indicateurs clés de performance (KPI)

Passer des systèmes d'enregistrement aux systèmes de compréhension

Mike McKay

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.

Au cours des dernières décennies, le secteur industriel a accordé la priorité au « système d'enregistrement ». Les entreprises ont investi des milliards dans des plateformes ERP et MES conçues dans un seul but : consigner les transactions. Ces systèmes excellent dans la saisie des événements survenus : une pièce a été fabriquée, un lot a été validé ou une expédition a été effectuée.

Cependant, à l’approche de 2026, de nombreux responsables opérationnels se rendent compte que, bien qu’ils disposent de plus de données que jamais, celles-ci manquent de clarté. L’infrastructure de production traditionnelle est passive. Elle oblige les opérateurs à saisir manuellement les données, à interpréter manuellement les rapports et à combler manuellement le fossé entre une mesure brute issue d’un capteur et une action corrective.

Le secteur atteint un point de basculement où le modèle transactionnel des données ne suffit plus à suivre le rythme de la complexité opérationnelle. Pour aller de l'avant, il faut passer d'une simple enregistrement de l'historique à la mise en place d'un système permettant de comprendre les données.

La charge administrative liée aux données héritées

La promotion de l'transformation numérique e était censée libérer des capacités en ingénierie et en gestion. Dans de nombreux cas, elle a eu l'effet inverse. Selon une étude de CoLab Software, les ingénieurs consacrent désormais entre 23 % et 25 % de leur temps à des tâches sans valeur ajoutée, telles que la recherche de fichiers et la gestion du contrôle de version.

Sur le terrain, les frictions sont encore plus marquées. Une étude menée par ScreenCloud et Unily indique que les employés de première ligne perdent environ 22 % de leur temps de travail — soit plus de 90 minutes par jour — à rechercher des informations ou à attendre qu’elles leur soient fournies. Lorsqu’un système sert uniquement de base de données, les informations restent inactives jusqu’à ce qu’un utilisateur interagisse avec elles. Cela crée une culture dans laquelle des employés hautement qualifiés passent leur temps de travail à alimenter le logiciel plutôt qu’à optimiser les processus.

Réduction de la pyramide DIKW

Pour résoudre ce problème, il faut s'intéresser à la manière fondamentale dont les données industrielles sont structurées, souvent illustrée par la pyramide DIKW (données, informations, connaissances, sagesse).

Dans une architecture ISA-95 traditionnelle, le logiciel gère généralement la base de la pyramide. Il collecte des données brutes (par exemple, une température de 100 °C) et les organise en informations (par exemple, un graphique linéaire représentant l'évolution des températures dans le temps). À ce stade, le système s'arrête. Un être humain, généralement un superviseur ou un ingénieur, doit alors mettre à profit ses propres connaissances pour analyser la tendance et parvenir enfin à la sagesse, c'est-à-dire à la décision d'arrêter la machine ou de régler le débit de refroidissement.

Comment les données industrielles sont transformées en informations exploitables

Un système d'analyse transforme cette dynamique en supprimant ces différentes couches. En intégrant l'intelligence artificielle et une architecture de données plus flexible, le système est capable de passer des données brutes à la connaissance de manière quasi instantanée. Il ne se contente pas de signaler un pic de température ; il comprend que « 100 °C, c'est trop chaud pour ce produit précis sur cette machine précise » et transmet immédiatement une recommandation à l'opérateur.

Tirer parti des données non structurées

L'une des principales raisons pour lesquelles les systèmes MES et ERP traditionnels peinent à offrir une vision globale réside dans leur dépendance inhérente aux données structurées. Ces systèmes sont conçus pour les tableaux, les chiffres et les champs rigides, c'est-à-dire des types de données qui s'intègrent parfaitement dans une base de données. Or, la grande majorité de ce qui se passe réellement dans un atelier de production est non structurée.

Des informations opérationnelles précieuses se cachent dans des sources que les systèmes traditionnels considèrent comme du bruit :

  • Notes vocales d'un chef d'équipe sortant expliquant une solution de contournement issue du savoir-faire empirique.
  • Des photos d'un défaut prises avec un smartphone qui mettent en évidence les subtilités d'un problème de qualité.
  • Le bruit d'un moteur qu'un technicien expérimenté reconnaît comme un signe avant-coureur d'une panne.
  • Notes manuscrites sur des tableaux blancs concernant des ajustements temporaires des processus.

Selon McKinsey, plus de 90 % des données d'une organisation sont non structurées ; elles comprennent notamment des images, des enregistrements et du texte brut. Les systèmes ERP et MES traditionnels ayant été conçus pour des bases de données rigides, cette mine d'informations est restée, jusqu'à présent, invisible pour l'entreprise.

Il en résulte un volume considérable de « données obscures », c'est-à-dire de données qui ont été collectées mais qui n'ont jamais été utilisées à des fins d'analyse ou de prise de décisions stratégiques. Selon Splunk, 55 % des données d'une organisation sont considérées comme obscures, inexploitées, cachées ou inconnues. Un système d'interprétation est conçu pour enfin combler ce fossé, en s'appuyant sur l'IA multimodale et Vision par ordinateur transformer ces signaux physiques dormants en connaissances exploitables.

Réduire la « taxe de coordination »

En 2026, le principal frein à la productivité dans le secteur manufacturier ne sera pas la vitesse des machines, mais le « coût de coordination », c'est-à-dire le coût caché lié à la planification manuelle, aux vérifications d'état et aux transferts de données. Lorsqu'un système se contente d'enregistrer l'historique, les humains doivent jouer le rôle de trait d'union entre les silos.

L'évolution vers un système fondé sur la compréhension ne vise pas à remplacer le jugement humain, mais à l'élever à un niveau supérieur. Lorsque le système se charge de l'interprétation courante des données, comme l'identification d'un schéma de défaut ou la vérification d'un réglage, l'humain n'est plus un simple maillon intermédiaire. Il est désormais en mesure de gérer les exceptions plutôt que les cas standard.

Cette évolution architecturale répond à une réalité structurelle cruciale : le déficit de talents. À mesure que les systèmes automatisent les tâches routinières, les postes de première ligne passent de l’exécution d’étapes répétitives à la prise de décisions éclairées et transversales. Pour un responsable des opérations, la valeur réside dans la rapidité de la prise de décision. En supprimant les freins administratifs liés à l’attente d’informations, vous permettez à vos collaborateurs les plus compétents de se recentrer sur la mission pour laquelle ils ont été recrutés : résoudre les problèmes et optimiser la production.

Le rôle de la composabilité

Un système de compréhension ne peut exister sous la forme d’un outil monolithique et fermé. Il nécessite une architecture « composable », car la compréhension est un problème impliquant de multiples signaux. Les systèmes d’enregistrement traditionnels sont conçus pour des changements linéaires, marqués par des étapes clés, et fonctionnent bien dans le cadre de longs cycles de planification et de processus stables. En revanche, ils peinent à s’adapter à un environnement où le contexte est continu et fragmenté.

La composabilité facilite cette transition de trois manières principales :

  • Dissocier les données de la logique : les fabricants peuvent intégrer des signaux désordonnés et non structurés sans compromettre l'intégrité du système ERP central, en séparant la couche de données de la couche applicative.
  • Évolution progressive : les applications modulaires permettent aux équipes opérationnelles d'intégrer progressivement des fonctionnalités intelligentes, telles que l'Vision par ordinateur, à un poste ou à une cellule isolée, plutôt que d'attendre un déploiement à l'échelle de l'ensemble du site.
  • Interopérabilité : Seule une architecture flexible permet de rassembler des signaux disparates, tels que des images de vision, des journaux de machine et des notes vocales des opérateurs, pour former une vue opérationnelle partagée qui circule entre les différents rôles.

En mettant en place une couche d'composable s et d'interaction au-dessus des systèmes existants, les équipes peuvent enfin résoudre les exceptions au rythme de l'atelier plutôt qu'au rythme d'un cycle de mise à jour informatique.

Un audit du leadership pour 2026

Alors que les responsables opérationnels se tournent vers la prochaine année d'investissements technologiques, l'objectif ne devrait pas être de collecter davantage de données, mais d'accélérer la prise de décision.

Pour déterminer si votre architecture actuelle évolue vers un système fondé sur la compréhension, posez-vous les questions suivantes :

  1. Le test d'attente : combien de temps nos opérateurs de première ligne passent-ils à attendre qu'un superviseur interprète une alerte du système ou leur donne les instructions suivantes ?
  2. Le test des données cachées : quelle part de nos connaissances opérationnelles les plus précieuses se trouve dans des carnets de notes, sur des tableaux blancs ou dans des conversations non enregistrées ?
  3. Le test de l'administrateur : nos ingénieurs passent-ils plus de temps à résoudre des problèmes en production ou à nettoyer les données pour l'ERP ?

Le passage de la simple conservation des données à leur compréhension ne se résume pas à l'achat d'un simple logiciel. Il s'agit d'un changement dans la manière dont nous valorisons les données, qui nous éloigne de la simple documentation historique pour nous orienter vers une connaissance opérationnelle en temps réel.

Foire aux questions

Non. L'ERP reste le système de référence indispensable pour les transactions financières et la planification à long terme. Le système d'analyse fait office de couche d'composable , qui vient se superposer à l'ERP afin de traiter, en temps réel, les données brutes et hétérogènes issues de l'atelier, que les ERP n'ont pas été conçus pour traiter.

Les données structurées désignent tout ce qui peut être présenté sous forme de tableau, comme les références de pièces, les horodatages et les quantités. Les données non structurées comprennent les photos, les mémos vocaux, les registres de service et les profils de vibrations des machines. Les systèmes d'enregistrement ne tiennent pas compte de ces dernières ; les systèmes d'analyse, en revanche, s'en nourrissent.


La pyramide DIKW désigne les données, l'information, la connaissance et la sagesse. Traditionnellement, les êtres humains devaient faire progresser manuellement les données à chaque échelon. L'intelligence artificielle et les entrées multimodales, telles que la vision et la voix, réduisent cette pyramide en sautant les étapes intermédiaires et en fournissant directement la sagesse à l'utilisateur.

Non. Cela fait évoluer le rôle du superviseur, qui passe de simple interprète de données à véritable solutionneur de problèmes. Au lieu de passer ses services à expliquer la signification d'un code d'erreur, le superviseur utilise le système pour identifier des schémas récurrents dans des données non structurées, telles que les notes de service ou les photos de défauts, afin de s'attaquer aux causes profondes.


Un système d'analyse constitue en réalité la solution au problème des données désorganisées. Vous n'avez pas besoin d'une base de données parfaite pour commencer ; vous commencez par collecter les données non structurées, telles que les photos, les enregistrements vocaux et les notes, que votre équipe utilise déjà. Le système vous aide ensuite à structurer progressivement ces « données obscures ».

Une plateforme « composable » permet aux responsables de processus de mettre en place une couche d'interaction qui capture des données non structurées via une caméra ou la voix, et les relie à la logique de l'usine. Cela permet de créer le contexte en temps réel qui fait défaut aux systèmes statiques.

Découvrez les principales tendances du secteur manufacturier qui façonneront l'année 2026

Découvrez comment les fabricants utilisent l'Tulip e pour répondre aux nouvelles priorités, relier les données à l'action et améliorer leurs performances au cours de l'année à venir.

En savoir plus
Illustration « Une journée dans la vie »