L’IA industrielle n’existe pas au singulier. Derrière cette appellation trop commode se joue un choix stratégique majeur, savoir quelle forme d’intelligence mobiliser, pour quelle décision, avec quelle responsabilité humaine.
Parler de l’intelligence artificielle industrielle au singulier est déjà une faute d’analyse. Les mots semblent commodes parce qu’ils rassemblent sous une même bannière des systèmes très différents, mais cette commodité intellectuelle produit dans l’industrie un effet redoutable. Elle efface les écarts de fonction, de méthode, d’architecture, de temporalité et de responsabilité entre des dispositifs qui n’agissent ni sur les mêmes objets, ni dans les mêmes conditions, ni avec les mêmes conséquences. Une IA qui repère un défaut sur une pièce ne poursuit pas les finalités d’une IA qui estime la probabilité de défaillance d’un actif. Une IA qui reformule une documentation technique n’apporte pas le même service qu’une IA qui propose un ordonnancement de maintenance. Tous les différencient, les données qu’elles manipulent, les responsabilités qu’elles convoquent et la confiance ou la gouvernance qu’elles engagent. Notre enjeu n’est donc pas de dresser un inventaire des types d’IA. Il consiste à sortir de cette abstraction paresseuse qui fait croire que le choix se limite à des arguments pour ou contre, alors qu’il faut surtout identifier la bonne forme d’intelligence technique à établir. Robert X. Gao montre dans son état de l’art que le champ d’application de l’IA industrielle couvre la conception des systèmes de production, la planification, la modélisation des procédés, l’optimisation, la qualité, la maintenance, l’assemblage et le désassemblage automatisé.
Ce qui brouille les débats tient de plus à une difficulté bien plus profonde. Certaines explications de l’IA privilégient la désignation de fonctions telles que détecter, prévoir, générer, optimiser, expliquer. D’autres exposent des approches impliquant un raisonnement symbolique, un apprentissage statistique, un réseau de neurones, un graphe de connaissances ou un couplage avec des modèles physiques. D’autres encore renvoient à des architectures plus globales faisant mention d’une intelligence qui peut être embarquée dans un équipement, située dans une plateforme centralisée, distribuée, articulée ou insérée dans une application logicielle ou dans un automate. Enfin, certaines analyses renvoient à une exigence de gouvernance telle que l’explicabilité, la traçabilité, la sécurité, la robustesse, la validation humaine ou encore la possibilité de contestation. Tant que l’ensemble de ces propositions de mise en œuvre et leurs explications restent flous et dissociés, les limites des choix restent confuses et brouillent la compréhension du sujet. Dès lors il n’est pas étonnant de constater que les professionnels attendent d’un assistant génératif qu’il fournisse la solidité d’un modèle de dégradation. Qu’ils prêtent à une prédiction la certitude qu’elle ne peut offrir. Qu’ils donnent à une recommandation algorithmique l’autorité d’une décision humaine. C’est précisément ce que les principes de l’Industrie 5.0 cherchent à éviter lorsqu’ils réorientent la transformation industrielle vers des systèmes durables, résilients et centrés sur l’humain. Les textes fondateurs de la Commission européenne n’invitent pas à ajouter des couches de numérisation sur l’existant. Ils obligent à reposer la question du rôle de la technique dans une industrie qui veut rester gouvernable par ses propres acteurs.
L’IA industrielle n’est pas une technologie à adopter, mais un paysage à distinguer. Sans cartographie claire des fonctions, des méthodes, des architectures et des responsabilités, l’industrie risque de confondre assistance, prédiction, décision et gouvernance.
Cartographier les IA industrielles suppose alors de recadrer notre approche et notre compréhension. La bonne démarche ne consiste pas à se demander quelle IA adopter mais quelle décision soutenir, dans quel environnement réel, avec quelles données, sous quelles contraintes, avec quel niveau de criticité et, essentiel, avec quelle capacité humaine d’interprétation. Tant que cela n’est pas fait, nous aboutirons toujours à des démonstrateurs sans suite ou à des récits fantasmatiques, rarement à des capacités industrielles robustes. L’erreur la plus fréquente consiste à partir d’une technologie disponible, d’un discours de marché, d’un effet d’époque, et à chercher ensuite à quel problème elle pourrait s’appliquer. Cette séquence produit des projets qui impressionnent plus qu’ils ne transforment. Une cartographie digne de ce nom doit donc être un instrument de discernement, non une vitrine. Elle doit aider à voir que certaines IA prolongent d’abord la perception, que d’autres travaillent la prévision, que plus récemment elles organisent l’accès au savoir, que parfois elles structurent un raisonnement, et que les plus intéressantes, souvent, combinent plusieurs modèles plutôt que d’en sacraliser un seul.
Les IA de perception constituent un bon point de départ pour comprendre ce paysage complexe, parce qu’elles sont concrètes et immédiatement intelligibles. Elles transforment des images, des sons, des vibrations, des températures, des pressions ou des flux en signaux exploitables. Elles aident à percevoir plus vite, plus fréquemment et parfois mieux que ne le permettraient des inspections discontinues ou des contrôles purement humains. BMW Group documente par exemple l’usage de la reconnaissance d’images dans la production pour comparer des composants, détecter des écarts et alléger des tâches répétitives de contrôle. Rolls Royce fournit un autre exemple avec son Intelligent Borescope destiné à l’inspection des moteurs d’avion. L’intérêt du dispositif tient moins à une quelconque magie algorithmique qu’à l’augmentation d’une capacité d’observation dans un contexte qui engage la disponibilité, les coûts et la sûreté grâce à l’inspection de qualité. Et c’est précisément dès ce stade qu’il faut établir une première vigilance conceptuelle. Voir n’est pas comprendre. Détecter un défaut n’est pas diagnostiquer sa cause. Repérer une vibration atypique n’est pas décider un arrêt. Une IA de perception n’a de valeur industrielle que lorsqu’elle entre dans une chaîne d’interprétation qui exploite des seuils, des connaissances métier, des procédures pour donner du sens à ce qu’elle signale.
Une IA industrielle ne vaut pas par sa sophistication, mais par sa capacité à soutenir la bonne décision dans le bon contexte. Les IA de perception le montrent clairement, elles peuvent mieux voir, plus vite et plus souvent, mais elles ne comprennent rien tant qu’une chaîne métier ne transforme pas leurs signaux en interprétation utile.
Les IA prédictives prolongent alors ce premier pas, tout en établissant un tout autre registre d’intelligence industrielle. Elles ne cherchent plus seulement à repérer un écart. Elles tentent d’estimer une évolution probable, une dégradation future, un franchissement à venir de seuil, une durée de vie résiduelle ou une probabilité de panne. C’est le domaine le plus immédiatement associé à la maintenance intelligente, et sans doute celui dans lequel l’industrie a accumulé le plus de promesses, parfois au point de s’aveugler elle-même. L’exemple de la SNCF est instructif parce qu’il montre une prédiction industrialisée au sein d’une infrastructure réelle. Le groupe indique analyser huit mille variables par train, dont deux mille en temps réel, sur plus de mille cent trains équipés afin d’anticiper les défauts et d’adapter la maintenance à l’état du matériel. Ce qui importe dans cet exemple n’est pas uniquement la masse des données. C’est l’agencement qu’elle suppose. Capteurs, télétransmission, modèles, compétences, historiques, systèmes d’information et organisation de la décision. Une IA prédictive est prise dans une matérialité sociotechnique très exigeante. C’est ce que rappellent aussi Faisal Ramzan dans son étude. En effet la prédiction n’a de valeur qu’à condition d’être articulée à la qualité des données, à la structure de gestion des modes de défaillance et à la capacité d’une organisation à transformer une alerte en arbitrage concret. La prédiction n’est donc jamais une certitude. C’est seulement un outillage du discernement.
Les IA génératives appartiennent, pour leur part, à une autre famille d’outils, et c’est précisément pour cela qu’il faut les remettre à leur place au lieu de leur attribuer une centralité imaginaire. Elles excellent lorsqu’il s’agit de reformuler, synthétiser, explorer une documentation. De même, elles se révèlent extrêmement utiles pour assister la rédaction d’un compte rendu, guider une recherche dans une base de connaissances ou faciliter l’accès à un savoir dispersé. Siemens présente ainsi Industrial Copilot comme un assistant génératif destiné à l’industrie, couvrant l’ingénierie, les opérations et la maintenance, notamment pour aider à produire du code d’automates ou soutenir certaines tâches de maintenance. Le livre blanc 2025 de CARL Berger Levrault va dans le même sens lorsqu’il décrit un compagnon de maintenance pensé pour améliorer la saisie, l’accès à l’information et la réactivité des équipes. Dans les deux cas, ce qui est en jeu n’est pas l’autonomie décisionnelle d’un modèle conversationnel. C’est la réduction de la friction documentaire. C’est déjà beaucoup car une organisation industrielle perd une énergie considérable à chercher l’information qu’elle possède déjà sans parvenir à la mobiliser au bon moment. L’IA générative peut donc être utile lorsqu’elle devient une interface d’accès, de reformulation ou de mise en cohérence. Mais elle ne constitue pas un substitut au jugement technique, encore moins à la compréhension physique d’un système. Sa compétence fondamentale reste linguistique. Il faut alors la gouverner comme telle.
La prédiction industrielle n’est pas une boule de cristal, c’est une capacité sociotechnique. La génération n’est pas non plus une intelligence décisionnelle, c’est une interface linguistique à gouverner avec rigueur.
Après les IA qui perçoivent, celles qui anticipent et celles qui facilitent l’accès au savoir, il faut maintenant aborder une autre manière d’appréhender les familles d’IA. Moins immédiate, mais souvent plus décisive dans l’industrie réelle cette lecture est indispensable. Avec les approches symboliques, statistiques et hybrides, la question qui se pose à nous n’est plus seulement de détecter, d’anticiper ou de reformuler. Elle devient plus exigeante et consiste à se demander comment un système produit sa conclusion ? Sur quelle combinaison de données, de règles, de modèles et d’expérience métier s’appuie t’il ? Et surtout, comment plusieurs formes de validités peuvent-elles être tenues ensemble sans être confondues ?
L’IA symbolique formalise des règles, des dépendances, des nomenclatures, des procédures, des contraintes réglementaires ou des logiques de sécurité. Elle tente de rendre le raisonnement lisible pour permettre de comprendre pourquoi une conclusion a été atteinte. Elle devient particulièrement utile lorsque l’industrie a besoin de traçabilité, de conformité et de cohérence explicite. L’IA statistique, pour sa part, apprend à partir des données. Pour y parvenir, elle repère des motifs, capte des corrélations, modélise des écarts, détecte des signatures de comportement ou de défaillance. Cette forme d’IA excelle là où le réel déborde les règles déjà écrites. Mais sa force est inséparable de sa fragilité, car elle dépend de la qualité des données, de la stabilité du contexte et de la permanence de sa pertinence dans le temps. Opposer ces deux régimes n’a donc guère de sens dans un environnement industriel qui exige à la fois calcul, mémoire, règles et jugement.
C’est précisément ce que donnent à voir plusieurs cas industriels tangibles. Dans le ferroviaire, la maintenance prédictive de la SNCF n’est pas uniquement une affaire de modèles apprenants. Elle repose sur un montage bien plus composite dans lequel des données issues des trains, des règles de maintenance, des historiques d’incident, des seuils de criticité et des équipes d’intervention convergent pour décider si une alerte doit être suivie d’un contrôle, d’un remplacement ou d’une simple surveillance renforcée. Dans l’aéronautique, Rolls Royce ne se contente pas d’utiliser de l’IA pour regarder mieux l’intérieur d’un moteur. L’intérêt du dispositif tient au couplage entre analyse visuelle assistée, connaissance technique du moteur, protocoles d’inspection et interprétation experte des équipes de maintenance. Dans l’univers des jumeaux numériques, Siemens insiste sur le fait qu’un jumeau n’est utile qu’à condition de combiner les données opérationnelles, les algorithmes, la modélisation du système physique et l’analyse des ingénieurs pour soutenir l’optimisation continue et la maintenance prédictive.
Une IA industrielle ne vaut donc pas par la puissance de son modèle, mais par la qualité de l’assemblage qui relie données, règles, mémoire métier et jugement humain. C’est cette hybridation qui transforme un calcul en capacité industrielle.
Ces exemples ont un intérêt commun. Aucun ne permet de soutenir sérieusement que l’intelligence industrielle résiderait dans un modèle unique. Dans tous les cas, la valeur naît d’une articulation. Des données signalent. Des règles cadrent. Un historique replace l’événement dans une mémoire plus longue. Un modèle calcule une probabilité ou repère une anomalie. Un expert métier, enfin, tranche en fonction du contexte, de la criticité et des conséquences possibles. C’est dans cette composition que l’IA hybride devient crédible. Non parce qu’elle fondrait tous les registres dans un système total, mais parce qu’elle orchestre plusieurs sources de validité sans les aplatir. Cette approche rejoint les travaux de Yoshiki Yamamoto qui insistent sur l’intégration effective entre activité humaine, systèmes d’IA et environnement de production. À ce stade, il s’agit d’établir une précision est essentielle. Dans l’industrie réelle, les formes les plus solides d’intelligence technique sont souvent celles qui savent tenir ensemble plusieurs régimes de preuve, plusieurs sources de connaissance et plusieurs niveaux de décision.
Il faut enfin insister sur une dimension que les discours technologiques traitent trop souvent comme un détail alors qu’il conditionne la qualité du choix industriel. L’intelligence n’est pas exclusivement une question de méthode. C’est aussi une affaire de localisation, de circulation des données et de gouvernance. Une IA embarquée n’est pas une simple variante de déploiement. Elle répond à des enjeux de latence, de sûreté, de disponibilité et parfois de souveraineté opérationnelle. Une IA centralisée répond à d’autres logiques, de mutualisation de l’apprentissage, de consolidation des données, de comparaison entre sites, d’optimisation à l’échelle d’un parc. Une IA distribuée, pour sa part, permet occasionnellement de tenir ensemble robustesse locale et partage global. Mais ces choix architecturaux ne prennent sens qu’à condition d’être reliés à une autre exigence, celle de l’explicabilité. Celle qui permet à des techniciens, des responsables, des auditeurs ou des experts métier de comprendre ce qui leur est présenté, à un niveau suffisant pour agir, contester, valider ou refuser. Le projet XMANAI a eu le mérite de montrer que l’explicabilité industrielle n’était pas un supplément pédagogique. Elle engage la sécurité, l’interopérabilité, le partage de confiance et la gestion du cycle de vie des actifs d’IA. Une IA explicable n’est donc pas uniquement une IA dont on comprend le résultat. C’est une IA dont on peut situer les données, les hypothèses, les limites et la portée décisionnelle.
La vraie intelligence industrielle n’est pas dans l’algorithme seul. Elle naît de la capacité à articuler plusieurs preuves, plusieurs savoirs, plusieurs architectures et un jugement humain capable de comprendre, contester et décider.
Nous pouvons alors voir apparaître la véritable fonction d’une cartographie des IA industrielles. Elle sert à réintroduire de la précision dans un débat saturé par la généralité. L’industrie n’a pas besoin d’une croyance de plus dans la toute-puissance de l’IA. Elle a besoin d’une capacité à discriminer entre plusieurs formes d’intelligence technique selon le type de décision à soutenir. Lorsqu’il faut d’abord observer, une IA de perception peut suffire. Lorsqu’il s’agit plutôt d’anticiper une dégradation, l’intérêt d’une IA prédictive devient manifeste. Dès que l’organisation cherche à traverser plus vite un corpus documentaire dense, l’IA générative peut produire un gain immédiat. Quand la priorité devient la vérifiabilité d’un raisonnement, une couche symbolique prend une valeur décisive. Et lorsque les données, les contraintes physiques et l’expérience métier doivent être tenues ensemble sans être aplaties, l’hybridation apparaît comme la seule forme adaptée. L’industrie n’a donc pas à choisir l’IA. Elle a à choisir la bonne composition d’intelligences.
C’est pourquoi le geste décisif consiste à refuser qu’un mot unique recouvre des réalités hétérogènes. Cela aboutira à rendre à l’industrie la possibilité de choisir sobrement, c’est-à-dire en fonction des usages, des données disponibles, des contraintes de criticité et des responsabilités engagées. Sans carte, l’industrie subit les récits. Avec une carte, elle commence à remettre chaque forme d’intelligence à sa juste place afin que la technique cesse d’être un mot d’ordre et redevienne une capacité située, discutable et utile.
L’industrie n’a pas besoin de plus d’IA. Elle a besoin de mieux choisir quelles intelligences techniques mobiliser pour observer, anticiper, expliquer, documenter ou décider sans jamais dissoudre le jugement humain dans la promesse algorithmique.
Mustapha Derras
