Une IA brillante en laboratoire peut mourir au contact des réalités de l’industrie. Cette affirmation résume, à elle seule, mieux que beaucoup de discours le problème que rencontre l’IA. L’échec le plus fréquent provient de systèmes trop vite proclamés intelligents alors que l’organisation qui devait les accueillir n’était ni prête à les nourrir, ni capable de les maintenir, ni réellement disposée à leur faire une place dans ses arbitrages. On a beaucoup parlé de modèles, de performances, de précision, de puissance de calcul. On a trop peu parlé des conditions concrètes qui permettent à une IA de quitter l’espace protégé de l’expérimentation pour entrer dans la matière rugueuse des ateliers, des réseaux, des sites, des actifs, des équipes, des systèmes d’information hérités et des responsabilités diffuses. C’est pourtant là, dans la réalité opérationnelle, que se situent les limites réelles de l’IA industrielle.
Le premier malentendu consiste à croire que le principal obstacle serait algorithmique. Comme si le problème central tenait à l’insuffisance des modèles, à leur manque de sophistication ou à la compétition entre familles techniques. Or les obstacles les plus robustes sont souvent ailleurs. Ils tiennent à des systèmes d’information fragmentés et vieillissants ainsi qu’à des données très souvent incomplètes et négligées depuis des années. Interviennent également des coûts d’intégration sous-estimés, des standards absents, des métiers peu impliqués, des compétences internes insuffisantes et des exigences de cybersécurité qui changent la nature des projets. De plus, il faut faire face à des modèles qu’il faut réentraîner, surveiller et gouverner dans le temps, et à des recommandations qui restent socialement ou opérationnellement inacceptables même lorsqu’elles deviennent techniquement explicables. L’OCDE le formule très clairement dans son bilan 2026 sur l’adoption de l’IA en manufacturing dans l’Union européenne. Les barrières majeures tiennent aux coûts élevés de la préparation (données, interopérabilité, sécurité), qui entravent la construction de modèles efficaces et pénalisent surtout les organisations les moins dotées. Autrement dit, le plafond de verre ne se trouve pas uniquement dans l’algorithme. Il se trouve dans la texture même de l’environnement industriel.
Les données constituent donc le premier lieu de vérité. L’IA industrielle adore les récits d’abondance, mais elle vit le plus souvent dans la pénurie ou dans le désordre. Les organisations disposent rarement de données propres, reliées, contextualisées et historisées selon les besoins exacts des cas d’usage. Le livre blanc « Maintenance prédictive, évolution ou révolution ? » diffusé par Innovation Makers Alliance et Natran montre très bien cette réalité. Il insiste sur la nécessité d’identifier les données vraiment utiles, sur les difficultés d’acquisition, sur les cas qui nécessitent finalement l’installation de nouveaux capteurs. Malgré cela, nombre de situations aboutissent à une remise en cause du projet parce que les données sont trop complexes, trop coûteuses ou tout simplement impossibles à obtenir. Il rappelle aussi qu’en l’absence d’historique suffisant, il faut parfois attendre plusieurs mois, voire années, pour disposer de données représentatives des différents modes de fonctionnement. Il ne s’agit pas ici d’un détail méthodologique. C’est une limite structurelle. Une IA industrielle ne commence pas par apprendre. Elle commence par dépendre.
Même lorsque les données existent, leur qualité reste un problème entier. Données manquantes, aberrantes, incohérences entre outils. De plus, elles sont polluées par des dérives de capteurs et des événements non significatifs qui parasitent la mesure, situation banale dans l’industrie réelle. L’IMA et Natran indiquent explicitement que ces problèmes peuvent compromettre la faisabilité du projet ou conduire à des erreurs de diagnostic et à des fausses alarmes. La revue « Data Quality Assessment in Smart Manufacturing: A Review » montre de son côté que la qualité des données en manufacturing ne se réduit jamais à un problème technique ponctuel, car elle engage la fiabilité du processus, la cohérence inter systèmes, la disponibilité contextuelle et la valeur de réutilisation des données pour des modèles futurs. L’industrie numérique promet souvent une continuité entre captation, décision et action. La réalité impose bien plus souvent une suite de reconstructions, de contextualisations, de nettoyages, de traductions et de paris raisonnés sur ce que les données veulent réellement dire.
À cette fragilité initiale s’ajoute une limite plus sourde encore, celle de la généralisation. Un modèle entraîné sur une ligne donnée, un parc donné, une période donnée ou un comportement donné ne franchit pas automatiquement les frontières de son apprentissage. L’une des grandes illusions de l’IA industrielle consiste à confondre réussite locale et transférabilité. Un proof of concept convaincant sur un périmètre restreint peut échouer dès qu’il rencontre une autre série d’actifs, une autre manière d’exploiter l’équipement, un autre niveau de bruit, une autre politique de maintenance ou un autre contexte environnemental. C’est ici qu’apparaît la notion de « dérive conceptuelle ». Des travaux plus académiques sur la dérive des modèles confirment ce point. Julien Chapelin et ses coauteurs montrent ainsi que les approches de maintenance prédictive doivent traiter explicitement la détection et le diagnostic de dérive dans des processus de production hétérogènes, précisément parce que la complexité du système réel fragilise la stabilité des modèles appris. Leur cadre mobilise détection de nouveauté, apprentissage en continu et techniques d’ensemble, ce qui revient à reconnaître qu’un modèle pertinent à un instant donné peut rapidement perdre sa validité dès que le procédé, les conditions de fonctionnement ou la structure des données se déplacent. La limite n’est donc pas simplement statistique. Elle devient décisionnelle. Qui décide qu’un modèle doit être réentraîné ? Sur quelles données ? Avec quel niveau de risque accepté ? Et, surtout, qui assume les conséquences quand un modèle stable devient silencieusement moins pertinent ?
C’est à ce point précis que la promesse d’autonomie se fissure. Une IA industrielle n’est pas un objet installé une fois pour toutes. C’est un système qu’il faut surveiller, corriger, requalifier, documenter et parfois refondre. Le coût réel d’un projet ne s’arrête donc jamais au développement initial. Il inclut l’intégration, la préparation des données, le maintien en condition des flux, l’observation des dérives, la gouvernance des versions, la maintenance des capteurs, la disponibilité de compétences capables d’intervenir, et le temps humain nécessaire pour relier de nouveau le modèle à la réalité du terrain. Dans « The Adoption of Artificial Intelligence in Firms », l’OCDE rappelle que les obstacles majeurs à l’adoption de l’IA comprennent précisément les coûts, les besoins de formation, les infrastructures numériques et la difficulté à intégrer la technologie dans les processus de travail existants. Une IA déployée n’est donc pas une IA acquise.
Les systèmes d’information hérités aggravent encore les difficultés. L’industrie réelle utilise des ERP, des GMAO, des automates, des bases de données locales, des feuilles de calcul, des équipements de générations différentes, des règles métier parfois non documentées, et des usages qui ont accumulé plus de compromis que de rationalité technique. C’est pourquoi les îlots informationnels persistent malgré tous les discours sur l’intégration. Les données d’exploitation, les données de maintenance, les données sur les coûts, les données qualité et les données concernant l’énergie restent souvent séparées, gouvernées par des logiques distinctes, voire détenues par des acteurs différents. Dans ces conditions, une IA peut être performante sur une tâche étroite et rester sans portée industrielle réelle faute de pouvoir relier les mondes informationnels dont dépendrait sa pertinence opérationnelle. La limite n’est, encore une fois, pas dans son intelligence propre. Elle est dans l’impossibilité de la brancher au système complet sans coûts excessifs, sans pertes de sens ou sans conflits de gouvernance.
À cela s’ajoute un problème trop souvent sous-estimé parce qu’il paraît relever d’un autre domaine, la cybersécurité. Dès qu’une IA entre dans des systèmes opérationnels, elle n’ajoute pas seulement une fonction de plus. Elle ajoute de la complexité, de nouveaux flux de données, de nouvelles dépendances logicielles, de nouveaux liens entre IT et OT, de nouvelles surfaces d’attaque, et parfois de nouvelles façons de dégrader un système critique. CISA, avec plusieurs partenaires internationaux, le dit explicitement dans son guide sur l’intégration sécurisée de l’IA dans les technologies opérationnelles. L’IA intégrée à l’OT peut créer de nouvelles vulnérabilités, multiplier les dépendances et élargir les possibilités d’exploitation malveillante si les principes de sécurité ne sont pas pensés en amont. Autrement dit, l’IA industrielle ne se contente pas d’exiger de bonnes données. Elle demande aussi un modèle de sécurité capable de tenir ensemble connectivité, supervision, segmentation et résilience. C’est souvent là qu’un projet change d’échelle et devient beaucoup plus difficile qu’il n’y paraissait au départ.
La confiance constitue ensuite un nouveau plafond réel, mais elle ne doit pas être comprise de manière superficielle. La revue « AI Trustworthiness in Manufacturing: Challenges, Toolkits, and Future Directions » insiste sur les obstacles que représentent l’opacité des modèles, la faiblesse des cadres robustes, les biais, les risques éthiques et le manque de gouvernance adaptée pour une adoption industrielle élargie. La confiance se construit donc sur la stabilité des performances, la traçabilité, la qualité des retours d’expérience, la capacité à expliquer les limites et, surtout, la cohérence entre ce que le système promet et ce que le métier peut réellement en faire. C’est ici que l’on comprend mieux pourquoi l’explicabilité, souvent présentée comme la grande solution, est nécessaire mais insuffisante. Carlos Agostinho et ses coauteurs, dans leur article sur XMANAI, montrent bien que l’explicabilité aide à traiter le paradoxe de transparence, mais qu’elle doit être articulée à la collaboration entre data scientists et experts métier, à l’interopérabilité, à la sécurité et à la gestion du cycle de vie des actifs d’IA. Une explication peut donc être techniquement satisfaisante et opérationnellement insuffisante. Elle peut dire pourquoi le modèle a produit un résultat, sans pour autant rendre ce dernier acceptable dans un environnement impliquant des contraintes de sécurité, de rythme, de responsabilité ou de coordination qui interdisent de suivre mécaniquement la recommandation. L’acceptabilité reste donc une affaire de contexte, de métier et de responsabilité partagée, non un simple produit dérivé de l’explicabilité.
Les compétences et l’appropriation par les métiers ouvrent une autre limite, elle aussi souvent moins visible parce qu’elle se confond avec la conduite du changement. Une IA industrielle échoue souvent non parce qu’elle serait rejetée de manière irrationnelle, mais parce qu’elle arrive dans un monde de pratiques, de routines, de savoirs tacites, de prudences accumulées et de responsabilités diffuses qu’elle perturbe sans toujours proposer une nouvelle grammaire d’action compréhensible. L’OCDE souligne en 2025 que les entreprises déclarent les pénuries de compétences parmi les obstacles majeurs à l’adoption de l’IA dans « Emerging divides in the transition to artificial intelligence ». Ce constat entraîne une conséquence simple. L’IA ne peut pas être pensée comme une greffe purement technique. Elle oblige à former, à redessiner des interfaces, à clarifier les rôles, à partager les limites du système et à construire de nouveaux réflexes d’interprétation. Sans cela, elle demeure un corps étranger, parfois toléré, rarement approprié.
Les contraintes énergétiques ajoutent enfin une limite que le récit industriel sous-expose encore. Il ne s’agit pas ici de verser dans une critique générale de l’IA comme technologie énergivore. Il s’agit de rappeler qu’une industrialisation crédible de l’IA suppose des arbitrages d’infrastructure, de localisation du calcul, de latence, de résilience et de consommation qui ne sont jamais neutres. L’Agence internationale de l’énergie montre que la demande électrique des centres de données progresse très vite, en lien avec l’essor de l’IA, et que les infrastructures nécessaires à ces charges deviennent un enjeu industriel à part entière. Pour l’industrie, cela signifie quelque chose de très concret. Toutes les IA ne peuvent pas être pensées comme des services sans coût matériel. Selon le cas, il faut arbitrer entre edge, cloud et local pour satisfaire les contraintes liées au temps réel, à la puissance, à la sobriété et à la dépendance infrastructurelle. L’intelligence artificielle intervient donc toujours avec son régime spécifique de calcul.
Tous ces éléments font apparaître la limite la plus profonde. Une IA industrielle peut être exacte et néanmoins inutilisable. Elle peut être performante et impossible à déployer. Elle peut être explicable et inacceptable. Elle peut être prometteuse et trop coûteuse à intégrer, à sécuriser, à alimenter, à maintenir ou à faire vivre dans les métiers. Ce décalage entre succès expérimental et échec industriel rappelle, de manière cinglante, que la vérité d’une IA ne se mesure pas au seul modèle, mais au système social, technique, informationnel et décisionnel qui doit lui permettre d’exister durablement. C’est pourquoi les limites réelles de l’IA industrielle ne doivent pas être lues comme une mauvaise nouvelle. Elles ont au contraire une vertu de clarification. Elles obligent à constater que la question sérieuse est de savoir si l’organisation peut lui fournir des données fiables, des interfaces pertinentes, une architecture suffisamment interopérable, une sécurité soutenable, une gouvernance claire, des compétences en interne, des procédures de maintenance viables et des métiers prêts à l’accueillir. Une IA industrielle n’échoue donc pas parce qu’elle se trompe. Elle échoue parce qu’on lui demande d’entrer dans un monde qui n’a pas encore appris à l’accueillir.
La maturité industrielle commence peut-être exactement là. Non dans la fascination pour les démonstrateurs, mais dans la lucidité sur les conditions de possibilité. Une organisation prête pour l’IA n’est pas celle qui accumule les pilotes. C’est celle qui sait localiser ses données, identifier ses silos, comprendre les coûts cachés, identifier le risque cyber, accompagner la dérive des modèles et lutter contre la défiance. C’est à cette seule condition qu’une IA performante en laboratoire peut espérer survivre sur le terrain.
Mustapha Derras
