L’industrie n’a pas besoin de modèles d’IA spectaculaires. Elle a besoin d’intelligences techniques adaptées capables de fonctionner avec des contraintes réelles.
L’intelligence artificielle occupe aujourd’hui une place paradoxale dans le débat industriel. Elle est partout dans les discours, mais demeure pensée de manière trop indifférenciée, trop vague. Le même terme recouvre des réalités techniques, organisationnelles et décisionnelles profondément différentes. Un modèle de vision industrielle, un système de maintenance prédictive, un algorithme d’optimisation, un assistant conversationnel, ou un système d’aide à la planification n’engagent ni les mêmes pratiques, ni les mêmes infrastructures, ni les mêmes responsabilités. À force de présenter l’IA au singulier, nous risquons donc de confondre des technologies qui n’ont ni les mêmes finalités, ni les mêmes conditions d’adoption, ni les mêmes effets sur le travail. Une IA qui classe des images de défauts ne transforme pas l’organisation comme une IA qui propose un arbitrage de maintenance sous contrainte. Une IA générative qui facilite l’accès à une base documentaire ne produit pas le même type de valeur qu’un système embarqué de détection d’anomalies ou qu’un modèle de durée de vie résiduelle. Le premier enjeu consiste donc déjà à sortir de l’abstraction générale actuelle pour revenir aux formes concrètes de ce que je nommerais l’intelligence technique.
Cette clarification est d’autant plus nécessaire que l’IA industrielle a commencé bien avant l’IA générative. Les travaux récents sur l’intelligence artificielle appliquée au manufacturing rappellent au contraire la diversité du champ. Robert X. Gao montre que les applications de l’IA couvrent la conception des systèmes de production, la modélisation des procédés, l’optimisation, l’assurance qualité, la maintenance, l’assemblage et le désassemblage automatisé. Son état de l’art publié en 2024 confirme une idée structurante pour ce nouveau cycle de publications que nous vous proposons. L’IA industrielle désigne un ensemble de capacités affectant toute la chaîne manufacturière. Cette première cartographie peut être éclairée par la critique conceptuelle de Michael I. Jordan. Il rappelle que le terme intelligence artificielle fonctionne trop souvent comme une catégorie englobante masquant les véritables enjeux d’ingénierie des systèmes d’inférence, de décision et d’interaction humaine. Le problème industriel consiste donc à concevoir des dispositifs capables de relier données, incertitude, calcul, contexte, responsabilité et action dans des environnements contraints, hétérogènes et de plus en plus complexes.
L’IA industrielle constitue une famille de capacités techniques allant de la perception à la décision, dont la valeur dépend du contexte d’usage, du niveau d’intégration organisationnelle et de la responsabilité associée à l’action.
C’est là que le milieu industriel impose ses conditions car il ne ressemble pas à un laboratoire propre, homogène et parfaitement instrumenté. Il hérite d’équipements anciens, de logiciels hétérogènes, de capteurs incomplets, de données bruitées, de procédures contournées, de savoirs tacites, de pratiques locales, de contraintes de sécurité et de responsabilités distribuées. Dans un tel environnement, la question décisive est de savoir si un modèle peut produire une valeur robuste dans un environnement sociotechnique perturbé, et dans lequel la donnée, le modèle et l’humain restent interdépendants et interconnectés. Faisal Ramzan propose en 2025 un cadre structurant pour traiter de cette interdépendance en reliant trois dimensions souvent traitées séparément. La qualité des données conditionne la pertinence des modèles, la robustesse des modèles conditionne l’utilité des prédictions, et l’implication humaine intégrée conditionne la transformation de ces prédictions en décisions actionnables. La revue systématique de Benhanifia établit que la maintenance prédictive constitue bien un levier de réduction des arrêts, d’amélioration de la fiabilité et d’optimisation des coûts. Toutefois, sa mise en œuvre demeure marquée par des difficultés récurrentes. En effet, la mesure du retour sur investissement reste incomplète, les environnements industriels réels sont moins étudiés que les cas expérimentaux, et les petites et moyennes entreprises rencontrent des barrières spécifiques de coûts, de compétences, de maturité et d’intégration. La promesse de l’IA industrielle ne peut donc pas être évaluée uniquement à partir de ses performances algorithmiques. Elle doit être jugée à partir de sa capacité à s’inscrire dans une économie concrète de l’usage, de la décision et de la maintenance.
Ghobakhloo montre enfin en 2024 que cette exigence ne constitue pas une rupture technologique autonome, mais un cadre de gouvernance destiné à réorienter les acquis de l’Industrie 4.0. Cette posture est décisive car elle signifie que le débat ne peut plus se limiter à l’accumulation de capteurs, de plateformes, de données et d’automatismes. L’Industrie 5.0 appelle moins une accumulation technologique supplémentaire qu’une autre manière de gouverner les technologies existantes, tout en intégrant quelques technologies émergentes lorsqu’elles apportent une utilité industrielle démontrable.
L’avenir de l’IA industrielle dépendra de notre capacité à intégrer intelligemment de meilleurs algorithmes dans des situations industrielles réelles, avec leurs contraintes techniques, économiques, organisationnelles et humaines.
À partir de ce constat, la question centrale devient celle de la place de l’humain. Une IA industrielle relève donc d’une logique d’augmentation, de coopération et d’explicitation plutôt que d’une logique de substitution. Les travaux de Mentzas définissent précisément l’IA centrée sur l’humain comme un levier d’augmentation des capacités humaines dans l’environnement industriel. Passalacqua va plus loin, et montre que la littérature sur l’IA industrielle a encore trop peu traité les dimensions psychosociales du travail. Confiance, autonomie, motivation, stress et charge cognitive des opérateurs restent insuffisamment intégrés dans les cadres de conception. Or ce point est déterminant, car l’IA industrielle ne transforme pas uniquement des processus. Elle modifie les rôles, les responsabilités, les marges de manœuvre, les rythmes d’attention et les formes de confiance. Lorsque l’opérateur passe d’une tâche d’exécution à une tâche de supervision, d’arbitrage ou d’interprétation, son travail change de nature. Une IA peut alors le libérer de certaines tâches répétitives et améliorer la qualité de décision, mais elle peut aussi accroître sa charge cognitive, créer une dépendance opaque ou déplacer la responsabilité vers des zones mal définies. Une IA industrielle sérieuse doit donc être pensée à partir de ses effets sur l’activité humaine, et non à partir de ses seules performances techniques.
Cette bascule apparaît avec netteté dans les recherches sur la collaboration humain-IA dans le smart manufacturing. Hartikainen décrit le passage d’une simple interaction avec la technologie vers une collaboration avec des agents IA. La machine y devient un partenaire d’activité plutôt qu’un simple outil. Yamamoto radicalise ce diagnostic en insistant sur un problème très concret. Les projets industriels d’IA associent des opérateurs, des ingénieurs de production, des spécialistes qualité, des data scientists, des concepteurs d’interfaces et des ingénieurs logiciels. Toutefois, tous ces acteurs ne partagent pas suffisamment de connaissances communes pour coopérer efficacement. L’IA industrielle échoue alors moins par faiblesse algorithmique que par insuffisance d’intégration sociotechnique. C’est dans ce contexte que Yamamoto parle d’un « AI graveyard« (cimetière d’IA) pour désigner ces projets dont les premiers résultats semblaient prometteurs, mais qui ne parviennent pas à s’implanter dans les environnements opérationnels. L’industrialisation de l’IA n’est donc jamais la prolongation automatique d’un proof of concept. Elle exige des conditions de passage à l’échelle, une compréhension partagée des usages, une gouvernance des données, une maintenabilité des modèles, une conduite du changement, une articulation avec les workflows existants et une capacité d’appropriation par les métiers.
L’un des enjeux décisifs de l’IA industrielle est de contribuer à des systèmes capables d’augmenter l’activité humaine et de transformer la collaboration entre opérateurs, métiers et technologies.
L’explicabilité constitue alors un critère de maturité, mais elle ne suffit pas à elle seule. Agostinho montre, avec la plateforme XMANAI, que l’explicabilité dans l’Industrie 5.0 doit articuler transparence, sécurité, interopérabilité, partage de confiance et collaboration entre data scientists et experts métier. L’enjeu dépasse l’explication a posteriori d’un résultat de modèle. Il consiste à construire des environnements dans lesquels la décision produite par l’IA devient compréhensible, contextualisable, exploitable et contestable. Cette exigence rejoint la question plus large de l’automatisation. Automatiser ne s’arrête pas au transfert d’une tâche vers une machine. Automatiser revient à redistribuer l’action, l’attention et la responsabilité entre humains, machines, logiciels, capteurs et systèmes d’information. Karapanagiotis propose à ce titre la notion de « sliding work sharing » pour décrire une allocation dynamique du travail entre humains, systèmes d’IA, robots et infrastructures existantes. Krause prolonge cette réflexion avec les knowledge graphs appliqués aux collaborations humain-IA, et leur notion de « late shaping ». Là où une conception classique fixe le comportement d’un système au moment du design, cette approche laisse davantage de place à l’adaptation, à l’intégration de l’intelligence humaine et à l’ajustement en contexte d’exécution. Dans les environnements industriels complexes, il faut alors concevoir des architectures capables d’accueillir l’écart, l’intervention humaine, l’évolution du contexte et l’incertitude opérationnelle.
Les jumeaux numériques occupent dans cette perspective une place stratégique. Ils peuvent être conçus soit comme des instruments de centralisation, soit comme des infrastructures d’intelligibilité. Leirmo rappelle que si l’Industrie 5.0 se situe à l’intersection de la durabilité, de la résilience et de la centralité humaine, cela impose de concevoir les jumeaux numériques comme des dispositifs destinés à augmenter les capacités humaines et à tenir compte des besoins des opérateurs. Barata montre de plus qu’ils peuvent contribuer aux trois piliers de l’Industrie 5.0 s’ils sont pensés comme des dispositifs responsables de convergence cyber physique et non comme de simples répliques techniques. Massaro, enfin, met en évidence l’intérêt des « electronic digital twins » pour articuler modèles électroniques, simulations, IA et comportements réels des machines de production. Ces travaux convergent tous vers une même idée. La valeur du jumeau numérique tient à ce qu’il permet d’interpréter, de simuler, de décider et de partager. Lorsqu’il se limite à accumuler des données, il ajoute une couche supplémentaire d’abstraction et donc de complexité. Lorsqu’il devient médiateur entre systèmes physiques, modèles, opérateurs et décisions, il se transforme en infrastructure cognitive.
L’Industrie 5.0 transforme l’IA et les jumeaux numériques en infrastructures cognitives, non en simples outils de performance.
Ce déplacement conceptuel permet enfin de reformuler le statut des technologies génératives et, au-delà, l’hypothèse stratégique de ce nouveau cycle rédactionnel que nous vous proposons. Le piège élémentaire qui nous est tendu est double. Il serait tout aussi réducteur de céder au récit spectaculaire de l’IA générative que de la rejeter au motif qu’elle serait trop éloignée du terrain industriel. Les modèles génératifs ont leur place pour interroger des historiques d’intervention, structurer des comptes rendus, faciliter l’accès à une documentation technique, assister la formulation de diagnostics ou produire des synthèses opératoires. Mais ils ne représentent qu’une forme, relativement limitée, d’IA parmi beaucoup d’autres. Leur valeur dépendra toujours de leur insertion dans des systèmes plus larges, associant données industrielles, contraintes métier, explicabilité, sécurité et validation humaine. Cette précision ouvre finalement le champ à une hypothèse plus stratégique. L’industrie pourrait ne pas avoir besoin de suivre systématiquement le modèle canonique de déploiement de l’Industrie 4.0 lourd, centralisé, exhaustif et totalement intégré avant de s’orienter vers l’Industrie 5.0. Les travaux que nous avons mentionnés montrent, au contraire, que la valeur peut émerger de dispositifs plus distribués, plus sobres et plus directement connectés aux usages. Ces modèles peuvent parfois produire davantage de valeur qu’un vaste programme de centralisation 4.0 difficile à maintenir. Cela ne signifie pas que l’Industrie 4.0 est inutile. Ses infrastructures demeurent essentielles. Capteurs, connectivité, automatisation, MES, GMAO et architectures data restent des fondations très solides. Mais leur finalité change. Elles apportent une valeur lorsqu’elles renforcent la capacité à décider, maintenir, sécuriser, apprendre et préserver les usages.
C’est pourquoi l’intelligence technique doit être évaluée à partir de questions simples, mais exigeantes. Permet-elle de réduire un angle mort, de mieux qualifier une alerte, de rendre une recommandation contestable, de rapprocher un modèle du contexte d’usage, de préserver une marge de jugement, de documenter un savoir tacite, de soutenir une décision sous contrainte, de diminuer une charge inutile ? Cette manière de poser le problème permet de sortir de l’alternative pauvre entre fascination et défiance. L’IA industrielle n’est ni une solution générique à la complexité, ni une illusion à rejeter en bloc. Elle devient pertinente lorsqu’elle est gouvernée, expliquée, insérée et maintenue dans un système de travail, de décision et d’apprentissage. Notre cycle rédactionnel précédent avait montré que la Maintenance 5.0 ne consiste pas à supprimer l’incertitude, mais à la transformer en discernement collectif. Ce nouveau cycle prolonge cette exigence par une autre voie. Si l’industrie veut outiller l’incertitude sans la maquiller en certitude artificielle, elle doit apprendre à distinguer les intelligences techniques qui éclairent l’action de celles qui ajoutent seulement de la complexité. L’industrie réelle demande des systèmes capables de voir juste, de recommander avec prudence, d’apprendre localement, de rester vérifiables et de renforcer la décision humaine dans les conditions concrètes de son exercice.
La véritable rupture industrielle sera l’IA discernante, locale, explicable et gouvernée, capable d’éclairer l’action sans confisquer le jugement humain.
L’intelligence technique à l’épreuve de l’industrie réelle commence donc par une exigence de sobriété intellectuelle. Ne pas confondre automatisation et maîtrise. Ne pas prendre la centralisation pour une preuve de maturité. Ne pas croire qu’un modèle général résoudra des problèmes profondément spécifiques. L’enjeu n’est plus d’ajouter de l’IA à l’industrie, mais de choisir les formes d’intelligence capables d’éclairer l’action sans recréer une nouvelle illusion de maîtrise. C’est cette ligne que suivra ce cycle d’articles. Nous commencerons par cartographier les grandes familles d’IA industrielles afin de sortir du vocabulaire indifférencié qui empêche de penser les usages. Nous interrogerons ensuite la notion d’IA prescriptive et la possibilité d’orienter l’action sans confisquer l’arbitrage humain. Nous élargirons alors le débat à l’automatisation, puisque l’IA n’est jamais isolée des chaînes logicielles, des workflows, des capteurs, des systèmes de supervision et des organisations de travail qui la rendent active. Les limites concrètes de l’IA industrielle seront ensuite examinées, depuis la généralisation difficile jusqu’à la cybersécurité, en passant par la confiance, l’énergie, les îlots de données et la maintenance des modèles. Nous terminerons enfin par l’hypothèse d’un court-circuit partiel de l’Industrie 4.0, dans lequel certaines organisations pourraient rejoindre plus directement des formes sobres, distribuées et situées d’intelligence industrielle.
Le défi sera donc de faire redescendre l’IA dans l’épaisseur du réel industriel, là où les machines vieillissent, les données manquent, les arbitrages résistent et la maîtrise ne se décrète pas.
Mustapha Derras
