Préparation à l'IA industrielle : l'importance des intégrateurs de systèmes

Lorsqu'un client exprime le souhait d'utiliser l'intelligence artificielle dans ses opérations, la première question à se poser ne devrait pas être : « Quel outil d'IA devons-nous choisir ? » Une question plus pertinente serait : À quoi ressemble votre environnement industriel aujourd'hui ?

Avant de pouvoir prédire les pannes d'équipement, identifier la variabilité des processus, optimiser la consommation d'énergie ou recommander la prochaine action d'un opérateur, l'IA a besoin d'informations fiables sur le fonctionnement global de l'exploitation. Cela implique la collecte de données provenant d'automates programmables (PLC), de systèmes de supervision et d'acquisition de données (SCADA), d'historisation, de systèmes d'exécution de la production (MES), de plateformes de maintenance, de bases de données et d'autres sources.

La collecte de données n'est que le point de départ. Les organisations industrielles doivent également s'assurer de l'exactitude de leurs données, de la cohérence de la représentation des équipements et des procédés, et de la possibilité de relier et de comprendre conjointement les informations provenant de différents systèmes.

Pour de nombreux industriels, ces fondements sont encore en développement. Une étude citée par Deloitte révèle que près de 70 % d'entre eux considèrent les problèmes liés aux données – notamment leur qualité, leur contextualisation et leur validation – comme des obstacles majeurs à la mise en œuvre de l'IA. L'enquête 2025 de Deloitte sur la fabrication et les opérations intelligentes indique également que seulement 29 % des répondants utilisent l'IA ou l'apprentissage machine au niveau de leur usine ou de leur réseau, tandis que 23 % sont encore en phase de test.

Cela crée un fossé important entre l'exploration de l'IA industrielle et la mise en place d'une infrastructure opérationnelle capable de la prendre en charge. Pour les intégrateurs de systèmes, ce fossé représente une opportunité majeure : aider leurs clients à transformer leurs systèmes industriels, données, équipements et connaissances des processus existants en une base solide pour l'IA.

L'IA industrielle commence par le bon problème opérationnel

Lorsque les clients abordent le sujet de l'IA, la conversation peut rapidement dériver vers les modèles, les copilotes, l'analytique prédictive ou la dernière fonctionnalité dont ils ont pu assister à une démonstration. Cependant, sur le terrain, plusieurs questions plus fondamentales devraient être posées en premier lieu :

• Quel problème opérationnel cherchons-nous à régler ?
• Quelles informations sont nécessaires pour le résoudre ?
• Où se trouvent ces informations en ce moment ?
• Dans quelle mesure est-ce précis et fiable ?
• Contient-il suffisamment de contexte pour expliquer ce qui se passait au moment de l'événement ?

Prenons l'exemple d'un fabricant qui cherche à utiliser l'IA pour comprendre les variations de qualité de ses produits d'une production à l'autre. La réponse peut dépendre de centaines de variables liées à l'équipement, aux matières premières, aux conditions de production, aux actions des opérateurs, aux conditions environnementales et aux étapes de production précédentes. Certaines de ces informations sont peut-être déjà disponibles, mais leur possession ne signifie pas qu'elles sont prêtes à être analysées conjointement.

Avant qu'un modèle d'IA puisse identifier des relations significatives, il est essentiel de s'assurer que les informations recueillies sont pertinentes, que les systèmes communiquent entre eux et que les données représentent fidèlement le processus. Les intégrateurs de systèmes sont déjà conscients de ces enjeux. Même si le terme « IA » n'apparaît pas explicitement dans le titre du projet, leur contribution est déterminante pour la réussite d'une initiative d'IA.

Des années de données industrielles ne rendent pas automatiquement un système prêt pour l'IA.

La plupart des organisations industrielles ne partent pas de zéro. Nombre d'entre elles disposent d'années, voire de décennies, d'informations opérationnelles réparties entre des systèmes d'historisation, des applications SCADA, des automates programmables, des plateformes MES, des systèmes de maintenance, des tableurs, des bases de données et d'autres applications installées tout au long du cycle de vie d'une installation.

Le problème est que ces systèmes n'ont pas nécessairement été conçus pour fonctionner ensemble. Un site peut utiliser une appellation pour un actif tandis qu'un autre suit une convention de nommage totalement différente. Deux lignes de production exécutant des processus quasi identiques peuvent avoir été conçues à des années d'intervalle et structurées différemment. Les informations critiques relatives aux processus peuvent être stockées dans un système d'historisation, tandis que l'historique de maintenance nécessaire à leur explication se trouve dans un système distinct.

Les employés expérimentés savent gérer ces différences, mais un modèle d'IA ne les comprend pas automatiquement. L'étude Deloitte de 2025 a révélé que 57 % des fabricants utilisaient déjà l'analyse de données au niveau de leur usine ou de leur réseau, comparativement à seulement 29 % qui utilisaient l'IA ou l'apprentissage automatique à la même échelle. Cet écart met en lumière un point important : la collecte et l'analyse des données industrielles ne préparent pas automatiquement une entreprise aux applications d'IA avancées.

Les intégrateurs de systèmes peuvent aider leurs clients à tirer davantage de valeur de leur infrastructure et de leurs informations existantes. Standardiser les applications, améliorer les structures de balisage, connecter les systèmes, renforcer la qualité des données et élaborer des modèles d'actifs cohérents peuvent sembler moins attrayants que le déploiement de l'IA, mais ces étapes rendent souvent possible l'intelligence industrielle.

Le contexte opérationnel est l'un des fondements les plus précieux qu'un intégrateur de systèmes puisse bâtir.

Imaginez qu'une pompe commence à consommer plus de courant que d'habitude. Constater ce changement de valeur est une chose, mais comprendre pourquoi nécessite beaucoup plus d'informations. La pompe tournait-tu plus vite ? Le débit a-t-il varié ? Une valve a-t-elle été repositionnée ? La pression d'entrée a-t-elle changé ? Une opération d'entretien a-t-elle été effectuée récemment ? Cette augmentation est-elle inhabituelle dans ces conditions de fonctionnement, ou est-elle normale ?

Ces relations permettent de transformer des données isolées en contexte opérationnel. Ce contexte devient essentiel lorsque l'IA doit faire plus que simplement signaler une anomalie. Si un client souhaite que l'IA explique la situation ou recommande les actions à entreprendre, le système a besoin d'une compréhension claire et cohérente des actifs, des conditions et des processus sous-jacents aux chiffres.

C'est là que la conception des systèmes industriels prend toute son importance. La plateforme AVEVA System Platform, par exemple, permet d’organiser les équipements, les processus, les alarmes, les événements et les données historiques en modèles opérationnels structurés. Au lieu de traiter des milliers d'étiquettes comme des points de données isolés, les entreprises peuvent associer ces données à l'équipement et aux processus qu'elles représentent.

Les modèles d'objets réutilisables ont traditionnellement aidé les intégrateurs de systèmes à améliorer la cohérence de l'ingénierie et à simplifier le déploiement, la maintenance et la mise à l'échelle des applications. À mesure que les clients adoptent l'analytique avancée et l'IA, ces mêmes modèles peuvent fournir un contexte opérationnel cohérent pour les nouvelles technologies.

L'IA industrielle élargit le défi de l'intégration

Les projets d'intégration visaient autrefois principalement à fournir les renseignements pertinents aux opérateurs de production. Aujourd'hui, les données opérationnelles profitent à un public beaucoup plus large. Entretien, ingénierie, amélioration continue, opérations générales, équipes de durabilité et systèmes d'information peuvent tous avoir besoin d'informations provenant de l'atelier. Les applications d'analyse et d'intelligence artificielle viennent maintenant s'ajouter à cette liste.

Par conséquent, la réflexion sur l'architecture doit dépasser le simple transfert de toutes les données de production vers un autre système ou le cloud. Les entreprises industrielles doivent prendre des décisions :

• Quelles informations doivent demeurer étroitement liées au processus ?
• Quelles données doivent être partagées et dans quel délai ?
• Quel niveau de contexte opérationnel doit l'accompagner ?
• Qui – ou quoi – devrait être autorisé à y accéder ?

Des plateformes comme AVEVA CONNECT permettent de diffuser des informations industrielles fiables au-delà des sites et applications individuels, afin de faciliter la visualisation, l'analyse, la collaboration et les cas d'utilisation de l'IA en entreprise. Les technologies DataOps, telles que Crosser, répondent à un autre aspect de ce défi en connectant, traitant, filtrant et contextualisant les informations dans les environnements de périphérie, sur place et cloud.

Pour un intégrateur de systèmes, la valeur ajoutée réside non seulement dans la maîtrise de l'interconnexion de ces technologies, mais aussi dans la compréhension de la manière dont l'architecture doit soutenir l'exploitation. Une variable de processus à haute fréquence peut nécessiter un traitement local, tandis qu'un événement anormal peut exiger un traitement local immédiat et un partage rapide avec les opérations centrales. Un indicateur clé de performance (KPI) de production calculé pourrait devoir être disponible sur plusieurs sites.

Ces décisions dépendent des processus, de l'infrastructure, des exigences en matière de cybersécurité et des objectifs d'affaires du client. C'est pourquoi il n'existe pas d'architecture unique, compatible avec l'IA, qui convienne à toutes les organisations industrielles.

L'IA rend le savoir industriel plus précieux, et non moins.

La plupart des discussions autour de l'IA portent sur ce que cette technologie pourrait automatiser à terme. Or, les opérations industrielles ne sont pas des environnements uniformes. Une recommandation efficace pour une ligne de production peut s'avérer inadéquate pour une autre. Même des équipements identiques peuvent se comporter différemment selon le produit, le procédé, les conditions d'exploitation ou les ressources environnantes.

Les intégrateurs de systèmes maîtrisent les systèmes de contrôle, l'équipement, les réseaux, les logiciels et, souvent, le processus de production du client. Ils savent pourquoi un délai de cinq secondes peut être négligeable dans une application et inacceptable dans une autre. Ils comprennent également pourquoi la connexion d'un système au nuage ne constitue pas, en soi, une stratégie d'architecture, et pourquoi une modification en amont peut avoir des répercussions ailleurs dans l'exploitation.

Cette expérience prend une importance accrue lorsque l'IA commence à influencer les décisions opérationnelles. Deloitte a constaté que 78 % des fabricants interrogés consacrent plus de 20 % de leur budget d'amélioration global à des initiatives de fabrication intelligente, l'analyse des données et l'IA faisant partie de leurs priorités d'investissement technologique. À mesure que les investissements passent des projets pilotes aux cas d'utilisation opérationnels concrets, les clients auront besoin d'experts capables d'adapter les capacités de l'IA aux réalités de leurs installations.

Les opportunités offertes aux intégrateurs de systèmes vont bien au-delà d'un simple projet d'IA.

Les intégrateurs de systèmes n'ont pas nécessairement besoin de devenir des entreprises spécialisées en IA. Leur opportunité réside dans leur capacité à devenir des partenaires de confiance qui aident leurs clients à évaluer si leurs opérations sont prêtes pour l'IA et à identifier les changements nécessaires le cas échéant.

Cette conversation devrait commencer par le résultat commercial ou opérationnel que le client souhaite améliorer, puis remonter la chaîne :

• Quels systèmes sont déjà en place ?
• Où sont les données requises ?
• Ces données sont-elles fiables ?
• Dispose-t-on de suffisamment d'informations historiques ?
• Les données comprennent-elles le contexte opérationnel nécessaire ?
• Les renseignements peuvent-ils circuler en toute sécurité entre les systèmes qui en ont besoin ?

Répondre à ces questions offre un point de départ plus pratique que de choisir d'abord une technologie d'IA puis d'essayer d'adapter l'opération à celle-ci.

Les réponses pourraient orienter vers un projet de modernisation de l'historisation, une mise à niveau du système SCADA, des modèles d'actifs plus robustes, une connectivité système améliorée, une stratégie DataOps, une meilleure gouvernance des données ou une nouvelle architecture de périphérie à entreprise. Autrement dit, la voie vers l'IA industrielle pourrait commencer par plusieurs des services déjà offerts par les intégrateurs de systèmes. Ce qui change, c'est la façon dont ce travail s'inscrit dans les objectifs à long terme et les résultats attendus du client.

Jeter les bases d'opérations industrielles prêtes pour l'IA

Plutôt que de se concentrer uniquement sur le déploiement du prochain système, les intégrateurs de systèmes peuvent aider leurs clients à comprendre comment leurs systèmes existants, leurs infrastructures et leurs données industrielles peuvent les aider à atteindre leurs objectifs futurs.

L'IA peut lancer le débat, mais ce sont les systèmes connectés, les données fiables, le contexte opérationnel et l'expertise industrielle qui la rendent utile. En s'appuyant sur ces fondements, les intégrateurs de systèmes peuvent jouer un rôle encore plus important dans l'avenir de l'automatisation industrielle.

Aidez vos clients à se préparer pour la suite

L'IA ouvre de nouvelles perspectives de dialogue avec les clients industriels, et les intégrateurs de systèmes ont l'occasion d'en être les instigateurs. Cimsoft accompagne les intégrateurs de systèmes en leur fournissant la technologie, l'expertise, la formation et le soutien nécessaires pour renforcer les architectures industrielles, relever les défis liés aux données et aider leurs clients à anticiper l'avenir.

Devenez partenaire de Cimsoft