Passer au contenu principal

« Je me suis déjà fait avoir », ce qu'il faut vraiment pour déployer l'IA industrielle à grande échelle

Jennifer Alanskas, spécialiste du marketing | 19 novembre 2026
Blogue sur les opérations d'eau et d'eaux usées

Les dirigeants de Bruce Power, Hydro One et InSource expliquent pourquoi les projets pilotes d'intelligence opérationnelle (IA) stagnent et ce qu'il faut vraiment pour les mettre à l'échelle.

Il est rare d'entendre un responsable du renseignement opérationnel admettre qu'il s'est fait avoir par l'IA. C'est pourtant comme ça que Devon Keane a ouvert notre table ronde à InSource Innovate. Avant de se joindre à InSource, il avait assisté à des démonstrations qui, selon lui, allaient révolutionner les entreprises de matériaux de construction et de chimie de spécialité pour lesquelles il travaillait. Il a appris à la dure qu'une démonstration impressionnante ne garantit pas la résolution d'un problème, surtout en matière d'IA industrielle.

Cette franchise a donné le ton à la suite de la conversation. Animée par Zubin Devar d'AVEVA, la table ronde réunissait des dirigeants de Bruce Power, Hydro One et InSource, ainsi que l'intégrateur de systèmes Dan Purcell, afin d'aborder les conditions nécessaires pour que l'intelligence opérationnelle (IA) passe concrètement du stade expérimental aux résultats tangibles. Malgré la grande diversité des secteurs d'activité, les mêmes enseignements sont revenus régulièrement.

Commencez par un problème de « cheveux en feu ».

Devon a reconnu que certains cas d'utilisation qu'il croyait bien planifiés se sont avérés relever de ses propres intérêts ou de ceux de son groupe, plutôt que d'un problème que toute l'organisation devait résoudre. C'est important, parce que le plus difficile dans tout déploiement, c'est le changement. Les opérateurs et les équipes de première ligne ont souvent procédé de la même manière pendant des années, voire des décennies.

Il commence donc par deux questions : quel problème cherchons-nous vraiment à résoudre ? Et s’agit-il d’un problème urgent, véritablement « urgent », qui justifie l’adhésion de toute l’organisation et la mobilisation des ressources nécessaires pour mener à bien le changement ? Ce n'est qu'ensuite qu'il aborde la question de la technologie, qu'il s'agisse ou non d'intelligence artificielle.

Pour établir les priorités, Devon recommande une simple matrice valeur/effort. Les succès rapides créent une dynamique positive, et les succès peuvent se propager d'une ligne de production à l'autre et d'un site à l'autre. Il a également incité les équipes à ne pas se concentrer sur les résultats différés, comme la réduction des temps d'arrêt, mais plutôt sur les indicateurs avancés, comme la qualité de la planification de l'entretien et la durée des réparations. Ces indicateurs permettent de vérifier qu'on est sur la bonne voie bien avant l'obtention des chiffres définitifs.

Cherchez ce qui est différent

Parfois, la meilleure solution est un schéma inexplicable. La longue ligne de production continue d'un fabricant connaissait des pannes beaucoup plus fréquentes la fin de semaine qu'en semaine. Grâce à l'analyse des données AVEVA Historian et AVEVA MES, l'équipe a pu identifier la cause du problème : quatre ou cinq paramètres de configuration. Les opérateurs se sont ensuite assurés de les maintenir dans les limites fixées. Les progrès ont été lents au début, mais l'équipe a persévéré jusqu'à ce que l'usine connaisse son premier week-end sans panne.

Pour de nombreuses organisations, la première étape vers l'IA est d'assainir les données. Des années de cloisonnement ont mené à la présence d'une même ressource sous différents noms dans divers systèmes ; la gouvernance et la sécurité doivent donc être prioritaires. Comme l'a souligné Aaron Cole d'Hydro One : « Bâtir sur des fondations fragiles ne peut donner que des résultats fragiles. Les experts chevronnés repèrent rapidement les données erronées, et dès qu'ils perdent confiance, le projet est au point mort.

La bonne nouvelle, c'est que vous n'avez pas besoin de tout numériser d'un coup. Commencez par identifier le problème et élaborez une feuille de route à partir de l'emplacement actuel de vos données, même une simple feuille de calcul. Les normes ouvertes comme MCP (Model Context Protocol) facilitent également l'accès des outils d'IA aux systèmes d'historisation, aux systèmes MES et aux systèmes de maintenance, évitant ainsi leur cloisonnement.

Pilotes d'essai dans le monde réel

L'IA excelle dans la reconnaissance de schémas contextuels et prend en charge les analyses manuelles fastidieuses. Les tâches qui respectent des règles fixes sont plus économiques à résoudre par l'application de règles. Nombre de projets pilotes n'aboutissent jamais à grande échelle car ils s'appuient sur des données propres et restreintes, sans objectif de retour sur investissement clairement défini. Ceux qui réussissent sont testés sur des données réelles, complexes et non structurées, avec des critères de réussite définis dès le départ.

Une gouvernance rigoureuse peut freiner l'adoption, mais elle protège les données qui donnent à une entreprise son avantage concurrentiel. Un test simple permet de déterminer le degré d'autonomie que devrait avoir l'IA : quel serait le coût d'une mauvaise décision, quelles en seraient les conséquences, et est-il possible de revenir en arrière ?

Aussi performante que devienne l'IA, la responsabilité de ses résultats incombe toujours à l'humain. Prenons l'exemple d'un portier : son travail semble facile à automatiser jusqu'à ce qu'on en découvre l'étendue. Il en va de même pour une grande partie du travail industriel, et à mesure que l'IA prend en charge une part croissante de ces tâches, le jugement humain devient plus important, et non moins.

Conseils pour commencer

Pour conclure, Zubin a demandé à chaque intervenant de donner un conseil à quelqu'un qui commence à intégrer l'IA dans ses opérations en production.

  • Dan Purcell : Il faut démystifier le sujet. Personne n’a jamais craint qu’un système électromagnétique prenne le contrôle du monde, mais l’IA est systématiquement associée à ces craintes. Il faut montrer aux gens en quoi elle est utile, car l’humanité ne disparaîtra pas.
  • Devon Keane : Cultivez votre curiosité intellectuelle et apprenez à être à l’aise dans l’inconfort. Parcourez les ateliers et écoutez les difficultés rencontrées par les employés des autres services de l’entreprise.
  • Tyler Cowie : N'utilisez pas l'IA comme un marteau qui cherche un clou. Comprenez le problème et son coût afin de pouvoir élaborer une analyse de rentabilisation dès le départ. Et n'oubliez pas que l'IA n'est pas gratuite. Les coûts d’utilisation s’accumulent.
  • Aaron Cole : Apprenez à surfer. Les vagues de l'IA déferlent sans cesse, de l'apprentissage machine à l'ingénierie des réponses, et bien plus encore. Vous pouvez les percevoir comme dangereuses, ou vous aligner et les surfer avec enthousiasme.
  • Jeff Miller : Il n’est pas nécessaire de bâtir toute l’infrastructure de données partout avant de commencer. Commencez par un cas d'utilisation, définissez sa destination et laissez vos cas d'utilisation élaborer progressivement une feuille de route cohérente.

Si vous avez écouté notre récent balado avec Rob Bansek et Devon, vous reconnaîtrez sans doute le point en commun. La technologie est souvent la partie la plus simple. Le véritable défi consiste à bien cerner le problème, à constituer des données fiables et à impliquer dès le départ les équipes opérationnelles.

Ne vous laissez plus berner

Le principal enseignement de cette table ronde est que la technologie est souvent la partie la plus simple. Notre dernier épisode de balado reprend là où la table ronde s'est arrêtée : Rob Bansek et Devon Keane expliquent comment les fabricants peuvent préparer leurs équipes, leurs processus et leurs données à l'intelligence opérationnelle (IA).