Le paradoxe de l’automatisation : pourquoi des usines plus intelligentes ne produisent pas de meilleurs résultats

Passez un peu de temps avec des dirigeants du secteur industriel et vous entendrez rapidement le même constat : l’essor de la robotique dans les années 2010 a généré de réels gains, du moins pendant un certain temps. Ensuite, la modernisation des systèmes de planification des ressources de l’entreprise (ERP) a permis d’obtenir des données plus fiables et des processus standardisés, tandis que le déploiement de l’IoT a généré d’énormes volumes de données issues des capteurs.

Pourtant, les indicateurs clés racontent une autre histoire : rendement, arrêts non planifiés, défauts non détectés et rotation des stocks. Dans l’ensemble, les progrès réalisés au cours de la dernière décennie ont été, au mieux, marginaux pour la plupart des industriels.

Aux États-Unis, par exemple, la productivité du travail dans le secteur manufacturier n’a progressé qu’à un taux annualisé de 0,5 % entre le quatrième trimestre 2019 et le premier trimestre 2026, tandis que la production a augmenté de 0,1 % et que le nombre d’heures travaillées a diminué de 0,4 %.

Ces chiffres révèlent un problème stratégique qui doit être résolu de toute urgence, alors que le marché mondial de l’IA dans l’industrie manufacturière devrait passer de 34,2 milliards de dollars en 2025 à 155 milliards de dollars d’ici 2030, soit un taux de croissance annuel composé de 35,3 %.

• À LIRE AUSSI : Le nouvel impératif du secteur automobile : intégrer l’IA tout au long de la chaîne de valeur

Les limites de l’intelligence dans l’industrie manufacturière

L’automatisation traditionnelle rend les processus plus rapides et plus reproductibles, mais elle ne les rend pas plus intelligents.

Un robot peut souder le même joint de manière constante 10 000 fois par jour, mais il ne remarquera pas qu’un nouveau lot d’acier se comporte différemment, qu’un roulement risque de tomber en panne dans deux équipes ou que le planning de production devrait être ajusté parce qu’un goulot d’étranglement en aval est sur le point de disparaître. Ces décisions ont longtemps reposé sur l’expérience humaine, une ressource coûteuse, rare et difficile à déployer à grande échelle.

Quatre grands facteurs rendent ce problème particulièrement urgent :

1. Les chaînes d’approvisionnement restent fragiles : les problèmes apparus en 2020 n’ont fait que gagner en complexité. Les tensions géopolitiques n’arrangent rien.
2. La main-d’œuvre qualifiée se raréfie : dans la plupart des économies industrielles, les départs à la retraite sont plus nombreux que les nouvelles arrivées, et une grande partie des connaissances disparaît avec les collaborateurs expérimentés.
3. Les exigences en matière de développement durable se renforcent : les organismes de réglementation et les grands clients attendent désormais des preuves détaillées et auditables, fondées sur les données opérationnelles.
4. La personnalisation est devenue la norme : séries de production plus courtes, davantage de variantes, personnalisation accrue et changements de production plus rapides : les exigences ne cessent d’augmenter.

L’automatisation conventionnelle ne permet pas d’atténuer ces pressions, contrairement à la physical AI. Celle-ci permet aux systèmes de percevoir en temps réel ce qui se passe dans les opérations, de comprendre ces conditions et d’agir en conséquence.

Ce qui a changé : l’IA sous-jacente et son environnement

Les capacités de perception et les nouveaux modèles du monde (world models) progressent dans leur compréhension des environnements physiques et leur capacité à anticiper ce qui va se produire. Des capacités de calcul plus puissantes permettent de prendre en charge l’entraînement à grande échelle, tandis que les jumeaux numériques peuvent tester ces modèles et générer des données synthétiques à partir d’usines, d’équipements et de workflows virtuels, plutôt que de dépendre uniquement d’essais réalisés dans le monde réel.

Mais disposer de ces capacités ne représente qu’une partie de l’équation. Pour les industriels, le principal défi consiste à les intégrer aux technologies opérationnelles, aux systèmes d’entreprise, aux données et aux workflows qui assurent le fonctionnement des usines.

Chez NTT DATA, nous considérons la physical AI comme un défi d’intégration autant que comme un défi lié à l’IA.

La stack de physical AI de NVIDIA

NVIDIA fournit une composante essentielle de la base technologique nécessaire à cette transformation. Sa stack de physical AI couvre les modèles, les bibliothèques, les frameworks et le calcul accéléré nécessaires à l’entraînement, à la simulation et au déploiement dans le monde réel.

Cette stack peut être envisagée en trois couches :

1. Modèles : les modèles de fondation du monde NVIDIA Cosmos permettent aux systèmes de physical AI de comprendre le monde physique et de raisonner à son sujet.
2. Logiciels, bibliothèques et frameworks : NVIDIA Isaac Sim fournit un environnement de simulation permettant de développer et de tester des applications robotiques. NVIDIA AI Enterprise fournit les logiciels nécessaires au déploiement et à la gestion de l’IA en production et inclut NVIDIA Omniverse, Metropolis et Triton.
3. Calcul : NVIDIA DGX fournit une infrastructure centralisée pour l’entraînement des modèles d’IA. Les serveurs RTX PRO offrent la puissance de calcul nécessaire aux simulations et aux workloads de jumeaux numériques, tandis que Jetson apporte l’inférence IA aux robots, aux machines et à d’autres systèmes edge.

Comment les industriels en bénéficient déjà

Les améliorations observées dans les opérations industrielles sont significatives :

• Un constructeur automobile mondial a déployé des jumeaux numériques basés sur les bibliothèques NVIDIA Omniverse dans plus de 30 usines. Le temps nécessaire pour effectuer des contrôles virtuels automatisés des collisions — afin de s’assurer que les nouveaux véhicules arrivant sur la ligne de production n’entrent pas en collision avec leur environnement — est passé de quatre semaines à trois jours. Une réduction de 30 % des coûts de planification de la production a également été estimée.
• Les fabricants de produits électroniques trouvent de nouvelles façons d’améliorer le contrôle qualité et la productivité. Foxconn Industrial Internet travaille avec des partenaires NVIDIA Metropolis pour automatiser les inspections qualité des circuits imprimés et utilise des serveurs NVIDIA RTX PRO pour exécuter en périphérie de grands modèles de langage développés sur DGX SuperPOD. Innodisk utilise NVIDIA Metropolis pour automatiser l’inspection optique sur les lignes de production, tandis que Wistron le déploie afin d’automatiser partiellement l’inspection optique des circuits imprimés.
• Dans le domaine de la détection et de la classification des défauts industriels, la plateforme de deep learning de bout en bout de NVIDIA a atteint, lors d’une démonstration, un taux de rappel de 96,4 %, un taux de précision de 99,3 % et un taux de fausses alertes de 0,1 %, tout en améliorant considérablement les performances d’inférence grâce à l’optimisation TensorRT. Dans les déploiements edge, la même approche a traité 228,1 images par seconde (FPS) sur Jetson AGX Xavier, contre 18 FPS sur Jetson Nano. Cela illustre la manière dont l’inspection basée sur l’IA peut associer qualité de détection et débit adapté aux environnements de production.

Les services NTT DATA complètent la stack NVIDIA

De nombreuses initiatives d’IA dans le secteur manufacturier commettent l’erreur de traiter chaque cas d’usage de l’IA comme un projet indépendant. Les entreprises font appel à un fournisseur pour la vision par IA, à un autre pour la maintenance prédictive et à un troisième pour les jumeaux numériques. Chacune de ces solutions possède ses propres pipelines de données, sa propre stack de déploiement et ses propres besoins en matière de maintenance.

Elles découvrent ensuite que chaque cas d’usage supplémentaire introduit une nouvelle couche d’intégration et, avec elle, davantage de complexité et un retour sur investissement moins convaincant.

Les fournisseurs ne manquent pas dans ce domaine. Mais dans l’industrie manufacturière, l’IA ne génère de la valeur que lorsque l’organisation qui la met en œuvre comprend aussi bien les réalités du terrain que la technologie elle-même.

Depuis plus de vingt ans, la practice Manufacturing mondiale de NTT DATA accompagne des clients industriels dans les secteurs de l’automobile, de l’électronique, de l’aéronautique, des industries de process et de l’agroalimentaire. Nous savons ce qu’implique l’intégration d’un Manufacturing Execution System (MES) lorsqu’il a 15 ans, comment un modèle de maintenance prédictive se comporte lorsque les pratiques sur le terrain s’éloignent des conditions d’entraînement, et quels problèmes de gouvernance des données peuvent compromettre un programme avant même son lancement.

Notre plateforme AI for Manufacturing s’appuie sur cette expertise. Il s’agit d’une couche d’orchestration d’IA agentique spécialement conçue pour ce secteur, qui vient compléter la stack NVIDIA afin de transformer les résultats générés par l’IA en décisions opérationnelles en temps réel. Elle comprend une bibliothèque de plus de 50 agents préconfigurés et plusieurs modèles spécialisés d’IA industrielle, ainsi qu’une orchestration low-code qui s’intègre directement à l’infrastructure de calcul et d’inférence de NVIDIA.

NVIDIA fournit l’infrastructure d’IA ainsi que des modèles ouverts, des bibliothèques et des frameworks. Nous connectons ces capacités aux systèmes et aux workflows qui assurent le fonctionnement de l’usine.

La suite de cette série

Il existe encore un écart considérable entre ce que l’IA appliquée à l’industrie manufacturière est capable de faire aujourd’hui et ce qui est réellement utilisé dans la plupart des usines. Dans de nombreux cas, l’élément manquant est une approche structurée permettant de passer de projets pilotes isolés à un modèle opérationnel à l’échelle de l’entreprise.

Dans notre prochain article, nous verrons comment la plateforme AI for Manufacturing de NTT DATA réunit ces capacités en combinant la technologie de physical AI de NVIDIA avec les agents, l’orchestration et l’intégration nécessaires pour connecter l’IA aux opérations industrielles réelles.

Dans le dernier volet de cette série, nous présenterons un cadre de mise en œuvre sur 90 jours afin d’offrir un point de départ concret aux responsables des opérations prêts à passer à l’action. L’usine intelligente ne se construit pas en une seule fois : elle prend forme étape par étape, à travers les décisions prises aujourd’hui.

• À LIRE AUSSI : 5 façons dont les industriels construisent des chaînes d’approvisionnement agiles à l’ère de l’IA

QUE FAIRE ENSUITE

Découvrez les services Manufacturing de NTT DATA et contactez notre équipe pour savoir comment nous pouvons vous aider à produire plus rapidement, à gagner en agilité et à réduire vos coûts.