Shell et C3 AI révolutionnent la maintenance avec l'IA agentique

Shell mise sur l'IA de C3 AI pour une maintenance prédictive avancée

Shell, le géant mondial de l'énergie, s'appuie sur les agents de C3 AI pour passer d'une simple détection d'anomalies à une maintenance prédictive entièrement automatisée. Actuellement, la C3 AI Reliability Suite surveille déjà plus de 30 000 équipements essentiels dans les opérations de Shell, tant en amont qu'en aval. Désormais, Shell envisage de confier l'ensemble du cycle de maintenance à des agents d'IA autonomes, de la détection initiale à la réparation complète, éliminant ainsi le besoin d'une supervision humaine constante et garantissant que les ressources de l'entreprise sont dirigées là où elles sont le plus nécessaires.

Stephen Ehikian, Président de C3 AI, a déclaré que ce partenariat élargi avec Shell démontre le potentiel de l'IA d'entreprise lorsqu'elle est pleinement déployée à l'échelle mondiale pour la maintenance prédictive. Il a souligné que cette approche réduit les temps d'arrêt imprévus et génère des centaines de millions de dollars de valeur économique.

Des agents d'IA pour une action autonome

Initialement, Shell utilisait l'apprentissage automatique pour détecter des motifs inhabituels dans les données des capteurs, alertant ainsi les ingénieurs avant que des pannes ne se produisent. Ce système intégrait des données opérationnelles en temps réel avec des informations commerciales provenant de plateformes ERP comme SAP. La prochaine étape introduit des agents d'IA capables de raisonnement réel et d'action indépendante. Alors que les anciens systèmes se limitaient à alerter un ingénieur lorsque quelque chose semblait inhabituel, ce cadre de nouvelle génération enquête de manière indépendante sur la raison pour laquelle une alerte a été déclenchée.

Une fois qu'il a identifié la cause profonde, l'agent se charge de rédiger des ordres de travail précis, de confirmer la disponibilité des pièces dans l'inventaire et de générer des demandes d'approvisionnement. La plateforme de C3 AI facilite l'intégration de flux de capteurs à haute fréquence avec des journaux financiers et de maintenance structurés. Ces capacités d'IA sont formées pour apprendre les normes de fonctionnement normales pour des équipements spécifiques, tels que les pompes, turbines et compresseurs.

La couche agentique repose sur cette fondation. Les opérateurs configurent un agent individuel pour un équipement donné en définissant ses objectifs et ses réponses autorisées. Si les modèles d'apprentissage automatique détectent une déviation par rapport aux opérations normales, cet agent s'active, rassemblant des données contextuelles étendues pour dresser un tableau complet de la situation. Ce contexte comprend généralement l'historique de maintenance récent, les conditions environnementales et les variables de processus en amont.

En utilisant toutes ces informations, il suggère une solution étayée par des preuves solides. Les opérateurs humains peuvent alors facilement approuver ou annuler le plan. Au fur et à mesure que le système fait ses preuves dans le temps, Shell peut automatiser complètement ses réponses à certains types d'alertes. Se connecter directement à des systèmes comme SAP est crucial ici, permettant à l'agent de travailler dans les mêmes flux de travail que ceux déjà utilisés par les planificateurs humains.

L'impact de l'IA agentique sur la maintenance

L'implémentation de l'IA agentique à grande échelle permet de résoudre le problème du « dernier kilomètre » dans la maintenance prédictive. De nombreuses entreprises industrielles peuvent prédire les pannes sans problème, mais transformer ces informations en actions rapides et efficaces reste un défi. En général, les ingénieurs doivent encore fouiller manuellement les alertes, enquêter sur les causes et rédiger eux-mêmes les ordres de travail.

Shell souhaite réduire ce délai. En laissant l'IA s'occuper de l'analyse des causes profondes et des ordres de travail, le temps entre une panne prédite et la réparation effective diminue. Cela améliore directement le temps de disponibilité des équipements et protège la production.

Passer à un modèle où les réparations n'ont lieu que lorsque l'état de l'équipement l'exige réellement permet naturellement d'économiser de l'argent, simplement parce que personne ne perd de temps à bricoler des machines parfaitement fonctionnelles. Laisser du matériel en bon état tranquille signifie également qu'il dure beaucoup plus longtemps.

En plus des économies de coûts, intervenir avant qu'une catastrophe ne se produise rend l'ensemble de l'opération beaucoup plus sûre et réduit les risques environnementaux, ce qui est toujours une priorité dans le secteur de l'énergie.

Sandy Gupta, VP GISV chez Microsoft, a commenté que ce que Shell et C3 AI ont construit sur Azure au cours des dernières années est exactement ce à quoi l'IA d'entreprise devrait ressembler — de véritables applications, en production, offrant une valeur mesurable à l'échelle mondiale. Ce déploiement élargi montre que nous parlons enfin de flux de travail pratiques d'IA industrielle en production plutôt que de simples algorithmes. Plutôt que de se concentrer uniquement sur la prédiction elle-même, la véritable valeur réside dans la capacité du système à agir sur celle-ci avec à peine une supervision humaine.