L’IA industrielle quitte progressivement le stade de la démonstration pour entrer dans les boucles opérationnelles. En 2026, 72 % des fabricants interrogés déclarent avoir adopté l’IA sous une forme ou une autre, contre 53 % deux ans plus tôt, selon une enquête de Parsec. Cette progression augmente la valeur potentielle des diagnostics, de la maintenance et de l’optimisation, mais elle rend aussi les erreurs moins faciles à prévoir.
AVEVA défend une ligne claire : l’IA peut accélérer la détection, le diagnostic et la coordination des interventions, mais elle ne doit pas devenir l’arbitre de la sécurité. La méthode repose sur trois exigences, des systèmes sécurisés, une efficacité mesurable et une supervision humaine capable de reprendre la main. Voici comment transposer cette approche dans une usine ou un groupe industriel.
La méthode AVEVA place l’humain au centre des décisions critiques
Le principe directeur est simple : l’IA assiste les équipes, tandis que les personnes conservent la responsabilité des décisions et de leurs conséquences. AVEVA présente cette approche comme une gouvernance à plusieurs niveaux, appliquée à la fois à l’usage interne de l’IA et à son intégration dans les produits destinés aux opérations industrielles.
Cette distinction évite de confondre automatisation et responsabilité. Un modèle peut repérer une anomalie, rapprocher des signaux issus de plusieurs sources ou recommander une intervention. Il ne porte toutefois pas la responsabilité juridique, opérationnelle ou humaine de la décision prise à partir de cette recommandation.
À retenir : l’autonomie ne doit jamais supprimer la responsabilité. Les objectifs, les limites et les voies d’escalade doivent être définis par des personnes identifiées avant la mise en production.
Définir trois niveaux d’action
Une gouvernance efficace commence par une classification concrète des actions proposées par l’IA :
- Observation : le système détecte une anomalie ou résume une situation sans modifier l’exploitation.
- Recommandation : le système propose un diagnostic, une priorité ou une séquence d’intervention, validée par un opérateur ou un ingénieur.
- Action encadrée : le système peut exécuter une opération limitée dans un périmètre défini, avec des règles d’arrêt et une supervision humaine.
Les actions qui touchent directement à la sécurité des personnes, aux arrêts d’urgence ou aux fonctions instrumentées de sécurité doivent rester sous le contrôle des équipes responsables. Une analyse publiée sur l’IA dans les industries de procédés recommande également de maintenir la couche de sécurité indépendante de l’IA et d’éviter tout accès non supervisé aux paramètres de contrôle.
Cette séparation doit être visible dans l’architecture technique. L’IA peut exploiter les données de production, des historiques d’événements ou des informations de maintenance. Elle ne doit pas être considérée comme un remplacement automatique des systèmes certifiés chargés de protéger les personnes et les installations.
Cartographier les risques avant de choisir un cas d’usage
La gouvernance ne commence pas par le choix d’un modèle, mais par l’inventaire des décisions que ce modèle pourrait influencer. Chaque cas d’usage doit être évalué selon son impact sur la sécurité, la qualité, la continuité de production, l’environnement et la conformité.
Un système de détection d’anomalies sur une ligne de production n’a pas le même profil de risque qu’un agent capable de modifier un réglage de procédé. Dans le premier cas, l’IA produit une information à examiner. Dans le second, elle intervient potentiellement sur un système physique, avec des conséquences qui peuvent dépasser le périmètre informatique.
Utiliser une matrice opérationnelle
| Niveau de risque | Exemple d’usage | Décision humaine | Contrôle recommandé |
|---|---|---|---|
| Faible | Recherche dans une documentation technique | Validation de la pertinence | Journalisation des réponses |
| Modéré | Détection d’une dérive de performance | Confirmation du diagnostic | Seuils d’alerte et historique des recommandations |
| Élevé | Priorisation d’une intervention sur un équipement critique | Approbation par un responsable habilité | Double validation et procédure d’escalade |
| Critique | Action liée à la sécurité ou à un arrêt d’urgence | Décision humaine obligatoire | Système de sécurité indépendant de l’IA |
Cette matrice doit être associée à une fiche de gouvernance par cas d’usage. Elle précise le propriétaire métier, les données utilisées, les limites du modèle, les utilisateurs autorisés, les conditions de déploiement et la procédure de retrait.
La fiche doit également décrire les situations dans lesquelles l’IA doit s’abstenir. Une recommandation produite avec des données incomplètes, hors de la plage de fonctionnement connue ou en présence d’un changement de procédé doit déclencher une escalade plutôt qu’une action automatique.
Séparer les décisions réversibles des décisions irréversibles
La réversibilité constitue un critère pratique pour décider du niveau d’automatisation. Une suggestion de recherche documentaire peut être corrigée immédiatement. Une modification de consigne, une mise à l’arrêt ou une décision de libération qualité peut avoir des effets difficiles à annuler.
Plus une décision est difficile à inverser, plus la validation humaine doit être explicite. Cette règle permet d’éviter qu’un système apparemment performant obtienne progressivement des droits opérationnels sans réévaluation de ses conséquences.
Sécuriser les données avant de mesurer la performance du modèle
Une IA industrielle ne peut pas être gouvernée correctement si l’organisation ne sait pas quelles données elle utilise, comment elles ont été produites et dans quel état elles se trouvent. AVEVA insiste sur l’importance de données fiables, d’une visibilité de bout en bout et d’une traçabilité permettant de reconstituer le contexte d’une recommandation.
La qualité des données ne se limite pas à l’absence de valeurs manquantes. Elle inclut la cohérence des horodatages, la stabilité des capteurs, la définition des unités, l’évolution des équipements et la conservation des événements qui expliquent une décision passée.
Construire un registre des données critiques
Le registre doit associer chaque source à plusieurs éléments :
- son propriétaire opérationnel ;
- son origine et son système de production ;
- sa fréquence de mise à jour ;
- son niveau de sensibilité ;
- les contrôles appliqués avant utilisation ;
- les cas d’usage autorisés ;
- la durée de conservation des historiques.
Cette documentation limite le risque d’utiliser un signal dont la signification a changé. Un modèle entraîné sur une configuration d’équipement ancienne peut continuer à produire des réponses cohérentes en apparence alors que les conditions industrielles ont évolué.
Conserver la traçabilité de chaque recommandation
La traçabilité doit permettre de répondre à cinq questions : quelles données ont été utilisées, quel modèle était actif, quelle recommandation a été produite, qui l’a examinée et quelle action a finalement été réalisée. Cette chaîne est indispensable pour les audits, les analyses d’incident et l’amélioration du système.
Les outils de corrélation de données peuvent rapprocher des signaux provenant de plusieurs sources afin d’accélérer le passage de la détection au diagnostic. Leur valeur dépend toutefois de la capacité à expliquer le lien établi entre les événements et à distinguer une corrélation utile d’une simple coïncidence temporelle.
Les journaux doivent donc conserver le contexte, et pas seulement le résultat final. Une phrase comme « intervention recommandée » ne suffit pas si elle ne permet pas de retrouver les signaux, les seuils et les règles ayant conduit à cette recommandation.
Encadrer les robots et les agents par des règles physiques
Les robots et les capacités agentiques élargissent le champ de l’IA industrielle. Ils peuvent inspecter des zones difficiles d’accès, transmettre des observations, coordonner des tâches ou assister une intervention. Leur déploiement exige toutefois des garde-fous adaptés au monde physique.
AVEVA met en avant une approche dans laquelle l’IA aide les équipes à comprendre ce qui se passe, à déterminer la prochaine action et à coordonner une réponse dans des limites définies. Ces limites doivent intégrer les contraintes physiques des équipements et des procédés, pas seulement des règles logicielles.
Définir un périmètre d’action borné
Pour chaque robot ou agent, l’organisation doit fixer :
- la zone dans laquelle il peut opérer ;
- les équipements qu’il peut observer ou contrôler ;
- les commandes qui lui sont interdites ;
- les conditions de retour à un état sûr ;
- les personnes habilitées à suspendre son activité ;
- les événements qui imposent une intervention humaine.
Les contraintes physiques doivent compléter les permissions informatiques. Une autorisation d’accès à une interface ne doit pas suffire à permettre une action incompatible avec la température, la pression, la vitesse ou l’état réel d’un équipement.
Tester les cas dégradés
La validation ne doit pas se limiter aux situations nominales. Les équipes doivent tester les capteurs incohérents, les pertes de communication, les changements de configuration, les données contradictoires et les recommandations impossibles à exécuter.
Le comportement attendu doit être défini à l’avance : arrêt, maintien dans un état sûr, demande de validation ou transfert à une équipe spécialisée. Une IA qui ne sait pas reconnaître ses limites représente un risque plus important qu’un système moins ambitieux mais capable de s’arrêter proprement.
Mesurer simultanément la valeur, la sécurité et l’empreinte environnementale
La performance d’un système industriel ne se résume pas à sa précision statistique. Une recommandation légèrement plus exacte peut être défavorable si elle augmente les temps d’arrêt, les interventions inutiles ou la consommation de ressources informatiques.
AVEVA associe l’efficacité opérationnelle à l’efficacité environnementale dans sa définition d’une IA responsable. Cette approche rejoint les travaux d’un groupe de l’IEEE consacré à la mesure de l’empreinte environnementale de l’IA.
Suivre un tableau de bord équilibré
| Dimension | Indicateur utile | Décision associée |
|---|---|---|
| Sécurité | Nombre d’escalades et d’incidents liés aux recommandations | Renforcer les limites ou suspendre le cas d’usage |
| Performance | Taux de détection et délai entre alerte et diagnostic | Ajuster le modèle ou les seuils |
| Opérations | Temps d’arrêt évité et interventions confirmées | Étendre ou limiter le déploiement |
| Qualité | Taux de recommandations acceptées après vérification | Revoir les données ou le processus de validation |
| Environnement | Énergie consommée par le traitement et l’inférence | Réduire la fréquence ou la complexité du système |
| Gouvernance | Proportion de décisions entièrement traçables | Corriger les journaux et les responsabilités |
Les indicateurs doivent être comparés à une situation de référence définie avant le déploiement. Sans référence, une amélioration revendiquée peut simplement refléter une variation de production ou un changement de procédure.
Le suivi environnemental doit inclure la fréquence d’inférence, la durée d’exécution, le matériel mobilisé et les transferts de données lorsque ces éléments sont mesurables. La réduction de l’empreinte peut passer par un modèle plus petit, un traitement local, une fréquence d’analyse adaptée au besoin ou une limitation des requêtes inutiles.
Ne pas confondre précision et utilité industrielle
Un benchmark technique peut mesurer la performance d’un modèle sur un jeu de données. Il ne mesure pas automatiquement la sécurité d’une installation ni la valeur d’une décision dans son contexte réel.
L’évaluation doit donc inclure des tests avec des opérateurs et des ingénieurs, des scénarios historiques, des situations rares et des événements où les données sont incomplètes. Le résultat recherché n’est pas seulement une réponse correcte, mais une réponse exploitable, explicable et compatible avec les contraintes du site.
Organiser la supervision humaine dans les opérations quotidiennes
La supervision humaine ne peut pas rester une mention dans une procédure. Elle doit être intégrée aux écrans, aux rôles, aux horaires et aux délais de décision. Si l’opérateur reçoit une alerte sans contexte ou sans moyen d’agir, la responsabilité est théorique.
Une supervision efficace donne à l’utilisateur les éléments nécessaires pour comprendre la recommandation, la vérifier et la contester. Elle précise également le délai disponible avant qu’une situation ne se dégrade et la personne à contacter en cas de doute.
Concevoir une interface orientée décision
Une recommandation industrielle devrait présenter, lorsque ces informations sont disponibles :
- le problème détecté ;
- les signaux ayant contribué à l’analyse ;
- le niveau de confiance ;
- les hypothèses alternatives ;
- l’action proposée ;
- les limites connues ;
- le bouton ou la procédure d’escalade.
L’objectif n’est pas de donner une explication théorique du modèle, mais de fournir un contexte suffisant pour décider. Une interface qui affiche uniquement une note de confiance risque de pousser les utilisateurs à suivre automatiquement le système.
Former les équipes aux limites du système
La formation doit couvrir les usages autorisés, les situations d’abstention, les erreurs possibles et la procédure de reprise manuelle. Elle doit aussi expliquer la différence entre une corrélation et une cause, ainsi que les effets d’un changement de capteur ou de procédé sur les recommandations.
Les opérateurs doivent pouvoir signaler une erreur sans contourner la gouvernance. Chaque retour doit être associé à une analyse : problème de données, défaut de modèle, mauvaise interface, règle métier incomplète ou changement de contexte.
À retenir : la supervision humaine devient réelle lorsque l’utilisateur dispose du contexte, du temps et de l’autorité nécessaires pour refuser une recommandation.
Déployer par étapes plutôt que généraliser une démonstration
La mise en production doit suivre une progression contrôlée. AVEVA souligne que le passage d’une démonstration réussie à une exploitation industrielle exige des limites opérationnelles, des chemins d’escalade et une supervision clairement définie.
Une trajectoire en quatre étapes
- Cadrage : sélectionner un problème précis, définir le propriétaire métier et fixer les critères d’arrêt.
- Observation : faire fonctionner l’IA sans action automatique afin de comparer ses recommandations aux décisions réelles.
- Assistance : intégrer les recommandations dans le travail quotidien avec validation obligatoire.
- Automatisation bornée : autoriser certaines actions réversibles dans un périmètre limité, avec surveillance et possibilité de reprise manuelle.
Chaque étape doit comporter une décision de passage documentée. Une amélioration des résultats ne suffit pas si les équipes ne comprennent pas le système ou si la traçabilité reste incomplète.
Réévaluer après chaque changement
Un nouveau capteur, une modification de recette, un changement de fournisseur ou une mise à jour du modèle peut modifier les performances. La gouvernance doit donc prévoir une réévaluation après chaque événement susceptible de changer les données ou le procédé.
Le retrait doit être aussi simple que le déploiement. L’organisation doit savoir désactiver un modèle, revenir à la procédure précédente et préserver les journaux nécessaires à l’analyse. Un système impossible à suspendre devient un risque organisationnel, même si ses résultats initiaux sont bons.
Notre avis : la méthode AVEVA privilégie la confiance avant l’autonomie
La méthode AVEVA est pertinente parce qu’elle refuse de traiter l’IA industrielle comme un simple logiciel d’analyse. Elle relie la donnée, la sécurité, l’efficacité, l’environnement et la responsabilité humaine dans un même cadre. Son point fort est de placer les limites d’action et la traçabilité au même niveau que la performance du modèle.
Les industriels qui souhaitent avancer rapidement devraient commencer par des cas d’usage où l’IA détecte, corrèle et recommande, sans intervenir directement sur les fonctions de sécurité. Les robots, les agents et les outils de diagnostic peuvent ensuite gagner en autonomie uniquement lorsque les données sont maîtrisées, les scénarios dégradés testés et les responsabilités formalisées.
À six mois, le meilleur indicateur ne sera pas le nombre de processus automatisés, mais la capacité à expliquer chaque décision, à interrompre proprement un système et à démontrer la valeur obtenue sans dégrader la sécurité. La prochaine étape de l’IA industrielle sera-t-elle définie par des modèles plus puissants, ou par des organisations capables de leur imposer les bonnes limites ?