Le paradoxe de l'automatisati­on : Pourquoi les usines plus intelligentes ne produisent pas de meilleurs résultats

Passez un peu de temps avec des dirigeants du secteur manufacturier et vous commencerez à entendre le même message : L'essor de la robotique des années 2010 a permis d'obtenir de réels gains, du moins pendant un certain temps. Puis, les mises à niveau des progiciels de gestion intégrés ont permis d'obtenir des données plus propres et des processus normalisés, tandis que les déploiements de l'IdO ont généré d'énormes quantités de données de capteurs.

Et pourtant, les indicateurs clés révèlent une tout autre réalité — celle du rendement, des temps d'arrêt non planifiés, des défauts non détectés et de la rotation des stocks. Dans l’ensemble, les progrès réalisés au cours de la dernière décennie ont été marginaux, au mieux, pour la plupart des manufacturiers.

Aux États-Unis, par exemple, la productivité du travail dans le secteur manufacturier a augmenté à un taux annualisé de seulement 0,5 % entre le quatrième trimestre de 2019 et le premier trimestre de 2026, alors que la production a augmenté de 0,1 % et que les heures travaillées ont diminué de 0,4 %.

Ces chiffres indiquent un problème de stratégie qui doit être résolu de toute urgence, car le marché mondial de l'IA dans le secteur manufacturier est prévu pour croître de 34,2 milliards de dollars en 2025 à 155 milliards de dollars d'ici 2030, à un taux de croissance annuel composé de 35,3 %.

• À lire aussi : Le nouveau mandat automobile : Intégrer l'IA dans toute la chaîne de valeur

Là où l’intelligence fait défaut au secteur manufacturier

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

Un robot peut effectuer la même soudure 10 000 fois par jour avec constance, mais il ne remarquera pas qu’un nouveau lot d’acier se comporte différemment, qu’un roulement est susceptible de faire défaut d’ici deux quarts de travail ou qu’un calendrier de production devrait être ajusté parce qu’un goulot d’étranglement en aval est sur le point de se résorber. Ces prises de décision reposent depuis longtemps sur l’expérience humaine, qui est coûteuse, rare et difficile à mettre à l’échelle.

Il existe quatre grands facteurs qui rendent ce problème urgent à résoudre :

1. Les chaînes d’approvisionnement demeurent fragiles: Les problèmes amorcés en 2020 n'ont fait que se complexifier. Les tensions géopolitiques n'aident pas.
2. La main-d’œuvre qualifiée se raréfie: Les retraités sont plus nombreux que les nouveaux arrivants dans la plupart des économies manufacturières, et une grande partie de leurs connaissances part avec eux.
3. Les exigences en matière de durabilité se resserrent: Les autorités réglementaires et les principaux clients s'attendent désormais à des preuves détaillées et vérifiables, fondées sur des données opérationnelles.
4. La personnalisation est la norme: Séries de production plus courtes, davantage de variantes, une personnalisation accrue et des changements de série plus rapides — la barre ne cesse de monter.

L'automatisation conventionnelle ne permet pas d'atténuer ces pressions, mais l'IA physique le peut. Cela permet aux systèmes de percevoir ce qui se déroule dans vos opérations en temps réel, puis de comprendre ces conditions et d’agir en conséquence.

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

La perception et les modèles du monde émergents deviennent de plus en plus performants pour comprendre les environnements physiques et anticiper la suite des événements. Une puissance de calcul supérieure peut soutenir 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 flux de travail virtuels plutôt que de s'appuyer uniquement sur des essais dans le monde réel.

Mais disposer de ces capacités ne constitue qu'une partie de l'équation. Pour les fabricants, le plus grand défi consiste à les intégrer aux technologies opérationnelles, aux systèmes d'entreprise, aux données et aux flux de travail qui assurent le fonctionnement de l'usine.

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

Pile d’IA physique de NVIDIA

NVIDIA fournit une part importante de la base technologique de ce travail. Sa pile IA physique englobe les modèles, les bibliothèques, les cadriciels et l'informatique accélérée pour l'entraînement, la simulation et le déploiement en conditions réelles.

Cette pile peut être structurée en trois couches :

1. Modèles: Les modèles de fondation du monde NVIDIA Cosmos aident les systèmes d’IA physiques à comprendre et à raisonner sur le monde physique.
2. Logiciels, bibliothèques et cadres de développement: NVIDIA Isaac Sim offre un environnement de simulation pour le développement et la mise à l'essai d'applications de robotique. NVIDIA AI Enterprise fournit des logiciels pour le déploiement et 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 de modèles d'IA, RTX PRO Servers fournissent la puissance de calcul nécessaire pour exécuter des charges de travail de simulation et de jumeaux numériques, et Jetson apporte l'inférence d'IA aux robots, aux machines et aux autres systèmes en périphérie.

Comment les fabricants en profitent déjà

Les améliorations observées dans les opérations de fabrication sont frappantes :

• Un constructeur automobile mondiala déployé des jumeaux numériques basés sur les bibliothèques NVIDIA Omniverse dans plus de 30 usines. Le temps requis pour effectuer des vérifications virtuelles automatisées des collisions — afin de s'assurer que les nouveaux véhicules se dirigeant vers la chaîne de production n'entrent pas en collision avec leur environnement — est passé de quatre semaines à trois jours, et une réduction projetée de 30 % des coûts de planification de la production a été constatée.
• Les fabricants d'électroniquetrouvent des moyens d'améliorer le contrôle de la qualité et la productivité. Foxconn Industrial Internet collabore avec des partenaires de NVIDIA Metropolis pour automatiser les inspections de la qualité des cartes de circuits imprimés, et utilise des serveurs NVIDIA RTX PRO pour exécuter de grands modèles de langage développés sur DGX SuperPOD en périphérie. Innodisk utilise NVIDIA Metropolis pour automatiser l'inspection optique sur les chaînes de production, tandis que Wistron le déploie pour automatiser partiellement l'inspection optique des cartes de circuits imprimés.
• Dans ladétection et la classification des défauts industriels, la plateforme d'apprentissage profond de bout en bout de NVIDIA a atteint un taux de rappel de 96,4 %, un taux de précision de 99,3 % et un taux de fausses alertes de 0,1 % lors d'une démonstration tout en offrant des gains d'inférence majeurs grâce à l'optimisation TensorRT. Dans les déploiements en périphérie, la même approche a traité 228,1 images par seconde (FPS) sur Jetson AGX Xavier, comparativement à 18 FPS sur Jetson Nano, illustrant comment l’inspection basée sur l’IA peut allier qualité de détection et débit prêt pour la production.

Les services de NTT DATA complètent la pile technologique de NVIDIA

Les initiatives en matière d’IA de nombreux fabricants commettent l’erreur de traiter chaque cas d’utilisation de l’IA comme un projet isolé. Ils se procurent leur IA de vision auprès d'un fournisseur, leur maintenance prédictive auprès d'un autre et leurs jumeaux numériques auprès d'un troisième. Chacun s'accompagne de ses propres pipelines de données, de sa pile de déploiement et de ses besoins en matière de maintenance.

Ils découvrent alors que chaque cas d'utilisation supplémentaire introduit une couche d'intégration additionnelle et, avec celle-ci, plus de complexité et un dossier de RSI plus faible.

Les fournisseurs ne manquent pas dans ce secteur. Toutefois, dans le secteur manufacturier, l'IA ne donne de résultats que lorsque l'organisation qui la met en œuvre comprend les réalités du plancher d'usine tout aussi bien que la technologie elle-même.

La pratique mondiale Manufacturing de NTT DATA travaille depuis plus de deux décennies avec des clients industriels dans les secteurs de l'automobile, de l'électronique, de l'aérospatiale, des procédés, et de l'agroalimentaire. Nous savons à quoi ressemble l’intégration d’un système d’exécution manufacturière (MES) lorsque le MES a 15 ans, comment un modèle de maintenance prédictive se comporte lorsque les pratiques sur le terrain divergent des conditions d’apprentissage, et quels enjeux de gouvernance des données peuvent faire dérailler un programme avant même son lancement.

Notre AI for Manufacturing plateforme s’appuie sur ces bases. Il s’agit d’une couche d’orchestration d’IA agentique conçue spécifiquement pour ce secteur, qui repose sur la pile technologique de NVIDIA pour transformer les résultats de l’IA en décisions opérationnelles en temps réel. Il comprend une bibliothèque de plus de 50 agents prédéfinis et plusieurs modèles d'IA industriels spécialisés, avec une orchestration à faible 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, des bibliothèques et des cadriciels ouverts. Nous connectons cette capacité aux systèmes et aux flux de travail qui exploitent l'usine.

La suite de cette série

Il existe un écart important entre ce que l’IA manufacturière peut accomplir aujourd’hui et ce que la plupart des usines exploitent. Dans bien des cas, l’élément manquant est une approche structurée pour passer de projets pilotes isolés à un modèle opérationnel d’entreprise.

Dans notre prochain article de blogue, nous examinerons comment la plateforme IA for Manufacturing de NTT DATA réunit ces capacités, en combinant la technologie d’IA physique de NVIDIA aux agents, à l’orchestration et à l’intégration nécessaires pour connecter l’IA à des opérations de fabrication réelles.

Dans le dernier volet, nous présenterons un cadre de mise en œuvre de 90 jours pour offrir un point de départ pratique aux responsables des opérations qui sont prêts à aller de l’avant. L’usine intelligente ne se réalise pas en une seule fois; elle se construit étape par étape, grâce aux décisions que vous prenez aujourd’hui.

• À LIRE AUSSI 5 façons dont les fabricants bâtissent des chaînes d’approvisionnement agiles à l’ère de l’IA

PROCHAINES ÉTAPES

Apprenez-en davantage sur les services de fabrication de NTT DATA et communiquez avec notre équipe pour découvrir comment nous pouvons vous aider à produire plus rapidement, à acheminer plus intelligemment et à réduire vos coûts.