De la promesse marketing à la réalité atelier : quand l’IA se fracasse sur les données
Dans les usines françaises, la promesse des données industrielles IA usine gouvernance se heurte à un mur silencieux : la dette de données. Derrière les discours sur l’intelligence artificielle générative, les jumeaux numériques et le machine learning, la plupart des projets se bloquent sur des capteurs muets, des historiques incomplets et des référentiels produits impossibles à réconcilier entre les différents systèmes. Pour un directeur des opérations, la question n’est plus de savoir si l’IA est pertinente, mais si la gouvernance des données industrielles est suffisamment robuste pour supporter un passage à l’échelle.
La réalité opérationnelle est simple : sans données fiables, contextualisées et traçables, aucun système d’intelligence artificielle ne tient plus de quelques semaines en production. Les entreprises industrielles financent alors des pilotes IA qui affichent quelques gains locaux, mais qui restent prisonniers d’un environnement de données bricolé, non reproductible et non industrialisable à l’échelle de la taille de l’organisation. Chaque projet consomme des centaines de milliers d’euros en retraitement de données, sans que cette remise à niveau soit identifiée comme un chantier de gouvernance des données à part entière dans le plan de mise en œuvre global.
La dette de données se manifeste d’abord par des systèmes hétérogènes, où le MES, l’ERP et la GMAO ne partagent ni les mêmes codes articles, ni les mêmes règles de qualité, ni les mêmes processus de validation. Les données de production sont saisies manuellement, parfois en décalage de plusieurs jours, ce qui rend toute maintenance prédictive ou supervision temps réel illusoire. Dans ce contexte, parler de gouvernance des données industrielles IA usine gouvernance sans traiter la remise à plat des référentiels revient à financer une façade numérique sur des fondations fragiles.
Pour un COO en France, la première décision stratégique n’est donc pas le choix d’une solution d’intelligence artificielle, mais la définition d’un système de gouvernance des données industrielles aligné avec les exigences européennes de conformité. La réglementation européenne sur l’IA et les données personnelles impose déjà aux entreprises industrielles un niveau de transparence et de contrôle qualité qui dépasse largement les pratiques actuelles en atelier. Ignorer cette dimension revient à exposer l’entreprise à des risques de non conformité réglementaire, mais surtout à des décisions opérationnelles biaisées par des données industrielles incomplètes ou erronées.
Les trois formes de dette de données en usine : capteurs, référentiels, historiques
La première forme de dette de données concerne les capteurs et les systèmes OT, souvent installés depuis plus de vingt ans sur les lignes de production. Une partie significative des données de process n’est tout simplement pas collectée, ou l’est via des systèmes propriétaires qui rendent la mise en place d’une gouvernance des données industrielles extrêmement coûteuse. Dans de nombreuses entreprises, la maintenance prédictive reste théorique, car les signaux vibratoires, thermiques ou de consommation énergétique ne sont ni historisés correctement, ni reliés à un système de supervision unifié.
La deuxième forme de dette touche les référentiels et les systèmes d’information, où chaque usine, voire chaque atelier, a développé ses propres conventions de codification. Les codes articles, les nomenclatures, les gammes opératoires et les statuts de qualité diffèrent entre le MES, l’ERP et la GMAO, ce qui rend la gouvernance des données et la consolidation multi sites presque impossibles. Un même incident de production peut être enregistré sous trois libellés différents, empêchant tout machine learning sérieux sur les causes racines et faussant la prise de décision au niveau groupe.
La troisième forme de dette de données réside dans les historiques biaisés par les saisies manuelles et les contournements de processus. Les opérateurs, sous pression sur les volumes de production, privilégient la sortie de pièces plutôt que la complétude des données, ce qui dégrade la qualité statistique des historiques utilisés ensuite pour les modèles d’intelligence artificielle. Quand un projet de maintenance prédictive ou de contrôle qualité automatisé démarre, l’équipe IA découvre que plusieurs années de données sont inutilisables, ce qui oblige à lancer un nouveau plan de mise en données sur douze à dix huit mois.
Pour un directeur industriel, ces trois dettes de données industrielles IA usine gouvernance ne sont pas des problèmes techniques, mais des sujets de gouvernance et de budget. Chaque projet IA qui démarre sans audit de données préliminaire finance en réalité, en silence, une remise à niveau partielle des systèmes et des processus de collecte. La bonne pratique consiste à exiger, avant tout POC, un diagnostic structuré de la gouvernance des données industrielles, un chiffrage explicite en millions d’euros de la remédiation, et la nomination d’un responsable des données industrielles rattaché à la direction des opérations.
Cette fonction de responsable des données industrielles ne doit pas être confondue avec un rôle purement IT, car elle touche directement la performance opérationnelle, la conformité aux règlements européens et la qualité des décisions de production. Les enjeux de conformité aux textes de l’Union européenne sur les données personnelles et l’intelligence artificielle imposent une articulation fine entre les équipes OT, IT, qualité et juridique. Dans ce contexte, la nomination d’un COO dédié à l’exécution IA, comme l’illustre l’analyse sur l’évolution du rôle de COO face à l’IA, préfigure ce que devront devenir les directions industrielles en France.
Pourquoi la donnée industrielle est plus difficile que la donnée tertiaire
La plupart des discours sur l’intelligence artificielle sont construits à partir d’exemples issus des services, du e commerce ou de la banque, où les données sont déjà nativement numériques. En usine, la réalité est radicalement différente, car les données industrielles IA usine gouvernance doivent composer avec des environnements OT hétérogènes, des automates anciens et des contraintes temps réel fortes. Les systèmes industriels doivent continuer à produire des milliers de pièces par heure, tout en alimentant des modèles d’intelligence artificielle qui exigent une qualité de données quasi parfaite.
Contrairement aux données tertiaires, les données de production sont souvent générées par des équipements de plusieurs générations, parfois non connectés, parfois reliés à des systèmes propriétaires difficiles à interfacer. La mise en œuvre d’une gouvernance des données industrielles suppose alors de traiter simultanément la modernisation des systèmes, la cybersécurité OT et la conformité aux règlements européens sur les données personnelles et les systèmes à risque. Pour un COO, cela signifie que chaque projet IA doit être pensé comme un projet de transformation industrielle globale, et non comme un simple déploiement de solution logicielle.
La difficulté supplémentaire vient du fait que la moindre erreur de données peut avoir un impact direct sur la sécurité, la qualité produit ou la conformité réglementaire. Un modèle de maintenance prédictive mal entraîné peut générer des faux positifs qui saturent les équipes, ou des faux négatifs qui laissent passer des défaillances critiques, exposant l’entreprise à des risques industriels majeurs. Dans ce contexte, la gouvernance des données et la supervision humaine des systèmes d’intelligence artificielle deviennent des exigences opérationnelles, pas des options technologiques.
Les contraintes européennes renforcent encore cette complexité, car la Commission européenne et l’Union européenne encadrent désormais les systèmes d’intelligence artificielle utilisés dans les secteurs industriels à fort impact. Les entreprises doivent démontrer la traçabilité de leurs données, la robustesse de leurs processus de validation et la maîtrise des risques liés aux systèmes à risque, sous peine de sanctions financières pouvant atteindre plusieurs millions d’euros. Pour un directeur industriel en France, la dette de données n’est donc plus seulement un frein à la performance, mais un sujet de conformité et de réputation à l’échelle européenne.
Cette réalité impose de repenser la manière dont les projets IA sont priorisés et budgétés, en intégrant explicitement la remise à niveau des données industrielles IA usine gouvernance dans les business cases. Le choix de la maille d’automatisation, par exemple dans un entrepôt ou une plateforme logistique, dépend directement de la qualité des données disponibles sur les flux, les stocks et les temps de cycle. Sur ce point, l’analyse sur la maille d’automatisation des entrepôts illustre bien que la vraie décision n’est pas le choix de la technologie, mais la granularité des données et des processus que l’on est capable de maîtriser.
Ce que tout COO devrait exiger avant de lancer un POC IA
Avant de valider un nouveau projet d’intelligence artificielle, un COO devrait systématiquement demander un audit de maturité des données industrielles IA usine gouvernance. Cet audit doit couvrir la complétude des capteurs, la qualité des historiques, la cohérence des référentiels entre les systèmes et la conformité aux règlements européens sur les données personnelles. L’objectif n’est pas de produire un rapport théorique, mais de chiffrer précisément, en centaines de milliers ou en millions d’euros, la remise à niveau nécessaire avant toute mise en production.
Le deuxième levier consiste à séparer clairement, dans le budget, la partie développement IA et la partie gouvernance des données industrielles, afin de rendre visible la dette de données. Trop de projets mélangent les coûts de mise en place des pipelines de données, de nettoyage des historiques et de mise en conformité avec les coûts de développement des modèles de machine learning, ce qui fausse la perception du retour sur investissement. En rendant explicite cette ligne budgétaire, le directeur industriel peut arbitrer entre plusieurs projets IA en fonction de la valeur opérationnelle et du niveau de dette de données à résorber.
Le troisième élément clé est la mise en place d’une gouvernance des données industrielles pilotée par les opérations, et non uniquement par l’IT. Cette gouvernance doit définir qui est responsable de la qualité des données de production, comment sont gérés les processus de validation, et comment sont traités les écarts détectés par les systèmes de supervision ou de contrôle qualité automatisé. Sans cette clarification, chaque nouvelle usine, chaque nouvelle ligne et chaque nouveau projet IA recréent leur propre système parallèle, aggravant la fragmentation des données et la complexité de la maintenance.
Enfin, la montée en compétences des équipes opérationnelles sur les enjeux de données et d’intelligence artificielle est un investissement stratégique, pas un luxe. Les opérateurs, les responsables d’atelier et les équipes de maintenance doivent comprendre comment leurs saisies, leurs réglages et leurs arbitrages quotidiens alimentent ou dégradent la performance des modèles IA. Sur ce point, la réflexion sur la standardisation des postes de travail, détaillée dans l’analyse sur la standardisation comme fondation de l’amélioration continue, est directement transposable à la gouvernance des données industrielles.
La tentation du « on apprendra en faisant » reste forte, surtout dans les grandes entreprises où les budgets d’innovation sont exprimés en dizaines de millions d’euros ou en quelques milliards d’euros à l’échelle groupe. Cette approche produit souvent une multiplication de pilotes IA non industrialisables, chacun reposant sur un système de données spécifique, sans mutualisation ni capitalisation. Pour un COO, la vraie rupture consiste à traiter la dette de données comme un actif stratégique, à la budgéter explicitement et à l’inscrire dans un plan de mise en œuvre pluriannuel, au même titre que les investissements machines ou les programmes de performance industrielle.
Chiffres clés sur la dette de données industrielle et l’IA en usine
- Selon la Commission européenne, près de 75 % des projets d’intelligence artificielle en entreprise restent au stade de pilote, principalement en raison de problèmes de qualité de données et de gouvernance, ce qui confirme que la dette de données est un frein majeur à l’industrialisation.
- Une étude de McKinsey sur l’industrie manufacturière en Europe indique que les entreprises qui disposent d’une gouvernance des données structurée obtiennent jusqu’à 20 à 30 % de gains de productivité supplémentaires sur leurs projets IA par rapport à celles qui traitent les données de manière opportuniste.
- La réglementation européenne sur l’IA classe certains systèmes industriels comme « à haut risque », imposant des exigences de traçabilité et de contrôle pouvant représenter plusieurs millions d’euros d’investissement pour les grands groupes, mais réduisant significativement les risques opérationnels et juridiques à long terme.
- En France, les programmes de transformation numérique des usines mobilisent souvent des budgets de plusieurs dizaines de millions d’euros, dont une part croissante, estimée entre 30 et 40 %, est désormais consacrée à la mise à niveau des systèmes de données, à la cybersécurité OT et à la conformité aux règlements de l’Union européenne.
Références
- Commission européenne – Réglementation sur l’intelligence artificielle et cadre européen des données.
- McKinsey & Company – Analyses sur la transformation digitale des opérations industrielles.
- Groupe de travail Industrie du futur – Publications sur l’usine connectée et la gouvernance des données.