Les fabricants obtiennent un retour sur investissement de l'IA :il est maintenant temps d'évoluer pour un plus grand impact

L'IA génère un retour sur investissement dans le secteur manufacturier, mais son extension reste un défi. Sans des bases de données et de réseau plus solides, les progrès s'arrêtent.

Par Nic Leszczynski, ingénieur de solutions principal, UKI, chez Riverbed Technology

De l'atelier à la chaîne d'approvisionnement, l'intelligence artificielle (IA) génère déjà des résultats mesurables dans l'ensemble de la fabrication. Il suffit de demander aux 87 % de dirigeants du secteur qui ont déclaré lors de l'enquête mondiale Riverbed 2025 que le retour sur investissement de l'intelligence artificielle pour les opérations informatiques (AIOps) a atteint ou dépassé leurs attentes.

Le défi consiste toutefois à étendre ces gains à l’ensemble de l’entreprise. Seules 12 % des initiatives d’IA sont actuellement entièrement déployées dans l’industrie manufacturière, et seulement 37 % des organisations du secteur se sentent actuellement pleinement prêtes à opérationnaliser l’IA à grande échelle. Cette fracture structurelle présente l'IA comme un travail en cours :partiellement réalisé, mais incapable d'avancer jusqu'à son achèvement.

Alors que l’Industrie 4.0 est en bonne voie, il n’est pas nécessaire de prouver que l’IA est payante :les données le montrent déjà. Mais même si son efficacité est démontrée lors de tests contrôlés, la majorité des fabricants ont du mal à étendre ces avantages à leurs environnements réels et complexes. Cela restera probablement le cas jusqu'à ce que les bonnes fondations numériques soient en place.

Pourquoi l'optimisation de l'IA est entravée dans le secteur manufacturier

Selon Deloitte, la « fabrication intelligente » – qui exploite l’IA pour piloter des éléments tels que la maintenance prédictive, l’assurance qualité, l’optimisation de la chaîne d’approvisionnement et la surveillance de l’efficacité énergétique – permet déjà une amélioration de 10 à 20 % de la production et de 10 à 15 % de la capacité libérée. Le potentiel net est donc énorme, mais l'ampleur de son impact possible rend la mise à l'échelle de l'IA compliquée.

En effet, les environnements de fabrication intelligents dépendent d’un flux de données fiable et sécurisé entre tous les appareils, machines, installations et réseaux logistiques. Les modèles d’IA doivent ingérer, interpréter et agir sur cet enchevêtrement de télémétrie en temps réel – souvent sur des systèmes existants, des appareils de périphérie et des plateformes cloud. Les décideurs doivent également être capables de voir et d'analyser ces informations.

Les pipelines de données alambiqués ou goulots d'étranglement créent une pression opérationnelle, tandis qu'une visibilité limitée sur le comportement du système rend l'optimisation et la mise à l'échelle considérablement plus difficiles. La pression augmente pour résoudre ces problèmes au niveau infrastructurel.

Une lacune émergente en matière de préparation aux données

Les avantages en termes de performances de l’IA sont indéniables. Mais en raison d’un ensemble de problèmes structurels, l’évolutivité de ces avantages est difficile à atteindre. Avant que la technologie puisse être adoptée à l’échelle de l’entreprise, les fabricants doivent établir la rigueur infrastructurelle requise pour la prendre en charge. De nouveaux résultats de recherche décrivent plus en détail cette quête de préparation à l'IA :

– 91 % des fabricants déclarent que le déplacement des données IA est essentiel à leur stratégie.

– 96 % citent les performances et la fiabilité du réseau comme principales considérations.

– Près de la moitié (47% ) manquent de confiance dans l'exactitude et l'exhaustivité de leurs données.

Pris ensemble, ces chiffres prouvent qu’il reste encore beaucoup de progrès à faire. Si plus de neuf dixièmes des dirigeants considèrent le mouvement des données et les performances du réseau comme essentiels, alors l’intégration de l’IA repose sur une infrastructure conçue pour déplacer les données de manière rapide et fiable. Pourtant, dans le même temps, près d’une organisation sur deux n’a pas pleinement confiance dans les données déplacées. Ces deux composantes doivent être abordées pour éviter des investissements contre-productifs.

Même si les fabricants comprennent clairement ce dont l’IA a besoin pour prospérer, nombre d’entre eux fonctionnent encore sur des bases numériques qui ne sont pas encore suffisamment robustes et flexibles pour l’adapter à grande échelle. Ajoutez à cela la fragmentation provoquée par de multiples outils d'observabilité et vous comprendrez pourquoi les systèmes qui soutiennent les opérations de production sont incapables de dépasser les initiatives de validation de principe.

Construire les bases d'une opérationnalisation de l'IA

Au niveau organisationnel, le succès de l’IA dépendra de la qualité des données, de la vitesse à laquelle elles évoluent et de la transparence dont les équipes disposent sur les systèmes qui les transportent. Ainsi, avant d'investir dans un déploiement à grande échelle, il est impératif que les fabricants :

– Traiter les performances du réseau et le flux de données comme des priorités stratégiques
Les systèmes d’IA de fabrication doivent fonctionner dans des environnements de production distribués et des chaînes d’approvisionnement interconnectées, le tout piloté par de gros volumes de données en temps réel. Par conséquent, les performances du réseau ne peuvent plus être traitées comme une préoccupation informatique de fond.

Étant donné que ce passage d’un modèle pilote à un modèle opérationnel nécessite un leadership et une coordination délibérés, les organisations ont besoin de cohérence dans la manière dont leurs données sont capturées et déplacées. Des frameworks comme OpenTelemetry aident à réaliser un alignement stratégique en standardisant la télémétrie sur des réseaux complexes, créant ainsi la base de données stable et performante dont l'IA a besoin pour s'intégrer à l'échelle de l'entreprise.

– Renforcer la qualité et la confiance des données
Les modèles d’IA sont aussi efficaces que les données qu’ils consomment. Et dans le secteur manufacturier, où les données sont générées et acheminées vers une gamme de sources actives, les incohérences ou les inexactitudes introduisent des risques et compromettent l'intégrité.

– Réduire la prolifération des outils et les angles morts afin que les dirigeants puissent constater les écarts de performances
Alors que les organisations exécutent généralement 13 outils d’observabilité provenant de neuf fournisseurs, la fragmentation demeure un obstacle majeur au développement de l’IA. Bien que chacun de ces outils puisse résoudre un défi spécifique, leur chevauchement collectif crée des duplications et limite la visibilité, ce qui rend difficile la compréhension de la manière dont les systèmes interagissent sous des charges de travail basées sur l'IA.

Cette tension architecturale est la raison pour laquelle 95 % des fabricants passent par un processus de consolidation d'outils. Dans ce contexte, l'intégration de sa pile technologique dans une plate-forme d'observabilité unifiée a permis à une organisation manufacturière mondiale d'accéder à des informations exploitables et basées sur les données pour améliorer la productivité et les performances. Ce type de clarté scientifique permet aux organisations de faire évoluer l'IA en toute confiance et sans friction.

Faire du potentiel de l'IA une réalité opérationnelle

De manière ambitieuse, 85 % des fabricants s'attendent à être prêts pour l'IA d'ici 2028. Mais si seulement 37 % d'entre eux se sentent pleinement préparés aujourd'hui, la viabilité de ce calendrier sera déterminée par la rapidité avec laquelle les organisations pourront combler l'écart de préparation.

Au cours des prochaines années, l'IA deviendra encore plus profondément ancrée qu'elle ne l'est aujourd'hui, son influence sur les lignes de production, les chaînes d'approvisionnement et les processus décisionnels ne faisant qu'ajouter une pression supplémentaire sur l'efficacité de la télémétrie et de l'observabilité.

Il n'a jamais été aussi évident que les fabricants qui investissent dès maintenant dans des données haute fidélité et une visibilité complète – tout en adaptant leurs principes stratégiques pour anticiper les nouvelles exigences de l'Industrie 4.0 – seront les mieux placés pour transformer leurs projets pilotes d'IA réussis en avantages opérationnels et commerciaux durables.

Nic Leszczynski est ingénieur principal de solutions, UKI, chez Riverbed Technology.