Pourquoi la plupart des projets pilotes d’IA échouent dans les usines chimiques – Leçons d’experts de l’industrie

Des attentes extrêmement élevées, des données incohérentes et des pilotes cloisonnés peuvent empêcher les pilotes d'IA de réussir leur déploiement dans le monde réel. La solution réside dans l'intelligence industrielle qui boucle la boucle entre la prévision et l'usine, écrit Stephen Reynolds, directeur de l'industrie, produits chimiques chez AVEVA. .

Chaque voiture de Formule 1 génère des centaines de gigaoctets de données télémétriques pendant une course – depuis la dégradation des pneus et la consommation de carburant jusqu'à la température des freins, les changements météorologiques et le comportement des concurrents. Ces données sont transmises en temps réel aux ingénieurs sur la piste et dans des laboratoires distants, leur permettant d'analyser les performances, d'optimiser la stratégie et d'acquérir un avantage concurrentiel dans un sport où chaque milliseconde compte. Cela nous rappelle que le succès ne dépend pas de la taille de votre ensemble de données ou de la sophistication de votre modèle, mais plutôt de la capacité à transformer les informations en décisions opérationnelles opportunes.

Abonnez-vous aux PII et recevez :

Notre magazine numérique bimensuel de longue date Process Industry Informer , présentant des articles exclusifs, des actualités et des mises à jour sur les industries de transformation, ainsi que des commentaires de nos trois experts du secteur :

Sean Moran

Gavin Smith

Dave Green

PLUS :

• Mise à jour sur l'industrie des procédés – notre newsletter électronique hebdomadaire
• Podcast PII
• Messages spéciaux de nos partenaires publicitaires

Les usines chimiques peuvent surpasser le marché en traitant l’IA comme une voiture de course haute performance. Ils génèrent déjà des milliards de points de données provenant de capteurs, de laboratoires et de systèmes ERP. Les entreprises mènent des projets pilotes d'IA, testent des modèles et lancent des preuves de concept, McKinsey signalant que 78 % des organisations utilisent l'IA dans au moins une fonction commerciale.

La plupart des pilotes d'IA décrochent

Pourtant, la grande majorité des projets pilotes s’attardent avant d’apporter de la valeur. Une enquête récente montre que 88 % des projets pilotes d'IA n'atteignent jamais la production, et le MIT a rapporté en août que 95 % des initiatives d'IA générative visant à générer rapidement des revenus échouent.

Ce « purgatoire de l’IA » n’est pas dû à un manque d’imagination, c’est à un manque de stratégie et d’action. Traduire les informations en action dans le monde réel, tout comme une stratégie de F1 parfaite sans changement de pneus, est essentiel.

L'IA n'est pas plug and play

Les équipes sont souvent victimes du syndrome des objets brillants, considérant l’IA comme une solution plug-and-play. Lorsque l’ambition dépasse l’infrastructure, les modèles sont appliqués à des tâches pour lesquelles ils n’ont pas été conçus, alimentés par des données de laboratoire et de capteurs incohérentes ou retardées, et restent isolés des opérations. Les informations qui en résultent ne peuvent pas être appliquées aux processus du monde réel.

« Selon une enquête récente, 88 % des pilotes d'IA ne parviennent pas à atteindre la production. »

Même lorsque l’IA prédit l’encrassement d’un réacteur ou des catalyseurs inactifs, la valeur disparaît si les opérateurs ne peuvent pas agir en raison d’un mauvais alignement des flux de travail. L'impatience à l'égard des résultats instantanés et le manque de retour d'informations continu sur les nouvelles matières premières aggravent le problème. Une technologie fragmentée équivaut à des résultats fragmentés.

Atteindre la pole position – garder une longueur d’avance sur la concurrence – nécessite une collaboration interfonctionnelle et un écosystème connecté qui unifie les systèmes chimiques industriels. Cela signifie relier MES, LIMS, ERP, historiens et systèmes de contrôle de processus au sein d'une seule plateforme, créant ainsi une source unique de vérité qui élimine les silos de données et fournit des informations intelligentes sur les boucles de contrôle existantes au niveau de l'atelier et de la direction.

"Ce n'est qu'avec ces trois éléments :des données organisées, des modèles intelligents tenant compte des processus et des humains inspirés dans la boucle - que l'IA va au-delà des concepts théoriques pour aboutir à de réels résultats opérationnels et de R&D, offrant des temps d'arrêt réduits, des rendements plus élevés et des cycles d'innovation plus courts."

L'IA augmente, les humains s'élèvent

La conservation et la centralisation des données industrielles sont le point de départ. Les modèles doivent être conçus pour respecter les dépendances en amont et en aval. Plus important encore, les équipes doivent faire confiance aux renseignements qu’elles reçoivent et être habilitées à agir en conséquence. Éviter le purgatoire de l'IA doit être considéré comme un changement culturel plutôt que comme une simple mise à niveau technologique.

Ce n'est qu'avec des données organisées, des modèles tenant compte des processus et des humains inspirés dans la boucle que l'IA passe du concept à des avantages opérationnels et R&D tangibles.

C’est ainsi que SCG Chemicals a atteint une fiabilité d’usine de 99 % et un retour sur investissement multiplié par neuf en seulement six mois. Pour maintenir en activité l'une des plus grandes chaînes d'approvisionnement de produits chimiques d'Asie, SCG a créé une plate-forme de fiabilité numérique intégrant l'IA tout au long de son cycle de vie.

En intégrant des analyses prédictives, des données centralisées et des environnements de jumeaux numériques en un seul endroit, la plate-forme permet aux équipes de prendre des décisions de processus à la volée, ce qui revient à doter les équipes de course de F1 d'une intelligence en temps réel.

Avec des tableaux de bord allant du niveau de l’unité commerciale à l’équipement individuel, les équipes de SCG accèdent à des informations exploitables et les corrèlent avec des données en temps réel en 10 secondes. L'identification des points critiques pour éviter les pannes d'actifs a comblé le déficit de fiabilité et les coûts de maintenance ont diminué de 40 %.

S'étendant à l'ensemble du secteur chimique, les cas d'utilisation de l'IA s'étendent à l'amélioration de la disponibilité des actifs grâce à l'analyse prédictive, à la modélisation hybride pour accélérer l'innovation de produits et même à la découverte d'ingrédients pour des matériaux respectueux de l'environnement.

« Lorsque les entreprises chimiques adoptent cette approche étape par étape, elles vont au-delà du dépannage réactif. »

Empêcher le purgatoire des pilotes d'IA

Pour réussir dans chaque domaine, il ne suffit pas de traiter les pilotes d’IA comme des expériences technologiques – une voie qui garantit leur inclusion dans la statistique des 95 % d’échec. À mesure que les outils numériques et analytiques sont adoptés, les entreprises ont besoin d'approches de bout en bout pour convertir les analyses en améliorations opérationnelles, comme Deloitte l'a souligné dans ses récentes perspectives du secteur chimique.

Surmonter le purgatoire de l’IA commence par un changement de perspective, y compris un changement culturel. Tout d’abord, définissez le KPI que vous souhaitez modifier et quantifiez son impact sur le workflow. Les pilotes qui essaient de tout faire n'aboutissent à rien.

Ensuite, créez un écosystème connecté axé sur les données, intégrant des historiens, des MES, des LIMS et des programmes de fournisseurs. Le succès repose sur la qualité des données, comme le note Arthur D. Little ; les schémas doivent être standardisés, les métadonnées annotées et les protocoles de laboratoire établis.

Sélectionnez ensuite la bonne IA et rendez-la observable. Par exemple, la reconnaissance de formes peut prévoir les pannes d'équipement, les LLM peuvent rechercher des documents de conformité et la modélisation hybride peut conduire à des applications innovantes telles que la formulation.

Après cela, produisez et faites évoluer un cas d’utilisation à la fois. Enfin, l'évaluation et la gouvernance interfonctionnelles – McKinsey recommande de confier la surveillance aux hauts dirigeants – réduisent la dérive du modèle et le risque d'adoption.

Lorsque les entreprises chimiques adoptent cette approche étape par étape, elles vont au-delà du dépannage réactif. Les opérateurs peuvent anticiper l'encrassement, ajuster les conditions de réaction et éviter les temps d'arrêt. Les équipes R&D accélèrent les formulations tout en assurant une mise à l’échelle cohérente. L'industrie peut enfin tirer une réelle valeur de ses investissements en IA, tout comme les équipes de F1 convertissent la télémétrie en décisions gagnantes en une fraction de seconde.