Usines en pilote automatique : pourquoi on ne confie toujours pas le bouton « Démarrer » à l'IA

Le monde observe, fasciné, des voitures autonomes manœuvrer dans un trafic urbain dense en traitant en temps réel des gigaoctets de données issues de lidars et de caméras. On pourrait croire qu'un algorithme capable de ramener quelqu'un chez lui en toute sécurité à travers les bouchons n'aurait aucun mal à piloter un procédé industriel stable. La réalité est plus rude : dans les systèmes de contrôle-commande modernes (SCADA/DCS), l'intelligence artificielle ressemble encore à un stagiaire autorisé à regarder les instruments, mais interdit de toucher aux manettes. Situation paradoxale : malgré des budgets colossaux, l'industrie accuse une décennie de retard sur le secteur grand public dans le déploiement d'une IA active.

Cette lenteur s'explique d'abord par une différence fondamentale de nature des tâches. Dans une voiture, une erreur de l'IA provoque un drame à l'échelle locale. Dans une usine pétrochimique ou une centrale nucléaire, une commande erronée d'un réseau de neurones peut déclencher une catastrophe à l'échelle régionale.

C'est pourquoi les industriels s'appuient depuis des décennies sur le bon vieux régulateur PID et sur une logique rigide, où chaque étape est prévisible et décrite par une formule mathématique. Un réseau de neurones, lui, reste par nature une « boîte noire ». Il peut fournir un résultat parfait dans 99 % des cas, mais personne ne peut garantir que, dans le pourcentage restant, il ne décidera pas que la meilleure façon de refroidir un réacteur consiste à couper toutes les pompes.

Les lignes bougent pourtant dans le diagnostic technique. Le machine learning est aujourd'hui largement déployé pour surveiller l'instrumentation et les machines tournantes. Plutôt que d'attendre qu'un roulement de turbine vole en éclats, les algorithmes analysent les micro-vibrations, les variations de température et les signatures acoustiques. Ils détectent des anomalies des semaines avant que le rondier le plus expérimenté ne les remarque. C'est ce qu'on appelle la maintenance prédictive, un domaine où l'IA rapporte déjà de l'argent bien réel en économisant des millions sur les réparations imprévues. L'IA y joue le rôle de conseiller idéal : elle signale le problème, mais c'est un humain qui décide en dernier ressort de remplacer la pièce.

Le passage du diagnostic au pilotage se heurte aussi à la qualité des données. Contrairement à un flux vidéo, environnement lisible et structuré pour une IA, les données des capteurs d'usine sont souvent bruitées, désynchronisées, voire carrément absentes à cause de pannes de communication. Pour entraîner un réseau de neurones à piloter une colonne de distillation complexe, il faudrait des années d'historique de fonctionnement impeccable, que la plupart des sites n'ont tout simplement pas. Qui plus est, les procédés évoluent sans cesse : les équipements s'usent et la composition des matières premières varie. Dans ces conditions, un modèle statique devient vite obsolète, et le réentraîner à la volée relève d'une complexité et d'un risque démesurés.

L'industrie cherche aujourd'hui un compromis du côté des « modèles hybrides ». Les ingénieurs tentent de marier la physique classique des procédés à la souplesse du machine learning. Dans ces systèmes, l'IA ne remplace pas le contrôleur principal : elle se contente d'ajuster ses consignes pour optimiser la consommation de combustible ou le rendement en produit fini, dans une plage étroite et sûre. Cette voie prudente permet de tirer parti des réseaux de neurones sans mettre en péril la sûreté du site. Nous traversons une phase de construction de la confiance : l'IA doit prouver sa fiabilité sur des milliers de scénarios de diagnostic avant qu'on lui confie ne serait-ce qu'une seule vanne.

L'essentiel : l'IA industrielle reste pour l'instant un « thermomètre intelligent », pas le « cerveau » de l'usine. Sommes-nous prêts à confier des infrastructures critiques à des algorithmes impossibles à vérifier entièrement ?