« Ça fait deux ans que si on ne met pas LLM sur un slide, personne n'écoute. » Le trait d'humour d'Alstom donne le ton de cette table ronde du Tech For Industry Show : au-delà du buzz, comment déployer et industrialiser l'IA dans des environnements industriels complexes ? Ilaria Michelizzi, Southern Europe Presales Leader (AVEVA), Grégory Bondier, Head of Mobility Data (Alstom) et Salma Bouchiba, Data IA Practice Director (Scalian) y répondent en croisant trois regards — éditeur de logiciels industriels, société de conseil en ingénierie et industriel ferroviaire.

Dans un système complexe comme le transport ferroviaire, le défi premier est l'agrégation de données issues de systèmes internes et externes, avec de fortes contraintes d'interopérabilité — chaque projet ferroviaire étant spécifique. La chaîne de valeur : stocker, préparer pour les usages, puis une couche de virtualisation sémantique qui rendra demain les jumeaux numériques interopérables.

Le déploiement à l'échelle bute sur trois obstacles : la souveraineté (standards industriels hétérogènes, réglementation, conformité) ; la donnée elle-même (accès, volume, complexité, confidentialité, qualité, coût) ; et la gouvernance — humaine (comitologie, sponsors), technologique (harmonisation des outils) et FinOps (monitoring des coûts dans la durée).

Les usines évoluent dans le temps et n'ont pas toutes la même maturité : il faut unifier la donnée, la contextualiser et la rendre disponible via une infrastructure de confiance. C'est le rôle du PI System, plateforme d'agrégation reconnue mondialement, complétée par une structuration sémantique et ontologique qui parle aux métiers — ingénierie, opérations, maintenance — avec indicateurs et visualisation en self-service. Et parce que la résilience opérationnelle exige désormais de partager au-delà des murs de l'usine, la plateforme CONNECT permet un partage sécurisé et ségrégué des données — y compris pour le suivi réglementaire.

L'IA chez AVEVA ne date pas des LLM : vingt ans de machine learning, notamment en maintenance prédictive. Trois cas concrets partagés en séance : Air Liquide, qui standardise les nomenclatures de ses assets sur l'infrastructure PI System et monitore plus de 300 sites dans le monde avec AVEVA Predictive Analytics — détectant des déviations des mois à l'avance pour préparer maintenance et pièces de rechange, sur un parc de plus de 40 000 assets monitorés ; Lamberti, chimiste fin italien, qui a utilisé CONNECT pour contextualiser sa donnée et rechercher le « golden batch » — avec 5 % de réduction de l'impact énergétique sans compromis sur la productivité, là où la visualisation seule imposait toujours un arbitrage ; et ENCE, leader espagnol de la papeterie intégrant forêt et biomasse, qui a intégré des données externes non contrôlables (sécheresse, disponibilité de l'eau) : après un arrêt de 15 jours de son usine de cellulose en 2023, l'anticipation lui a permis d'éviter les arrêts l'année suivante et de réduire de 15 % les émissions de ses usines de cellulose.

Alstom — matériel roulant (tramways, métros, TGV, trains régionaux), signalisation et services — gère une base installée de 150 000 véhicules sur des projets de 30 ans et plus. Particularité structurante : les trains sont opérés par des tiers, qui détiennent la donnée et fixent le cadre de son exploitation. Souveraineté et interopérabilité ne sont donc pas des options mais des contraintes de départ.

Avec les équipes de Scalian — capables de mobiliser des profils pointus, du data engineering à l'entraînement de modèles spécifiques au ferroviaire — Alstom a bâti une plateforme qui lève les freins : gouvernance et catalogage automatique des données multi-systèmes, couches sémantiques pour l'interopérabilité chez les clients, et surtout une homogénéité de déploiement cloud / on-premise — car le SaaS n'est pas accepté par tous les opérateurs, dont beaucoup exigent, à juste titre, que les applications tournent chez eux. Résultat : calculer les indicateurs de fiabilité de chaque train pour l'ensemble des clients sans réinventer la roue à chaque projet, de la France à l'Allemagne, de Singapour à Montréal.

Scalian (plus de 5 500 collaborateurs) revendique une double compétence tech et industrielle : ingénierie système et logiciel, excellence opérationnelle, et solutions digitales (MBSE, jumeaux numériques, simulation, IA) — organisées en practices métiers et centres d'excellence, comme le centre SIMU. Sa démarche IA en quatre temps : stratégie, sécurité & compliance, fondations data, puis déploiement des cas d'usage avec un ROI monitoré. Avec des accélérateurs propriétaires comme AURA, plateforme agentique souveraine et plug-and-play (on-premise, cloud, hybride), et des références comme Colibot, IA embarquée de guidage d'un colis aérolargué développée pour la DGA, entraînée sur jumeau numérique et exécutée sur calculateur embarqué — les données synthétiques issues de simulation rendant les algorithmes « trois fois plus performants ».

Le problème posé par Alstom : intégrer ses données dans « le jumeau numérique en France, en Allemagne, à Montréal » sans redévelopper à chaque fois — et, symétriquement, permettre aux opérateurs d'intégrer un jumeau Alstom, un jumeau du signaleur, un jumeau de l'infrastructure. D'où l'enjeu du jumeau numérique interopérable, adressé techniquement par les couches sémantiques et organisationnellement par une gouvernance commune : Alstom travaille avec l'écosystème du rail à un dataspace européen d'échange de données.

La synthèse de la table ronde : un jumeau numérique réellement interopérable contourne les trois freins initiaux — la souveraineté, car la donnée ne sort pas ; la gouvernance, car il crée un référentiel commun qui force le monitoring ; la disponibilité de la donnée, car il peut la générer et la contextualiser. Et l'IA, via les LLM, devient une interface de dialogue avec son propre jumeau souverain — entraînée et enrichie sur ses propres données, pas celles des autres. Avec une condition rappelée par Salma Bouchiba, de Scalian : sans connaissance métier — usages, interopérabilité, conformité — rien de tout cela n'est faisable.

Cette table ronde illustre comment trois acteurs complémentaires — éditeur, intégrateur, industriel — convergent vers une même conclusion : l'IA souveraine ne se déploie à l'échelle qu'à travers des jumeaux numériques réellement interopérables, capables de contourner simultanément les enjeux de souveraineté, de gouvernance et de disponibilité de la donnée, à condition de rester ancrés dans une connaissance métier solide.

Retrouvez l'intégralité de cette table ronde, ainsi que les autres replays du Tech For Industry Show, sur notre page dédiée.