Dans certains secteurs industriels, une erreur de l'intelligence artificielle ne se traduit pas seulement par une réponse approximative : elle peut coûter des centaines de millions de dollars, voire mettre des vies en danger. Lors d'une session en anglais au Tech For Industry Show, Amanda Fagnou, Marketing and Strategy Director of Digital and Integration(SLB, anciennement Schlumberger) et Chad Harkness, Acting CRO (Geminus), start-up californienne spécialisée dans l'IA pour les actifs critiques, ont détaillé leur approche commune de l'IA appliquée aux actifs industriels critiques.

Amanda Fagnou, dont la division digitale représente à elle seule plus de 2 milliards de dollars de chiffre d'affaires chez SLB, rappelle l'ampleur des enjeux du secteur pétrolier et gazier : environ 1 300 milliards de dollars sont dépensés chaque année dans le monde pour maintenir la production d'énergie. Les décisions prises, une fois le forage engagé, sont irréversibles et peuvent engager des milliards de dollars. Selon une étude récente citée par l'intervenante, la valeur que le digital et l'IA pourraient apporter au secteur sur les quatre prochaines années est estimée à environ 500 milliards de dollars — un potentiel largement conditionné à l'adoption de l'IA agentique.

L'intervenante retrace l'évolution du digital dans l'industrie : d'abord sur le volet planification (traitement de données sismiques, modélisation, simulation), longtemps porté par des solutions sur mainframe puis PC, avant l'arrivée du cloud, qui a permis de réduire les cycles de décision de plusieurs années à quelques mois, voire quelques jours, grâce à la capacité de simuler un très grand nombre de scénarios. Sur le volet opérations (forage, production, maintenance), en revanche, c'est l'edge computing qui prévaut, la donnée devant être traitée au plus près du terrain. SLB indique mener aujourd'hui des opérations de forage entièrement autonome, pilotées par IA pour atteindre la zone optimale du réservoir — une automatisation mise en œuvre, selon l'intervenante, avant même celle des voitures autonomes. Le principal défi actuel n'est plus de prouver la faisabilité technique, mais de passer du cas isolé (quelques puits forés en autonomie) au déploiement à grande échelle.

SLB revendique une approche résolument ouverte : l'entreprise travaille avec l'ensemble des fournisseurs cloud (approche agnostique), opère dans plus de 80 pays avec des exigences de souveraineté variables selon les clients (certaines données sensibles devant rester hébergées localement), et maintient une redondance entre fournisseurs cloud pour garantir la continuité d'opérations qui ne peuvent jamais s'arrêter. L'entreprise entretient un partenariat avec Nvidia depuis environ 20 ans — initialement pour la puissance de calcul nécessaire au traitement des données sismiques, aujourd'hui pour la conception de puces dédiées à ses propres modèles de fondation. La cybersécurité est présentée comme un enjeu central, les conséquences d'un piratage sur une installation pouvant être catastrophiques.

Sur le plan du modèle économique, SLB constate que de nombreux clients souhaitent développer eux-mêmes une partie de leurs solutions IA, avec leurs propres données propriétaires. L'entreprise a donc construit deux plateformes ouvertes et extensibles — l'une pour les workflows, l'autre pour la couche donnée et IA — permettant aux clients d'y intégrer leur propre savoir-faire.

Selon Amanda Fagnou, deux facteurs sont déterminants. D'abord, la donnée : un seul puits génère un pétaoctet de données sur sa durée de vie, avec des milliers de capteurs par installation, mais seulement environ 10 % de cette donnée est effectivement exploitée aujourd'hui, le reste étant géré manuellement. SLB a construit une couche de connexion ("bridge") reliant directement les sources de données existantes, sans nécessiter de tout migrer vers le cloud, avec une IA dédiée au nettoyage, à l'ingestion et à la vérification qualité de la donnée via des modèles d'ontologie.

Ensuite, la nécessité de disposer de modèles spécialisés par domaine, plutôt que de s'appuyer uniquement sur des LLM génériques (que SLB utilise également, au choix du client). L'entreprise a développé ses propres "foundation models" entraînés sur des données du secteur — des modèles nettement plus petits que les grands modèles génériques (de l'ordre du milliard de paramètres plutôt que du trillion), mais spécialisés et ancrés dans la physique du domaine, ce qui en fait les garde-fous ("guardrails") nécessaires pour que les décisions critiques restent fiables.

SLB a intégré un assistant IA agentique directement au sein de ses applications existantes, permettant aux utilisateurs de bénéficier de fonctionnalités d'IA sans quitter leurs outils habituels, tout en pouvant accéder directement à l'assistant pour des besoins transverses. Les principes affichés : traçabilité (aucune boîte noire), et maintien systématique d'un humain dans la boucle pour garantir que les modèles restent dans le cadre défini.

Amanda Fagnou résume trois enseignements tirés du parcours de SLB avec l'IA : c'est un travail de long terme (le machine learning est intégré depuis longtemps dans les applications SLB, et une composante agentique équipe désormais l'ensemble du portefeuille) ; l'enjeu principal n'est pas technologique mais humain (les utilisateurs doivent monter en compétence pour comprendre ce que fait l'IA) ; et la confiance se construit progressivement, en donnant aux équipes de la visibilité sur les décisions de l'IA et en positionnant d'abord l'IA comme un outil d'augmentation plutôt que de remplacement.

Chad Harkness présente ensuite la vision de sa start-up, Geminus (une trentaine de personnes, issue de recherches académiques au MIT et à Stanford). L'entreprise vise les décisions nécessitant un niveau de confiance proche de 100 %, appliquées à des équipements industriels dits "critiques" — que ce soit pour des raisons de coût (une erreur de dimensionnement en phase de conception peut coûter des centaines de millions de dollars) ou de sécurité des personnes.

Selon Chad Harkness, deux types de modèles existent aujourd'hui : les grands modèles de langage (LLM), puissants mais fondamentalement probabilistes et donc jamais totalement fiables pour des décisions critiques ; et les "world models", une évolution émergente entraînée sur de vastes jeux de données mais dotée d'une compréhension de la physique, de la causalité et du temps, permettant de simuler des scénarios hypothétiques. Geminus mobilise les deux approches, mais défend une troisième voie pour les actifs industriels : le "neighborhood model" — un modèle construit au plus près d'un système spécifique, car aucun jeu de données global ne peut décrire fidèlement le fonctionnement particulier d'une installation industrielle donnée.

Pour illustrer ce concept, Chad Harkness propose une analogie : comprendre la dynamique d'un quartier résidentiel (allées et venues des habitants, capacité des ronds-points, affluence dans un parking, choix des habitants entre différents commerces) nécessite de descendre au niveau le plus fin, car aucun jeu de données global ne permet de prédire ce comportement. Transposée à l'industrie, cette logique s'applique à tout système avec des entrées et des sorties, où les équipements dérivent dans le temps (l'exemple donné est celui d'un catalyseur qui s'use ou s'oxyde) — un système qui ne peut être décrit avec confiance "de loin".

Cette approche pose trois défis principaux : l'accès à la bonne donnée (le "data gap"), la gestion d'une incertitude omniprésente jusque dans des mesures physiques apparemment simples, et la nécessité de modéliser un système dans son ensemble plutôt que composant par composant, chaque nœud du système dépendant des autres.

Pour y répondre, Geminus combine plusieurs sources d'information — simulation basée sur la physique, données historiques, données temps réel — dans ce que l'entreprise appelle un "data quilt" ("patchwork de données"), avec des garde-fous ("guardrails") de décision construits par des physiciens spécialisés en calcul plutôt que par des data scientists au sens classique, afin d'assurer la fiabilité et la capacité de passage à l'échelle du système.

Selon Chad Harkness, cette approche est aujourd'hui opérationnelle chez plusieurs clients dans le monde, en partenariat avec SLB : contrôle en boucle fermée d'actifs non linéaires complexes dans des raffineries, ou pilotage du réseau de production en surface d'un site à Bahreïn (avant son arrêt lié à des événements régionaux récents), avec des recommandations sur l'ouverture ou la fermeture de vannes en fonction de l'état dynamique des puits et des compresseurs. Des projets pilotes existent également en dehors du secteur pétrolier et gazier, notamment dans la défense (compression et traitement d'images) et l'optimisation de microgrids énergétiques pour des déploiements isolés.

Cette session illustre une tension centrale de l'IA industrielle : les grands modèles génériques, aussi puissants soient-ils, restent statistiquement incertains, alors que les décisions sur des actifs critiques exigent un niveau de confiance très élevé. La réponse apportée par SLB et Geminus repose sur la combinaison de données fiables, de modèles spécialisés ancrés dans la physique du domaine, et d'une IA construite au plus près de chaque système industriel plutôt qu'à partir de généralités.

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