C'est le chiffre qui a saisi la salle : selon une étude du MIT citée en séance, 95 % des projets pilotes IA n'arrivent jamais en production. Au Tech For Industry Show, Karl Fonteneau, Customer Success Manager (9altitudes, intégrateur ERP et PLM pour l'industrie, partenaire Microsoft et PTC) et Jean Jacques Galliano, Partner Technical Director (PTC, éditeur de logiciels du cycle de développement des produits manufacturés) ont détaillé pourquoi — et proposé une méthode en trois temps : structurer la donnée, assurer le fil rouge numérique, puis seulement ajouter l'IA.

Choix technologiques face à une offre logicielle pléthorique, supply chains à rendre dynamiques, tensions géopolitiques, exigence de nouveaux produits toujours plus rapides, rentabilité contrainte, qualité et conformité : c'est dans ce contexte que l'IA promet d'automatiser les tâches répétitives et de libérer du temps d'innovation pour les ingénieurs et concepteurs. Une promesse connue et maîtrisée — encore faut-il aborder les projets correctement.

L'étude du MIT citée identifie quatre causes majeures : une IA générique, qui accède à des données d'internet et non aux données de vos produits — « on nous pousse à vendre de l'IA, mais pas dans n'importe quelles conditions », confie l'intégrateur ; des flux de travail standard ignorant les processus internes propres à chaque entreprise ; des données pauvres ou erronées ; et, conséquence logique, des POC qui valident un concept… et ne vont jamais plus loin. « Du temps passé sur des sujets qui n'aboutiront pas. »

Le cœur de la méthode : l'IA ne peut pas interpréter des données brutes — les PDF, fichiers Word et données silotées sur des serveurs qui constituent l'essentiel du patrimoine des entreprises. Quatre étapes pour y remédier : partir de la donnée brute ; la colorer d'une sémantique — historique, statut, version, contexte ; la relier aux autres via l'ontologie — les graphes de connaissance : à un fichier 3D CAO, rattacher la fiche qualité, l'exigence technique, le fichier de test correspondant ; et enfin la gouvernance — décider qui et quel système accède à quelle donnée, avec quels droits, sécurisant du même coup l'accès de l'IA à l'écosystème.

Une fois la donnée structurée dans chaque système, reste à assurer la continuité entre eux : ALM (exigences), CAO, PLM, ERP, MES, CPQ, CRM et SLM (maintenance). C'est le « fil rouge numérique » — appelez-le parcours industriel — qui garantit la fluidité de la donnée produit entre les services. Avec un constat de terrain savoureux : ces projets révèlent souvent que « les services ne se parlent pas entre eux » — la finance, réceptacle de tous les chiffres, en sait quelque chose. Et un rappel : l'intégration Microsoft-PTC travaillée « depuis des années, avant même l'IA » — l'IA n'apporte un service complémentaire que si tout a été mis en place en amont.

Les exemples concrets présentés : en ALM, face aux millions d'exigences d'une automobile, l'IA détecte les redondances, les collisions entre exigences et les trous dans le plan de test (« ce feu-radar a-t-il bien été testé ? ») ; en CAO, la conception générative (algorithmes génétiques) crée des formes plus légères, moins consommatrices de matière — contribution directe à la durabilité et à l'économie circulaire ; en PLM, la déduplication de références — sachant qu'une référence gérée peut coûter jusqu'à 6 000 € par an à une entreprise ; en ERP, un agent sur les stocks dormants propose des actions sur la base des données disponibles.

La vidéo présentée déroule une gestion des modifications de bout en bout : demande de changement lancée dans Teams, change request dans le PLM PTC, workflow avec justifications, propositions générées par l'IA (impacts fournisseurs, coûts) que l'utilisateur vérifie et valide, demande de devis via l'ERP, et mise à jour finale de la pièce dans l'ERP Microsoft — la supply disposant immédiatement des changements. Fil conducteur revendiqué : la proposition IA, la validation humaine — « peut-être qu'un jour on laissera l'IA faire en toute confiance, mais pour l'instant on vérifie ».

Les échanges avec l'audience ont couvert des points très concrets : les serveurs MCP (Model Context Protocol) fournis par les éditeurs eux-mêmes (Microsoft, PTC) pour connecter les agents aux briques logicielles ; la localisation des données — choisie au déploiement (serveurs européens, américains ou autres) — et les clés de chiffrement internes que le client peut gérer lui-même via un coffre-fort numérique (l'exemple d'assureurs suisses n'ayant basculé dans le cloud qu'à cette condition) ; la possibilité de couper l'accès web de l'IA pour ne travailler que sur les données internes, charge à l'entreprise d'ingérer les documentations fournisseurs ; et la lutte contre le shadow AI — « tout le monde utilise son IA à lui et envoie des informations de l'entreprise un peu partout » : le choix d'une IA unique gouvernée, avec des outils de contrôle (Microsoft Purview cité) qui tracent qui utilise quoi et alertent sur les usages non conformes. Dernier point d'organisation, en réponse à une question : préférer des experts IA intégrés dans chaque métier qui se coordonnent, plutôt qu'une équipe IA unique hors-sol.

Un : la valeur de l'IA n'est pas dans un seul produit — cartographiez d'abord le flux complet et les outils de votre parcours industriel. Deux : la performance ne vient que de contextes reliés — sinon, des bouts de réponse, potentiellement trompeurs faute de vision amont-aval. Trois : la donnée d'abord, l'humain toujours — clin d'œil à la data scientist en formation croisée avant la session, inquiète pour son avenir : « ne t'inquiète pas, énormément d'entreprises n'ont pas encore travaillé leurs données ». La dimension humaine, conclut le duo, « fait l'essence de l'industrie ».

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