Depuis l'essor de l'IA générative, de nombreux industriels ont multiplié les projets pilotes autour de l'intelligence artificielle. Mais selon Cognite, société norvégienne née à la frontière de l'industrie et du digital, seule une minorité de ces projets parvient à un déploiement industriel rentable. Lors du Tech For Industry Show, Emmanuelle Camus, SVP Strategic Accounts (Cognite AS) a détaillé les raisons de ce blocage et la méthode que Cognite propose pour le dépasser.

Les grands modèles de langage (LLM) fonctionnent en cherchant des relations entre des mots, du texte. Or la donnée industrielle est rarement du texte : elle prend la forme de séries temporelles (time series), de modèles 3D, d'images, de schémas P&ID (plans de tuyauterie et d'instrumentation) et de documents techniques peu structurés. Une donnée de capteur, par exemple, ne signifie rien pour une IA si elle n'est pas reliée à un équipement, un processus ou une documentation précise. Selon Cognite, cette absence de structuration explique une large part des risques d'hallucination observés quand l'IA générative est appliquée directement à des données industrielles brutes.

D'après Emmanuelle Camus, la majorité des projets d'IA industrielle restent bloqués au stade du pilote pour trois raisons principales.

Les données industrielles sont complexes, cloisonnées entre systèmes, et rarement reliées entre elles — un obstacle de fond pour toute IA cherchant à en tirer des résultats fiables.

Les cas d'usage retenus pour les premiers pilotes sont souvent choisis pour leur effet démonstratif auprès des directions générales, plutôt que pour leur capacité à être reproduits sur d'autres sites — où les systèmes d'information diffèrent souvent d'un site à l'autre.

Faire collaborer les équipes opérationnelles, la maintenance, l'IT et la direction générale autour d'un même projet demande du temps. Deux scénarios reviennent fréquemment : des initiatives de terrain qui se heurtent ensuite aux exigences de sécurité et d'infrastructure de l'IT au moment de passer à l'échelle, ou des initiatives descendantes qui doivent, à l'inverse, construire la confiance des équipes terrain envers la donnée et les résultats produits.

Pour dépasser ces obstacles, Cognite recommande de construire d'abord un knowledge graph — un modèle sémantique reliant les différentes sources de données autour de chaque équipement. L'entreprise affirme rester agnostique sur le choix du modèle d'IA utilisé par ses clients : elle se positionne sur la structuration et l'exposition de la donnée, laissant aux clients le choix du modèle (LLM ou autre) le plus adapté à leur cas d'usage.

Pour illustrer la contextualisation, Emmanuelle Camus prend l'exemple d'une réservation de restaurant : le choix ne repose pas sur une seule information, mais sur un ensemble de données reliées (localisation, budget, avis, moyen de transport, temps de trajet). Transposée à l'industrie, une pompe se retrouve ainsi reliée à des données d'ingénierie, des modèles 3D, des plans, des données d'usage, des séries temporelles, des données de processus, des historiques de réparation et des ordres de travail. Cognite indique se connecter à environ une centaine de sources de données différentes (ingénierie et IT) pour donner ce contexte aux équipements industriels.

Cognite insiste sur une distinction importante : un modèle sémantique connecté aux seules métadonnées ne suffit pas. Il faut aussi pouvoir extraire l'information contenue à l'intérieur des documents eux-mêmes — par exemple, retrouver qu'une pompe référencée dans un schéma P&ID est également citée, sous une référence différente, dans un ordre de travail. Le positionnement revendiqué par Cognite est de réaliser ce travail de liaison à la fois au niveau OT, ingénierie et IT — la liaison OT-IT étant, selon Emmanuelle Camus, relativement répandue sur le marché, contrairement à l'intégration des données d'ingénierie, plus rarement adressée par les autres solutions.

Une fois ce socle de données structuré en place, Cognite recommande de se concentrer sur des cas d'usage à forte valeur ajoutée. Exemple cité : une analyse de cause racine (root cause analysis) peut consacrer 20 à 30 % du temps total à la seule recherche de données. Avec un modèle de données structuré et contextualisé, ce temps de recherche diminue fortement, libérant de la capacité pour développer des agents capables d'automatiser une partie de l'analyse — ces résultats pouvant ensuite alimenter des workflows déclenchant directement des actions.

Cognite déconseille une approche "big bang" et recommande de démarrer par un pilote opérationnel de 4 à 6 semaines, contextualisant les données d'ingénierie et d'IT sur un cas d'usage précis, déployé sur un actif donné. Une fois la valeur opérationnelle démontrée sur ce pilote, le déploiement s'étend progressivement à d'autres sites, en parallèle du développement d'autres cas d'usage inscrits dans une feuille de route de création de valeur. Cognite indique travailler avec des industriels dans des secteurs variés : pétrole (son secteur d'origine), chimie, papier, pharma et machines spéciales, avec des impacts généralement centrés sur l'optimisation de la production, la réduction des opérations de grande maintenance et l'amélioration de la productivité.

Cognite détaille le cas de TotalEnergies, client français ayant choisi de confier la gestion de la donnée industrielle de ses actifs upstream (exploration-production) à la plateforme Cognite. Le problème initial : la Total Digital Factory avait mis environ 8 ans pour déployer une partie de ses cas d'usage digitaux sur une dizaine de sites — un rythme jugé trop lent face à l'accélération de l'IA.

TotalEnergies a donc fait le choix, selon Cognite, d'un changement de paradigme radical autour de l'accès à la donnée, avec un programme démarré il y a environ un an, visant à déployer des cas d'usage digitaux à l'échelle sur 36 actifs, en commençant par deux sites en Afrique. L'objectif couvre l'ensemble de la chaîne de valeur : performance industrielle, production et maintenance. Contrairement à la majorité des clients de Cognite, qui démarrent généralement un pilote sur deux actifs avant d'envisager un déploiement plus large, TotalEnergies est directement passé à une logique de déploiement à l'échelle, avec une trajectoire ambitieuse : 9 FPSO (unités flottantes de production pétrolière) déployés d'ici fin 2026, avec une montée en puissance visant la couverture des 36 actifs d'ici 2028. Ce programme est présenté par Cognite comme le plus ambitieux jamais mené par TotalEnergies en matière de plateforme de données.

Cognite structure sa plateforme en trois niveaux : une fondation, Cognite Data Fusion, qui connecte les sources de données industrielles dans un knowledge graph (permettant de déployer un cas d'usage sur un nouveau site sans avoir à reconnecter chaque source de données individuellement) ; une couche agentique, Atlas AI ; et une couche de workflows, correspondant aux applications développées par les clients (souvent en low-code) pour exploiter les agents et améliorer leurs opérations.

Le message central de cette conférence est méthodologique : avant de chercher à automatiser des processus industriels avec de l'IA, il est nécessaire de structurer et de contextualiser la donnée sous-jacente, en reliant les informations d'ingénierie, d'IT et d'OT. C'est cette base de confiance qui permet ensuite de développer des cas d'usage à forte valeur et d'envisager, comme TotalEnergies, un déploiement ambitieux à l'échelle de l'entreprise.

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