IA générative et agentique en usine : la démonstration Velotic sur SCADA et MES
Combiner intelligence artificielle et savoir-faire industriel accumulé de longue date : c'est la promesse portée par Laurent d'Izarny-Gargas, Regional Commercial Leader (Velotic), nouvelle marque présentée pour la première fois en France lors du Tech For Industry Show.
Velotic : une jeune marque, une longue expérience industrielle
Officiellement créée le 1er mars 2026, Velotic naît du rapprochement stratégique de Proficy, la marque de logiciels industriels issue de General Electric, et de deux produits reconnus de l'éditeur PTC : Kepware et ThingWorx. Malgré sa jeunesse en tant que marque, l'entreprise démarre avec environ 1 200 employés et près de 350 millions de dollars de chiffre d'affaires annuel, avec l'ambition de devenir un acteur indépendant de référence sur la donnée industrielle et le manufacturing.
Le portefeuille Velotic s'articule en trois couches : à la base, Kepware assure l'agrégation, l'extraction et la normalisation des données ; au niveau opérationnel, le MES Proficy Smart Factory, un historian de données, et deux SCADA reconnus du marché (Simplicity et iFIX) permettent d'exploiter ces données pour améliorer la performance ; enfin, ThingWorx constitue la couche d'intelligence supérieure — présentée non plus comme une simple "plateforme IoT" mais comme une "plateforme data IoT", conçue pour accueillir de l'intelligence artificielle et des agents au service d'applications métier, notamment la gestion des actifs industriels.
Un constat de départ : des attentes souvent irréalistes sur l'IA
Laurent d'Izarny-Gargas ouvre sa présentation sur un chiffre : selon une étude citée en conférence, 71 % des directeurs informatiques et technologiques estiment que leur direction générale a des attentes irréalistes concernant l'IA. Une situation qu'il attribue à la multiplication de pilotes et de preuves de concept, sans que le passage au déploiement industriel — qui exige un niveau de stabilité bien plus élevé — ne suive au même rythme, retardant d'autant la démonstration d'un retour sur investissement. Un mouvement de fond se dessine, selon l'intervenant, vers davantage de sélectivité dans le choix des cas d'usage à industrialiser, plutôt que la multiplication de pilotes dispersés.
Cinq obstacles récurrents à l'adoption de l'IA en usine
La conférence détaille les principaux freins observés :
- La donnée : de nombreuses usines reposent sur des automates anciens, dont les protocoles sont mal documentés ou peu maintenus, rendant l'extraction des données complexe.
- Le ROI : nécessité de définir des indicateurs clairs dès le départ, et de mesurer non seulement les bénéfices mais aussi les coûts d'intégration et d'exploitation, les modèles d'IA devenant de plus en plus coûteux à l'usage.
- L'adoption : une solution technique performante ne suffit pas sans formation, ergonomie adaptée et confiance des opérateurs et ingénieurs — l'accompagnement au changement reste déterminant.
- La sécurité, avec un focus particulier sur le risque de "data poisoning" : des données de production corrompues (mauvais rapports d'inspection, mesures de qualité erronées) peuvent influencer les décisions d'un agent IA, posant un enjeu de conformité des données autant que d'accès réseau.
- L'hétérogénéité de l'environnement IT/OT : machines anciennes, systèmes d'exploitation obsolètes. Velotic revendique une ambition de dialoguer avec l'ensemble des systèmes existants plutôt que d'imposer leur remplacement.
Trois étages de maturité de l'IA industrielle
Laurent d'Izarny-Gargas distingue trois strates technologiques, en notant qu'une quatrième pourrait apparaître à mesure que le domaine évolue rapidement :
- Le machine learning, déployé depuis une quinzaine d'années, initialement pour la maintenance prédictive, considérablement renforcé par l'arrivée des réseaux de neurones.
- L'IA générative, aujourd'hui largement utilisée pour retrouver de l'information auparavant difficile d'accès (manuels techniques, rapports, journaux d'événements SCADA) et permettre une interaction en langage naturel avec les systèmes industriels.
- L'IA agentique, qui encapsule les deux niveaux précédents dans des systèmes capables de choisir eux-mêmes la meilleure méthode pour résoudre un problème donné — encore à un stade précoce dans l'industrie, à l'exception de certaines "dark factories" déjà opérationnelles en Asie.
Des exemples concrets, du machine learning à l'IA agentique
Le machine learning a d'abord été utilisé dans la sidérurgie (optimisation des fours) puis dans la chimie de process (maintien continu de la meilleure corrélation entre paramètres, ou "centerlining"). Un exemple plus récent et moins attendu : une usine Nissan près de Nashville, aux États-Unis, utilise un outil d'analytique pour mesurer l'usure de ses robots à partir des couples de force mesurés à différents points, permettant d'anticiper l'usure des réducteurs. Côté IA générative, l'usage désormais courant consiste à permettre à un opérateur de retrouver rapidement, dans un manuel technique pouvant compter jusqu'à 2 000 pages, la solution à un problème identifié par la maintenance prédictive.
Démonstration 1 : une couche IA au-dessus du SCADA
Face à des SCADA capables de générer des dizaines, voire des centaines d'alarmes par minute lors d'un incident, Velotic présente une couche d'analyse supplémentaire — nommée Proficy Studio — positionnée au-dessus du système de contrôle, sans s'y substituer.
La démonstration illustre plusieurs capacités : l'IA organise automatiquement des données brutes et non structurées, issues de plusieurs SCADA (représentant potentiellement plusieurs usines), en une hiérarchie à quatre niveaux, en déduisant seule la structure de l'usine à partir des paramètres collectés — une proposition à valider et éditer par les équipes avant mise en production. L'outil permet également de visualiser les alarmes actives, d'y ajouter des commentaires et des éléments de résolution visibles par les opérateurs du SCADA, de comparer l'historique d'une alarme à différents indicateurs sur un graphique, et d'identifier des corrélations entre alarmes — par exemple, un problème de pression survenu 507 fois en même temps qu'un niveau bas sur un équipement donné. Une fois la structure de l'usine identifiée, l'IA peut générer automatiquement un écran de contrôle.
Démonstration 2 : dialoguer avec le MES en langage naturel
La seconde démonstration porte sur l'interaction entre un responsable de production et son MES (Manufacturing Execution System), système assurant le suivi de production en temps réel, la distribution d'instructions aux opérateurs, la collecte de données qualité et l'interface avec l'ERP.
Connecté à un assistant IA, le MES répond à des requêtes en langage naturel : lister les dix derniers arrêts de production avec leurs causes (avec des insights immédiats sur les arrêts en cours, les cas de surchauffe identifiés, ou l'absence de description pour certains événements) ; classer les 100 arrêts machine les plus significatifs par ordre d'importance sous forme d'analyse Pareto, révélant que les cinq causes principales — surchauffe, problème de démarrage, arrêt qualité — représentent 80 à 82 % des interruptions ; ou encore identifier les machines les plus et les moins performantes. L'intervenant souligne au passage un problème de fond révélé par cette analyse : l'absence de description de cause pour une large majorité des événements, symptomatique d'un enjeu de qualité de la donnée plus large.
Quatre recommandations pour déployer l'IA en production
Laurent d'Izarny-Gargas conclut par des recommandations pratiques : laisser aux équipes un espace d'expérimentation tout en gardant le contrôle, pour éviter de se retrouver avec des milliers de pilotes IA ingérables ; partir systématiquement d'un problème métier concret à résoudre plutôt que de chercher un cas d'usage pour justifier l'usage de l'IA ; considérer la qualité de la donnée comme la condition de base de toute IA fiable ; et ne jamais négliger le facteur humain, avec la nécessité de construire une véritable culture d'usage de ces outils au sein de l'entreprise.
La vision Velotic : combiner intelligence artificielle et intelligence authentique
La conférence se conclut sur le message central de Velotic : si les actifs industriels ont beaucoup de valeur, la plus grande richesse d'une entreprise reste, selon l'intervenant, l'"intelligence authentique" — l'expérience accumulée de longue date par les ingénieurs et les opérateurs. L'ambition affichée est de combiner cette intelligence humaine avec l'intelligence artificielle, selon une analogie empruntée à l'aéronautique : un mode "croisière", où des modèles jugés suffisamment fiables peuvent fonctionner avec une automatisation poussée (maintenance prédictive, ajustement automatique de l'ordonnancement), et un mode "décollage/atterrissage", où l'humain garde la main, assisté mais non remplacé par l'IA.
Ce qu'il faut retenir
Cette conférence illustre une approche pragmatique de l'IA industrielle : partir des irritants concrets du shop floor — alarmes SCADA trop nombreuses, arrêts de production mal documentés — plutôt que de l'IA elle-même, tout en gardant l'humain au centre du dispositif à travers la notion d'intelligence authentique.
Retrouvez l'intégralité de cette conférence, ainsi que les autres replays du Tech For Industry Show, sur notre page dédiée.
