Rares sont les témoignages industriels qui couvrent huit années de transformation avec un tel niveau de détail. Lors du Tech For Industry Show, Maxence Tilliette, Managing Director, Global Industry Lead Industrials — Supply Chain & Engineering (Accenture), Ludovic Doudard, General Manager Process & Digital Supply Chain (Renault Group) et Laurent Sidler, IT Leader Mirror Your Industry (Renault Group) sont revenus sur le parcours qui a mené le constructeur du data-driven aux jumeaux numériques pilotés par l'intelligence artificielle agentique.

Ludovic Doudard ouvre la session sur les défis structurels de l'industrie automobile : une concurrence mondiale en forte accélération (le volume de véhicules vendus en Europe par les constructeurs chinois aurait doublé en six mois), une volatilité des coûts énergétiques particulièrement marquée pour le secteur, une instabilité de la chaîne d'approvisionnement (Renault surveille 40 000 fournisseurs de rang N, avec au moins une alerte majeure par semaine nécessitant une cellule de crise), et une reconfiguration permanente des outils de production — illustrée par l'usine de Douai, qui produit plus de 1 000 véhicules par jour sur une seule ligne assemblant plusieurs modèles différents (Scénic, Mégane, R5, la petite Alpine A390, Micra).

Ces contraintes s'inscrivent dans le plan Future Ready de Renault, articulé autour de la réduction des coûts, de l'augmentation de la capacité des usines et d'un objectif de réduction de 50 % des incidents qualité côté client — un effort qui a permis à Renault de passer numéro 2 mondial sur les coûts de garantie et la vision qualité client, juste derrière Toyota et devant les constructeurs allemands.

Laurent Sidler détaille la première phase de la transformation, engagée depuis environ 2017-2018 et largement déployée depuis 2023.

Renault a fait le choix de construire ses propres solutions de collecte de données plutôt que de s'appuyer uniquement sur le cloud, jugé "trop tard, trop coûteux, voire impossible" pour structurer la donnée. L'entreprise a ainsi développé une bibliothèque de modèles de données de process ("data models") réutilisables : celui du vissage, par exemple, s'applique de façon identique aux 2 000 à 3 000 visseuses de marques différentes déployées dans les usines du groupe, capturant l'opération dans son ensemble (équipement, opérateur, poste de travail, couple appliqué, statut OK/pas OK) plutôt que la seule donnée brute de l'équipement. Renault dispose aujourd'hui d'environ 80 de ces modèles, avec une quinzaine supplémentaires en cours de création.

Concrètement, ces modèles sont déployés directement au pied des équipements, via un outil conçu en mode "drag and drop" développé avec un partenaire, pour une configuration qui prend de quelques minutes à 1-2 heures. La donnée remonte ensuite à l'échelle de l'usine puis, à 100 %, vers le cloud. L'edge computing reste utilisé pour les cas réellement temps réel (compteurs d'énergie, pilotage d'AGV), mais la majorité des cas d'usage industriels se satisfont d'un "temps pertinent" de l'ordre de quelques minutes à quelques heures, traité au niveau du cloud.

Sur les 25 usines du groupe, 25 000 équipements sont aujourd'hui connectés, générant environ 5 milliards de données quotidiennes (images, séries temporelles, données tabulaires). Cette base alimente notamment des salles de pilotage ("control towers") où les écrans peuvent être reconfigurés à la volée selon le sujet de la réunion en cours — qualité un instant, supply chain l'instant d'après — évitant les débats sur la fiabilité des chiffres pour se concentrer directement sur la résolution des problèmes.

Dès le départ, Renault a voulu donner l'accès aux outils data et IA directement aux équipes opérationnelles — maintenance, qualité, pilotes de ligne — plutôt qu'aux seuls data scientists. Environ 7 000 utilisateurs bénéficient aujourd'hui de cet accès en self-service. Un exemple marquant : le contrôle visuel automatisé par IA, avec un objectif de 500 contrôles par usine fin 2025 et 1 000 fin 2027, construit sur une plateforme interne (s'appuyant majoritairement sur des modèles standards) plutôt que sur des solutions achetées site par site — trop coûteuses et non scalables. À l'échelle de 20 usines produisant chacune environ 1 000 véhicules par jour, cela représente plusieurs millions de contrôles qualité automatisés.

Renault estime avoir généré plus de 120 millions d'euros de valeur grâce à cette approche data-driven, répartis entre énergie, maintenance, qualité, supply chain, rendement usine et surtout time to market — ce dernier point étant présenté comme le principal gisement de valeur restant, le rendement de montage étant déjà proche de 98 %.

Deux exemples concrets illustrent cette rupture : la réduction du temps de montée en cadence d'un nouveau modèle de 12 à 6 mois (sachant qu'un nouveau modèle de tôlerie mobilise environ 800 robots à recoordonner) ; et la réduction du délai de détection d'un défaut qualité de 2 mois à moins de 2 jours, grâce à un partenariat avec des entreprises de remorquage permettant de savoir en moins de 24 heures qu'un véhicule Renault est tombé en panne, combiné à un passeport numérique par véhicule permettant d'identifier précisément les véhicules à risque plutôt que de rappeler un million d'exemplaires.

Le socle data-driven mis en place, Renault s'est heurté à une limite : la majeure partie du manufacturing repose sur des systèmes "legacy" vieux de plus de 30 ans, complexes et lents à faire évoluer — un frein direct face à des besoins nouveaux comme le laser cladding (nouveau procédé de fabrication imposé par la réglementation européenne) ou la gestion logicielle de véhicules de plus en plus connectés.

Depuis trois ans, Renault travaille avec Accenture pour reconstruire ses systèmes autour de jumeaux numériques temps réel, pilotés par une ontologie industrielle — un modèle de données structuré reliant équipements, opérateurs et opérations. Ces nouveaux systèmes sont conçus pour être résilients (fonctionnement continu), conçus grâce à l'IA, et surtout ouverts à l'IA agentique pour interroger et modifier directement les systèmes de production.

Pour illustrer la démarche, les intervenants détaillent le déploiement d'une nouvelle ligne dédiée au dépôt d'une couche de revêtement sur des disques de frein (exigence réglementaire liée à la durabilité). Plutôt que de partir d'un corps modèle MES traditionnel mal adapté, la plateforme construite avec Accenture mobilise plusieurs agents IA spécialisés :

Résultat : un processus de ce type, qui aurait pris plusieurs mois avec les systèmes legacy, a été développé en cinq jours.

Lors d'une démonstration en simulation, les intervenants montrent un agent central appelé "Ask the Line", intégré au cœur du système plutôt qu'en périphérie, interrogé en langage naturel : l'épaisseur moyenne de dépôt mesurée à la station qualité, ou l'identification du goulot d'étranglement actuel de la ligne (la station de meulage, dans cet exemple). Un agent spécialisé propose ensuite des solutions (ajouter un opérateur, réduire le temps de cycle du poste précédent), qu'un opérateur humain valide — la validation reconfigurant alors dynamiquement le système, sans passer par des écrans de paramétrage manuel.

Interrogés sur l'organisation de cette transformation, Laurent Sidler et Ludovic Doudard insistent sur trois principes : une stratégie de groupe et non une initiative isolée, nécessitant l'alignement de l'ensemble des fonctions (pas seulement la production) ; une gouvernance à deux têtes, IT et métier, pour concilier exigence technique et vision métier ; et une orientation résolument tournée vers la valeur business, en priorisant les déploiements là où la demande métier est la plus forte, pour garantir la pérennité du programme.

Interrogés sur une possible prochaine étape — l'automatisation physique via des robots humanoïdes — les intervenants confirment un partenariat public avec Wandercraft, avec des robots humanoïdes déjà opérationnels sur le site de Douai. L'approche revendiquée est pragmatique et industrielle plutôt que démonstrative : un robot humanoïde en usine doit réussir au moins 999 cycles sur 1 000 et être capable de porter des charges lourdes pour être réellement industrialisable — avec, en toile de fond, un enjeu de souveraineté industrielle française sur cette filière.

Interrogés sur le temps qu'il faudrait pour refaire ce chemin aujourd'hui, les intervenants estiment que huit ans ne seraient plus nécessaires, grâce aux accélérateurs développés en cours de route — connectivité facilitée des équipements, outils self-service, outils de pilotage opérationnel. Ils soulignent enfin un point souvent sous-estimé : la transformation data-driven bouleverse aussi le rôle du management intermédiaire, pris entre des équipes terrain disposant d'un accès temps réel à la donnée et une direction disposant elle aussi d'une vision complète — d'où l'importance de continuer à valoriser le savoir-faire de terrain, que les futurs agents experts chercheront justement à capter pour la maintenance prédictive.

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