60 % des entreprises industrielles dans le monde évaluent l'IA — mais 5 % seulement ont des cas d'usage déployés à l'échelle, avec des gains de productivité réellement mesurés. C'est sur ce constat, tiré d'études du MIT, que s'est ouverte cette table ronde du Tech For Industry Show 2026 (Paris Expo Porte de Versailles), animée par SAP et réunissant Sanofi, Forvia et l'association Elles Bougent avec Benoit Tournier, Diane Melul, Youssef Benzakour et Valérie Brusseau. Au menu : les cas d'usage qui ont fait leurs preuves, les freins réels au passage à l'échelle de l'IA agentique, et les accélérateurs pour y parvenir.

Sanofi se revendique entreprise « driven by AI », un cap fixé par le CEO il y a 6-7 ans qui a profondément changé la culture interne. Le concept clé : la « snackable AI » — une IA utilisable par tous, tout le temps. Résultat : plus de 30 000 utilisateurs quotidiens des applications IA du groupe, soit un tiers des 90 000 salariés.

Côté supply chain, la prévision de vente combine le forecast statistique classique, l'ensemble des données internes et des données exogènes — y compris les ruptures de stock des concurrents, publiées par les autorités de santé. Le modèle se rapproche d'un fonctionnement « zero touch », là où l'enrichissement se faisait auparavant manuellement.

Sur l'agentique, Sanofi avance délibérément par paliers : rester sur la proposition avant de passer à l'autonomie de l'agent. Exemple : un corrélateur surveille les retards de livraison de l'ensemble des fournisseurs sur les 38 sites de production et détecte les signaux faibles à l'échelle du groupe. L'utilisateur garde la main, s'habitue, comprend — avant, un jour, de laisser le système anticiper seul un ajustement de lead time ou le placement d'une commande. « Ça prend du temps, et ça fait partie de l'adhérence au système. »

Chez l'équipementier automobile, l'IA est à la fois ancienne (machine learning pour l'inspection qualité par vision et par son depuis plus de 5 ans) et nouvelle : la plateforme de données du groupe compte 20 000 utilisateurs quotidiens, dont 2 000 à 3 000 sur les cas d'usage OEE et rebuts, avec des compagnons IA intégrés aux dashboards — au point que des bibliothèques de prompts s'échangent entre utilisateurs.

Mais l'intervenant Forvia pose un avertissement, en citant une intervention d'Arthur Mensch (Mistral AI) à l'Assemblée nationale : la productivité de l'IA pour un développeur atteint 50 à 60 % ; à l'échelle d'une équipe de deux-trois personnes, elle tombe à 10-15 % ; à l'échelle de l'organisation, elle disparaît. La satisfaction utilisateur est là, la valeur ne l'est pas encore — tout l'enjeu est de se réorganiser pour aller au bout de « l'euro gagné ».

Forvia concentre ses efforts sur trois sujets : la planification et l'ordonnancement — fiabiliser les prédictions, simplifier par l'IA le paramétrage d'outils de scheduling complexes pour les relancer plus fréquemment, et à terme centraliser la fonction hors des usines ; la maintenance — 5 000 machines réparties sur 35 catégories de technologies, une expertise devenue rare, et un objectif sponsorisé par le ComEx de réduire le MTTR (temps moyen de réparation) de 50 % ; et la donnée pour la performance, avec une frontière clairement énoncée : passer de l'analyse à l'action automatique, sans passer par l'humain.

Avec sa double casquette d'ancienne industrielle de l'automobile et de présidente d'Elles Bougent, la troisième intervenante apporte l'angle conception : là où le développement d'un côté de caisse (conception, calculs de R&D et de fiabilité) demandait des boucles de 3 semaines, l'IA permet une première conception en 48 à 72 heures. Autres gisements : la génération automatique de premiers drafts de réponses aux appels d'offres constructeurs, et la maintenance préventive par IoT. La frontière suivante : la conception sans prototype physique — supprimer les prototypes de validation (radiateurs, phares, boucliers) et digitaliser des essais aussi coûteux que les crash tests.

Le frein n°1 cité par tous : la donnée — mais avec une grille de lecture précise. Côté « contenant », l'enjeu est l'ontologie, le dictionnaire commun des données : un LLM peut compenser des incohérences de nommage sur un POC, mais se perd à mesure que l'on scale. Forvia en tire une conséquence radicale : son futur MES est construit autour d'un « cerveau » dédié à la gestion de l'ontologie des opérations, en s'appuyant sur des standards documentés comme ISA-95 — sur lesquels les LLM ont été entraînés.

Formule volontairement provocante entendue sur scène : « il ne faut pas travailler sur la qualité des données, il faut travailler sur ce qui la génère » — c'est-à-dire les systèmes (ERP, MES, PLM) et la profondeur réelle de leur utilisation. « L'IA ne comprendra pas que vous faites 50 % du process dans l'ERP, mais que la partie importante se passe dans le coup de fil de Paul à Jacques. » Chez Sanofi, l'héritage de plus de 180 acquisitions a imposé d'agréger la donnée dans un data lake (Snowflake), et la migration vers SAP S/4HANA — également en cours chez Forvia — est vue non comme un projet technique, mais comme une opportunité d'harmonisation des processus. Sanofi expérimente aussi le self-healing de master data : une IA qui apprend des corrections pour automatiser le réajustement en masse des safety stocks et lead times, avec vérification humaine. Et un principe pragmatique : viser la donnée « good enough to proceed » plutôt que la perfection qui empêche de se lancer. Côté SAP, la réponse architecturale s'appelle Business Data Cloud : du partage de données en « zéro copie » pour éviter les exports à plat qui font perdre le contexte de la donnée.

Deux autres freins : la confiance dans l'outil — à quel moment l'utilisateur accepte-t-il de lâcher le contrôle à un agent ? — et la confidentialité (brevets, données sensibles). La présidente d'Elles Bougent ajoute un angle rarement traité : l'IA non genrée. Seules 17 % des personnes travaillant dans l'IA sont des femmes, alors qu'il a été observé qu'à partir de 23 % de femmes dans une équipe de data scientists, l'efficacité opérationnelle augmente d'environ 40 % — et que plus de 70 % des actes d'achat automobile sont décidés par des femmes. Se priver de ces talents, c'est se priver de compétitivité.

À rebours du réflexe consistant à « changer les gens en bas de l'échelle », les deux industriels convergent : la formation commence par le haut. Chez Sanofi, un programme d'apprentissage de l'IA conçu avec HEC a été suivi d'abord par le ComEx, puis descendu strate par strate jusqu'aux N-5. Chez Forvia, des binômes de reverse mentoring associent digital natives et dirigeants — pour que ceux qui pousseront l'IA en comprennent les avantages comme les limites, et formulent des demandes réalistes.

Le programme Simplify de Forvia, lancé par son nouveau CEO, fait de l'IA un pilier de la simplification des process — jusqu'à oser la question : a-t-on besoin d'autant de strates managériales quand l'IA fait circuler l'information et accélère la décision ? Chez Sanofi, un pool de développeurs IA baptisé « l'Accélérateur » fonctionne comme une start-up interne : chacun peut venir pitcher un business case, livré en quelques semaines. Et 80 % du support informatique est déjà assuré par un agent. La conclusion tient en une phrase : « De toute façon, ça va se faire. La question, c'est : avec ou sans nous. »

Dernier accélérateur, humain : la culture du discernement. Pour l'utilisateur — que faire de ce que dit la machine, comment le critiquer ? Pour le décideur — dans un monde où l'information abonde, c'est la qualité de l'information et le discernement qui deviennent capitaux. Le principe directeur de la table ronde : « l'IA propose, l'humain dispose » — l'agent produit des scénarios, l'humain garde l'arbitrage stratégique et la responsabilité.

Qu'est-ce que l'IA agentique ? Une étape au-delà de l'IA prédictive : des agents capables d'analyser un contexte, de produire des scénarios classés par gain potentiel, voire de déclencher des actions — l'humain restant dans la boucle de décision (« l'IA propose, l'humain dispose »).

Pourquoi si peu de projets IA passent-ils à l'échelle ? Selon les études citées (MIT), 60 % des industriels évaluent l'IA mais 5 % seulement mesurent des gains à l'échelle. Causes principales évoquées : workflows non harmonisés, données sans ontologie commune, systèmes sources (ERP, MES, PLM) mal utilisés, et gains individuels qui se diluent à l'échelle de l'organisation.

Par quoi commencer pour fiabiliser ses données pour l'IA ? Par les systèmes qui les génèrent : structurer une ontologie commune (standards type ISA-95), faire en sorte que le vrai travail se passe dans les systèmes, et viser une donnée « good enough to proceed » plutôt que la perfection.

Faut-il laisser les agents IA agir en autonomie ? Progressivement : l'expérience Sanofi plaide pour rester d'abord en mode « proposition », le temps que les utilisateurs comprennent le fonctionnement et construisent la confiance, avant de déléguer des actions automatiques.

Cette table ronde a été enregistrée lors du Tech For Industry Show 2026, le salon B2B de la transformation industrielle (Smart Manufacturing, IA, Supply Chain) à Paris Expo Porte de Versailles. Retrouvez l'intégralité des échanges en vidéo ci-dessus, et rendez-vous les 19 et 20 mai 2027, Hall 7, pour la prochaine édition.