Table des Matières
Les pilotes d'IA bloquent généralement après avoir réussi, pas avant. Un pilote prouve un modèle sur une ligne, avec une équipe motivée et des flux de données montés à la main. Le déploiement exige le même résultat sur chaque ligne et chaque site : pipelines automatisés, validation par ligne, gestion des modifications, postes formés, un responsable et un budget de fonctionnement.
Points clés
- Dans une enquête Gartner auprès de 644 organisations, moins de la moitié des projets d'IA ont atteint la production, et le passage du prototype à la production a pris environ huit mois en moyenne (CIO Dive).
- Le Forum économique mondial appelle le ralentissement qui suit les premiers succès le « Scaling Slump » : les solutions de données, de technologie, de talents et d'organisation qui fonctionnent au niveau d'une usine ne sont pas les mêmes au niveau du réseau (WEF, 2023).
- Un modèle qui fonctionne sur la ligne 1 peut perdre en précision sur la ligne 2. Le décalage de distribution peut dégrader sensiblement la précision des systèmes d'apprentissage automatique déployés (Koh et al., 2021).
- Exploiter de nombreux modèles similaires est un problème en soi : des ingénieurs de Google citent la mise à jour sûre et automatique de nombreuses configurations pour de nombreux modèles similaires comme une source de dette technique (Sculley et al., 2015).
- Planifiez le déploiement avant le début du pilote : critères de réussite par ligne, déploiement par étapes, gestion des modifications, et un marché et un budget qui couvrent les phases après le pilote.
Pourquoi un pilote réussi ne passe-t-il pas tout seul à l'échelle ?
Un pilote tourne sur la ligne la mieux instrumentée, avec un data scientist disponible et des ingénieurs qui veulent qu'il marche. Ces conditions ne se transportent pas.
Dans une enquête Gartner auprès d'organisations aux États-Unis, en Allemagne et au Royaume-Uni, moins de la moitié des projets d'IA ont atteint la production, et le premier obstacle était l'incapacité à estimer et à démontrer la valeur des projets d'IA (CIO Dive).
Le Global Lighthouse Network du Forum économique mondial, un réseau d'usines reconnues pour leur production avancée, décrit un second blocage après le « purgatoire des pilotes » : le « Scaling Slump », quand certaines entreprises reculent devant le coût potentiel de la réplication d'approches mono-site sur l'ensemble de leur réseau. Même ces usines de référence ont mis 10 à 20 mois pour mettre en œuvre leurs premiers cas d'usage (WEF, 2023).
Cet article traite de ce second blocage. Pour les problèmes qui arrêtent un projet plus tôt, comme un objectif flou ou des données non prêtes, voir pourquoi les projets d'IA industrielle échouent.
Qu'est-ce qui change entre un pilote et un déploiement à l'échelle de l'usine ?
| Dimension | Pilote | Déploiement à l'échelle de l'usine |
|---|---|---|
| Données | Exports ponctuels nettoyés à la main | Pipelines automatisés pour chaque ligne, avec des noms de tags cohérents |
| Modèle | Un modèle réglé sur une ligne | Un modèle par ligne, ou un modèle commun validé sur chaque ligne |
| Intégration | Un tableau de bord ou un tableur | Interfaces avec l'historian, le MES, le DCS ou l'ERP sur chaque site, à travers les zones de sécurité |
| Utilisateurs | Quelques volontaires | Chaque poste, sur chaque site |
| Support | Le data scientist qui l'a construit | Procédures écrites, un responsable nommé, une surveillance et un mode dégradé |
| Gestion des modifications | Souvent informelle | Revue formelle, procédures d'exploitation mises à jour et formation |
| Budget | Un budget de projet | Un budget de fonctionnement annuel |
Chaque ligne du tableau est un travail dont le pilote n'avait pas besoin. Aucun n'est du développement de modèle.
Pourquoi un modèle qui marche sur la ligne 1 échoue-t-il sur la ligne 2 ?
Deux lignes qui fabriquent le même produit sont rarement identiques. Les instruments diffèrent par la marque, l'étendue de mesure et l'étalonnage, les noms de tags diffèrent, et une ligne est plus ancienne, tourne sur un autre mix produit ou utilise la matière première d'un autre fournisseur.
L'apprentissage automatique est sensible à ces écarts. Le benchmark WILDS montre que le décalage de distribution, quand les données d'apprentissage diffèrent des données rencontrées en service, peut dégrader sensiblement la précision des systèmes déployés. L'un de ses exemples porte sur les écarts entre hôpitaux pour l'identification de tumeurs, l'équivalent médical du transfert d'un modèle vers un nouveau site. Sur chaque jeu de données, l'apprentissage standard a donné des performances nettement plus faibles hors distribution que dans la distribution d'origine (Koh et al., 2021).
Un second risque est le training-serving skew, un écart entre les performances à l'apprentissage et en service. Les Rules of Machine Learning de Google citent parmi ses causes une différence de traitement des données entre les pipelines d'apprentissage et de production, et recommandent d'enregistrer les variables utilisées en service pour s'entraîner dessus (Google). Sur une nouvelle ligne, un réglage d'interpolation différent dans l'historian ou une autre unité de mesure suffit à en créer un.
Une nomenclature commune réduit ce travail. ISA-95 vise à établir une terminologie commune et propose une hiérarchie d'équipements applicable aux industries discrètes, continues et logistiques (ISA). Une structure partagée site, zone, ligne et équipement permet au même pipeline de trouver les mêmes signaux partout. Nos articles sur l'unified namespace et OPC UA pour les data scientists présentent deux façons d'en construire une.
Pourquoi les pilotes artisanaux ne survivent-ils pas à la réplication ?
Des ingénieurs de Google qui ont étudié la dette technique des systèmes d'apprentissage automatique montrent que le code du modèle n'est qu'une petite partie de l'ensemble. Ils mettent en garde contre le « glue code », les « pipeline jungles » d'extractions et de jointures, et la configuration que les équipes peuvent traiter comme un détail, et notent que les systèmes matures peuvent faire tourner des dizaines ou des centaines de modèles simultanément, chacun avec des configurations à mettre à jour sans erreur (Sculley et al., 2015).
Un pilote se situe souvent au bas du modèle de maturité MLOps de Microsoft. Au niveau 0, les builds, les déploiements et l'apprentissage sont manuels, et le résultat est généralement un fichier de modèle unique transmis à la main. Les niveaux supérieurs automatisent l'apprentissage et le déploiement, relient chaque déploiement à ses données, et au niveau 4 laissent les signaux de dérive déclencher le réentraînement (Microsoft).
Un déploiement sur cinq lignes n'exige pas le niveau 4. Il exige en revanche un pipeline scripté, la gestion de versions du code, des modèles et de la configuration propre à chaque ligne, et un suivi centralisé de la précision. Sinon, chaque nouvelle ligne est un nouveau pilote.
Faut-il déployer ligne par ligne ou partout à la fois ?
Le WEF décrit trois stratégies de déploiement utilisées par les entreprises du réseau Lighthouse (WEF, 2023) :
| Approche | Fonctionnement | Adaptée à |
|---|---|---|
| Pilotée par la technologie | Un cas d'usage déployé sur de nombreux sites à la fois, piloté par une organisation technique centrale | Une IT centrale solide et des lignes de production similaires |
| Pilotée par les compétences | Un centre d'excellence package les cas d'usage et les pousse vers les sites ; un exemple portait sur l'optimisation énergétique de 32 sites | Des sites qui sollicitent l'appui et les adaptations d'une équipe centrale |
| Construire et répliquer | Un site est transformé d'abord, puis reproduit sur les autres un par un | De grandes usines qui fonctionnent de façon similaire |
Quelle que soit l'approche, déployez par étapes. Les ingénieurs SRE de Google définissent le canarying comme un déploiement partiel et limité dans le temps d'un changement, accompagné de son évaluation, ce qui suppose de pouvoir comparer les signaux du canari à ceux d'un groupe témoin (Google SRE). En usine, le sous-ensemble est la ligne suivante, le témoin correspond aux résultats de cette ligne sans le modèle, et le mode fantôme (shadow mode) est la première étape : le modèle tourne et il est évalué, mais personne n'agit encore sur ses résultats.
Le WEF décrit aussi l'« assetization », qui consiste à packager un cas d'usage pour le déployer rapidement. Agilent a regroupé des outils de vision par ordinateur avec des connecteurs vers le MES et les logiciels de test, des modes opératoires, de la documentation utilisateur et des guides de formation pour les opérateurs, et a déployé cinq nouvelles applications sur 57 centres de travail et 16 lignes de produits en moins de quatre mois (WEF, 2023). Packagez le cas d'usage, pas seulement le modèle.
Qui modifie les procédures, et qui valide ?
Un modèle qui change la façon dont les exploitants conduisent le procédé est une modification du procédé. Dans la réglementation américaine sur la sécurité des procédés, l'employeur doit disposer de procédures écrites pour gérer les modifications des produits chimiques, de la technologie, des équipements et des procédures, et le personnel concerné doit être informé et formé avant le démarrage. L'annexe non obligatoire cite les révisions de programmes informatiques et les modifications d'alarmes et de verrouillages parmi les changements couverts (29 CFR 1910.119). Les usines algériennes appliquent leur propre réglementation et leurs procédures internes, mais la logique reste valable : faites passer chaque nouvelle ligne par votre procédure de gestion des modifications (MOC) et vérifiez les exigences avec votre service HSE.
Des recommandations conjointes pilotées par la CISA demandent aux exploitants d'inventorier les composants d'IA, de journaliser leurs entrées et sorties, et d'intégrer les nouveaux états de défaillance des systèmes d'IA, y compris la façon de contourner ou de remplacer un système d'IA, dans les processus de sécurité fonctionnelle et de réponse aux incidents (CISA et al., 2025). Avec dix lignes, cela devient une vraie liste à tenir à jour. Notre article sur la cybersécurité OT quand on ajoute de l'IA couvre le volet réseau.
Il faut quelqu'un pour piloter tout cela. Près de 70 % des Lighthouses citent un bureau de transformation comme le plus critique des six leviers de passage à l'échelle identifiés par le WEF (WEF, 2023).
Comment budgéter et contractualiser le déploiement ?
Un pilote est financé comme un projet. Un déploiement a besoin d'un budget de fonctionnement pour la surveillance, le réentraînement, le support et le temps du responsable sur chaque ligne. Les Lighthouses prévoient généralement un délai de retour sur investissement d'environ deux ans et demi (WEF, 2023). Notre guide sur le coût d'un projet d'IA industrielle détaille les postes de coût.
Mesurez la valeur de la même façon sur chaque ligne. Le cadre du WEF prévoit de valider l'impact en suivant des indicateurs clés dans un format standardisé (WEF, 2023), ce qui répond à l'obstacle relevé par l'enquête Gartner.
Pour les acheteurs publics algériens, la loi 23-12 du 5 août 2023 encadre le marché :
- L'article 16 exige que les besoins soient déterminés avant le lancement de toute procédure et interdit de les fractionner pour échapper aux procédures d'appel à la concurrence.
- L'article 30 permet un marché comportant une tranche ferme et une ou plusieurs tranches conditionnelles lorsque des conditions économiques ou financières le justifient. Un pilote en tranche ferme et un déploiement en tranche conditionnelle correspondent à cette structure.
- L'article 13 soustrait les entreprises publiques économiques aux règles de passation de la loi, mais les oblige à adopter leurs propres procédures fondées sur ses principes.
Ceci est un résumé, pas un avis juridique. Faites valider votre cas par votre service des marchés et un juriste.
Que doit contenir un plan de déploiement ?
- Définir le périmètre du déploiement avant le pilote. Lister les lignes et les sites, et choisir une ligne pilote qui leur ressemble plutôt que la mieux équipée.
- Écrire un critère de réussite par ligne. Indicateur, référence, période de test et seuil de réussite, validés avec les responsables production et qualité de la ligne.
- Inventorier les écarts entre lignes. Instruments, noms de tags, fréquences d'échantillonnage, produits, matières premières et modes de marche.
- Automatiser le chemin des données. Extraction scriptée, nomenclature cohérente et gestion de versions du code, des modèles et de la configuration de chaque ligne.
- Packager le cas d'usage. Modèle, connecteurs, configuration, modes opératoires, supports de formation et procédure de mode dégradé.
- Déployer par étapes. Mode fantôme sur la ligne suivante, comparaison avec ses propres résultats, puis mise en service.
- Passer la gestion des modifications et former chaque poste avant chaque mise en service.
- Nommer des responsables. Un par site et un au niveau central, avec surveillance et critères de réentraînement. Voir la surveillance de la dérive des modèles.
- Financer les coûts de fonctionnement et contractualiser le déploiement comme une phase à part entière, pas comme un détail.
Ce que nous avons constaté chez KABAS AI
Nos deux projets publiés sont des déploiements de Virtual Lab en R&D, pas des déploiements sur des lignes de production, mais les deux études de cas décrivent une extension après le premier déploiement. ENAD Shymeca a suivi cinq étapes : découverte, configuration de la plateforme, intégration des données avec migration de l'historique des formulations, formation et adoption, puis optimisation continue. L'étude de cas fait état d'une réduction de 40 % des cycles d'essais physiques et indique qu'ENAD Shymeca continue d'étendre son usage de Virtual Lab à d'autres gammes de produits. ADFC étend son usage à d'autres applications de fluides de forage et types de projets, et les formulations validées sont structurées en données réutilisables pour les projets futurs.
L'enseignement pratique : ce qui se transfère vers la gamme de produits ou le site suivant, ce sont des données structurées et une méthode reproductible, plus que le premier modèle. Décidez tôt où le système tournera, car DALILE et Virtual Lab sont déployés sur l'infrastructure du client, et chaque nouveau site soulève les mêmes questions d'hébergement et d'intégration. Et gardez les experts du client au centre de chaque déploiement, comme expliqué dans constituer une première équipe data industrielle.
Par où commencer ?
Si un pilote a réussi et que le déploiement n'a pas commencé, rédigez le plan ci-dessus avant de financer quoi que ce soit d'autre. Une évaluation de maturité IA de chaque ligne cible montre où se trouvent les lacunes de données et de connectivité. Notre page industrie manufacturière présente les cas d'usage que nous traitons, et notre équipe conseil réalise des évaluations de maturité, l'identification de cas d'usage et des feuilles de route IA. Contactez-nous pour parler de votre cas.
Sources
- Wilkinson, Enterprises struggle to show the value of AI projects (enquête Gartner), CIO Dive, 17 mai 2024
- Forum économique mondial, Global Lighthouse Network: Adopting AI at Speed and Scale, décembre 2023
- Koh et al., WILDS: A Benchmark of in-the-Wild Distribution Shifts, arXiv 2012.07421, 2021
- Google for Developers, Rules of Machine Learning
- ISA, ISA-95 Standard
- Sculley et al., Hidden Technical Debt in Machine Learning Systems, NeurIPS 2015
- Microsoft, MLOps maturity model, Azure Architecture Center
- Google, Site Reliability Workbook, Canarying Releases
- 29 CFR 1910.119, Process safety management of highly hazardous chemicals (GovInfo, édition 2025)
- CISA, ASD's ACSC et al., Principles for the Secure Integration of Artificial Intelligence in Operational Technology, 3 décembre 2025
- Loi 23-12 du 5 août 2023 fixant les règles générales relatives aux marchés publics, Journal officiel n° 51 (copie FAOLEX)
Questions fréquentes
Quelle est la différence entre un pilote IA et un déploiement ?
Un pilote répond à une seule question : le modèle apporte-t-il de la valeur sur une ligne, avec une équipe, sous étroite surveillance ? Un déploiement rend ce résultat reproductible sur toutes les lignes et tous les sites, avec des pipelines de données automatisés, l'intégration aux systèmes de l'usine, des exploitants formés à chaque poste, la gestion des modifications, la surveillance et un budget de fonctionnement. L'essentiel du travail de déploiement se situe hors du modèle.
Combien de temps faut-il pour passer d'un prototype IA à la production ?
Une enquête Gartner auprès de 644 organisations, rapportée par CIO Dive en mai 2024, indique qu'il faut en moyenne environ huit mois pour passer du prototype à la production et que moins de la moitié des projets d'IA atteignent la production. Dans le rapport 2023 du Global Lighthouse Network du Forum économique mondial, les usines de référence ont mis 10 à 20 mois pour leurs premiers cas d'usage, et 75 % disent pouvoir désormais en déployer un nouveau en moins de six mois.
Peut-on réutiliser le même modèle sur toutes les lignes de production ?
Parfois, mais il ne faut pas le supposer. Les lignes diffèrent par leurs instruments, leurs noms de tags, l'âge des équipements, les matières premières et le mix produit, et les modèles d'apprentissage automatique perdent en précision quand les données qu'ils reçoivent diffèrent de leurs données d'apprentissage. Faites tourner le modèle en mode fantôme sur chaque nouvelle ligne, comparez-le aux mesures de référence de cette ligne, puis recalez-le ou réentraînez-le si nécessaire.
Faut-il déployer sur tous les sites en même temps ou un site à la fois ?
Cela dépend de la ressemblance entre sites et de l'endroit où se trouvent les compétences. Le Forum économique mondial décrit trois approches : un cas d'usage déployé sur de nombreux sites à la fois par une équipe centrale, un centre d'excellence qui package les cas d'usage et les pousse vers les sites, et une approche « construire et répliquer » qui transforme un site à la fois. Quelle que soit l'approche, déployez par étapes et vérifiez chaque étape avant la suivante.
Un outil d'IA doit-il passer par une revue de gestion des modifications ?
Si ses résultats changent la façon dont les exploitants conduisent le procédé, traitez-le comme une modification. Dans la réglementation américaine sur la sécurité des procédés, la gestion des modifications couvre les changements de technologie, d'équipements et de procédures, et les recommandations non obligatoires citent parmi les exemples les révisions de programmes informatiques et les modifications d'alarmes et de verrouillages. Appliquez la procédure de votre entreprise et les exigences algériennes, et validez avec votre service HSE.
Comment un acheteur public algérien peut-il contractualiser un pilote suivi d'un déploiement ?
La loi 23-12 du 5 août 2023 relative aux marchés publics exige que les besoins soient déterminés avant le lancement de la procédure et interdit de les fractionner pour échapper aux procédures d'appel à la concurrence. Son article 30 permet des marchés comportant une tranche ferme et une ou plusieurs tranches conditionnelles, ce qui convient à un pilote suivi d'un déploiement. Les entreprises publiques économiques appliquent leurs propres procédures fondées sur les principes de la loi. Faites valider votre cas par un juriste.



