Réindustrialiser par l’intelligence artificielle

1. Introduction

J’ai eu la chance de participer le 4 novembre aux Assises de l’Industrie, organisée par l’Usine Nouvelle, pour discuter de « IA, automatisation, robotique, technologies critiques » en compagnie de Virginie Dominguez et de Habib Massaoudi.  Ce fut une journée très riche, que je ne vais pas résumer ici, marquée par les thèmes de la résilience (géopolitique) et la souveraineté, par l’importance des écosystèmes et de la digitalisation comme étape qui définit le terrain de jeu de l’IA (une idée que je développe souvent dans ce blog et qui était très bien illustrée par François Provost, le CEO de Renault). Il a été beaucoup question de modularité et de plateformisation, celle-ci étant essentielle pour combiner agilité et réduction des coûts. Cela m’a fait repenser à une conférence brillante de Romain Taillade, le CTO de Decathlon, qui nous avait dit « platformize before you agentize ».  J’ai également apprécié la présentation de Michaël Valentin, ce qui m’a fait acheter son dernier livre, « industrie : faire de l’incertitude une force », sur lequel je reviendrai prochainement.

Pour ma part, j’ai puisé les principales idées que j’ai présentées pendant la table ronde de l’ouvrage « Réindustrialiser par l’intelligence artificielle – l’IA agentique pour augmenter les humains et les entreprises », paru le même jour. Ce livre propose de présenter une vision de l’intelligence artificielle et de ses usages en partant de l’usine, de son application au manufacturing. C’est l’occasion de découvrir différentes générations d’IA, depuis les outils d’optimisation jusqu’à l’IA générative, en passant par le machine learning, la vision par ordinateur et l’hybridation avec des jumeaux numériques. Je propose ensuite une introduction à l’approche agentique, qui est une façon d’utiliser la puissance des LLM pour faire beaucoup plus que de la gestion de connaissance. Je termine avec un chapitre sur l’approche « software-driven » : pourquoi le « digital manufacturing » a besoin d’excellence logicielle pour permettre de profiter des progrès de l’IA ? Ce dernier point devient circulaire lorsqu’on réalise que l’IA générative et surtout l’approche agentique révolutionne la façon de produire du logiciel. Ce livre, dans la collection Débords, est un « petit livre » (120 pages, petit format façon « que sais-je ») qui m’a demandé de faire des choix éditoriaux et d’aller à l’essentiel. C’est à la fois un ouvrage de vulgarisation destiné à un public large, un témoignage sur la capacité transformative de l’intelligence artificielle, et un essai sur la place de l’IA dans la réindustrialisation de la France. J’ai écrit ce livre pendant la convalescence d’une grosse opération, en conséquence il y a une importante part personnelle : raconter ce que j’ai contribué à faire dans le domaine du manufacturing et partager ma vision pour le futur, à court-terme.

Ce court billet est consacré à dix idées clé du livre, en se concentrant sur ce qui est plus saillant et tiré de mon expérience. Par construction, un livre de vulgarisation sur l’intelligence artificielle contient un certain nombre de lieux communs ; ici je vais essayer de dégager ce qui me semble le plus important. Ce billet est organisé en trois parties : la taxonomie de l’intelligence artificielle (au sens large), ce que les entreprises doivent faire dans le développement de leur stratégie IA, et un approfondissement des liens entre IA et développement logiciel. Ce dernier sujet évolue tellement rapidement qu’il s’agit d’une analyse de 2026, que je relirai avec curiosité en 2030. Les lecteurs du livre vont constater que les illustrations sont petites et pas toujours faciles à lire. Les trois figures que j’utilise dans ce billet sont tirées de la version couleur disponible ici. C’est aussi une autre façon de vous faire une idée sur le contenu du livre.

2. De quelle intelligence artificielle parle-t-on ?

La première idée importante en cette époque où les médias confondent IA et AI générative, c’est de redire qu’il existe de multiples formes d’IA, qui se sont ajoutées les unes aux autres et qui se combinent. C’est particulièrement important lorsqu’on veut parler des externalités négatives de l’IA (sur la planète, sur l’emploi, sur nos capacités cognitives humaines), il faut préciser de quelle IA on parle et surtout de quel usage. La figure suivante, un peu compliquée je l’admets, est une extension de la « boîte à outil » introduite dans le rapport de l’ADT en 2018 . Cette figure est organisée en quatre quadrants, celui en bas à gauche est précisément la vision de 2018, organisée selon le type de question et la quantité de données disponibles. Le quadrant en bas à droite correspond à l’irruption de l’IA générative (zoom sur la bulle rouge), pour souligner les dimensions multiples de l’IA générative. Je vous renvoie au livre, mais un système d’IA générative aujourd’hui est beaucoup plus qu’un LLM. Le quadrant en haut à gauche est un aperçu du domaine « jumeaux numériques augmentés » qui est la poursuite du thème « simulation et IA » de la vision 2018. Le quadrant en haut à droite illustre (tant que faire se peut) le concept fondamental de l’hybridation des différentes formes d’IA. Il faut savoir utiliser l’ensemble de la boîte à outil et ses différentes hybridations. C’est ce que l’on voit chez Michelin, mais également chez DeepMind, des générations de techniques qui se renforcent.

Pour un utilisateur grand-public, il y facilement assimilation entre « IA » et l’outil qu’il utilise (de GPT à Claude) ; dans le monde de l’entreprise, l’IA est un réseau (mesh) de capacités, portés par des logiciels, internes ou externes (as a service).

 

Une autre erreur fréquente est de considérer les agents comme la nouvelle évolution technique de l’IA générative, alors qu’il s’agit d’une discipline d’ingénierie qui permet de construire des solutions fiables et répétables malgré la nature non-déterministe et hallucinatoire des LLMs. Le concept d’agent est ancien en informatique, il permet d’utiliser des principes de décomposition, de redondance et d’externalisation (vers des outils) pour construire des structures d’agents (réseaux, pipeline, essaim) qui acquirent des propriétés collectives (fiabilité et précision) que n’ont pas les agents individuellement. C’est d’autant plus important que les LLM « ne scalent pas » sur les tailles de contextes : ils ont une zone de fonctionnement optimal (en dizaines de milliers de tokens) et une dégradation (augmentation du taux d’erreur ensuite). Je vous renvoie, entre autres, au Stanford AI Index 2026 : lire, page 86, la section « The Gap Between Long Context Windows and Deep Understanding ». Le harnessing, c’est précisément la pratique qui définit le système d’agent à utiliser pour résoudre un problème complexe à partir de tâches élémentaires. Il peut être simple, lorsqu’il d’agit de « vibe-coder » une application qui ressemble à des milliers d’autres, ou il peut être complexe, pour résoudre un problème ouvert de mathématique ou mener une cyber-attaque contre une cible bien protégée. La discipline de harnessing relève du system engineering, c’est une démarche qualité qui est l’amie de la maîtrise des coûts et de l’inflation du budget tokens.

La troisième idée importante est qu’une IA fondée entièrement sur les données n’est différenciante que si vous avez des données uniques (ce qui est rare), alors qu’une approche de simulation intelligente autour d’un jumeau numérique est un outil de capitalisation de savoir-faire unique. Sans surprise, Morgan Zimmerman de Dassault Systèmes, avait exprimé la même conviction dans sa keynote juste avant notre table ronde le 4 novembre. Il ne s’agit pas d’opposer les deux (cf. Le début de cette section et la Figure 1), chez Michelin nous avons à la fois des données uniques et des modèles causaux qui encapsulent un savoir propre. Il s’agit plutôt de souligner que pour réaliser des grands défis et explorer des domaines nouveaux, les modèles fondés sur les corrélations des données passés ne suffisent pas, j’y reviens dans la section suivante. Pour inventer les produits de demain – dans le cas de Michelin, un pneu « tout durable » dont les composants sont entièrement recyclés ou biosourcés de façon durable – l’utilisation de jumeaux numériques est à la fois une façon d’explorer (beaucoup) plus vite donc plus loin, et de capitaliser de façon rapide et fiable la compétence collective.

 

Pour finir, l’intelligence artificielle est un outil essentiel pour le manufacturing car c’est un « absorbeur de complexité », dans le sens ou intelligence signifie savoir d’adapter dynamiquement à des variations de l’environnement. Cette notion d’absorbeur de complexité, que j’ai traitée dans mon livre précédent et dans ce blog, est multiple. Absorber la complexité, c’est permettre de travailler à un niveau supérieur d’abstraction, parce que les « détails » du niveau inférieur peuvent être automatisés (cf. la citation célèbre de Whitehead : « la civilisation avance en augmentant le nombre d’opérations que nous sommes capables d’accomplir sans réfléchir »). Absorber la complexité, c’est également réduire la variabilité qui est l’ennemi du pilotage des systèmes complexes (cf. l’approche lean du manufacturing). Il ne s’agit pas de réduire la variabilité qui vient de l’extérieur, elle est inévitable et augmente dans un monde de plus en plus complexe, et avec l’ambition des tâches que nous souhaitons accomplir. Il s’agit de réduire l’amplitude et la profondeur de sa propagation dans les systèmes internes. L’IA est également un absorbeur de complexité car c’est un « accélérateur d’apprentissage » (transforme des connaissances statiques que l’on doit ingurgiter en connaissances dynamique qu’on peut questionner)

3. l’Intelligence Artificielle dans l’entreprise    

De nombreux auteurs et de nombreuses études ont constaté que l’IA générative est un amplificateur de compétences. La réindustrialisation suppose de se battre avec les bonnes armes dans la compétition mondiale : il faut utiliser l’IA comme un amplificateur de savoir-faire métiers uniques et différenciants. C’est une des thèses importantes du livre : développer avec l’IA des savoir-faire « augmentés » qui s’appuient sur les pratiques et des expériences humaines, est une façon de créer une différenciation durable. La première raison est que l’approche inverse – popularisée par les « dark factories » sans humains en Chine – est plus facilement accessible à des acteurs plus efficaces, moins contraints et plus technophiles, comme précisément la Chine, j’y reviendrai en conclusion. La seconde raison est que les domaines nécessitent l’amplification -  le travail en centaure : l’homme avec la machine – sont précisément les domaines complexes pour lesquels l’automatisation complète n’est pas la meilleure approche. La complexité du monde fait que ces domaines sont nombreux (cf. Whitehead, cette frontière s’étend au fur et à mesure de notre développement) et que leur difficulté est précisément ce qui les rend créateurs de valeur (là ou l’automatisation complète produit souvent des « commodités »).

Comme cela a été brillamment expliqué de façon répétée par Yann Lecun, une véritable intelligence s’adapte à des situations imprévues par ce qu’elle s’appuie sur des modèles causaux du monde (de l’environnement dans lequel l’IA opère). Il faut donc savoir utiliser l’IA en complément de jumeaux numériques (simulation augmentée par l’IA) parce que ces jumeaux sont des modèles causaux d’une partie du monde. En attendant que les IA de demain contiennent les « world models » nécessaires, la construction de jumeaux numériques, fondés sur des équations mathématiques qui représentent des raisonnements causaux des mondes physiques, chimiques ou biologiques, est la façon naturelle de représenter de façon numérique la connaissance métier accumulée par l’entreprise. J’aime la formulation de Grady Booch qui dit que l’IA générative donne un accès simple et rapide à l’état de l’art de ce qui a déjà été fait de façon répétée.  Pour faire ce qui n’a pas encore été fait, il faut des formes différentes d’IA et il faut faire des simulations (il faut aussi, le plus souvent, faire des tests, mais plus on fait de simulations, moins on doit faire de tests physiques qui sont plus longs et plus coûteux). La figure suivante représente comment les multiples formes d’IA contribuent au manufacturing dans une usine moderne.  Cette figure permet de comprendre que les générations d’IA successives ne se remplacent pas mais se renforcent. L’IA générative et sa déclinaison agentique offrent une nouvelle façon d’exploiter plus facilement, et plus profondément, la puissance des capacités élémentaires des IA précédentes.

La Chine est le pays dont la stratégie IA devrait nous inspirer, par sa capacité à s’adapter et à dépasser des contraintes (il faut relire « AI Super Powers » de Kai-Fu Lee). Il faut également, pour les entreprises, relire François Jullien  et construire des « stratégies intelligence artificielle hybrides » qui combinent une approche volontariste et « top-down » appliquée à la construction des capacités et une approche « bottom-up » émergente, qui butine le vaste espace des opportunités là où elles se trouvent, sur le terrain. L’exemple de la Chine est véritablement inspirant car il illustre la tension de cette approche hybride. La création de valeur émerge de décisions construites sur le principe de l’affordable loss, tandis que les infrastructures exigent planification et investissements importants. L’exploration démultiplie les capacités de détection, mais la capitalisation à l’échelle exige la standardisation. La stratégie « top-down » pose les défis pour orienter la cristallisation émergente, et elle crée les conditions de succès (potentiel de situation pour reprendre les termes de François Jullien) par les infrastructures et les moyens. En revanche, le maître mot de l’approche bottom-up est l’agilité (résister aux tentations du retour-sur-investissement et des roadmaps, encore plus à celle de l’accélération, puisque, comme nous le rappelle François Jullien, « on ne fait pas pousser une plante plus vite en tirant sur sa tige »).

 

4. IA Agentique et logiciel

 Puisque le déploiement de l’IA dans l’entreprise s’appuie majoritairement sur le logiciel, l’excellence d’une stratégie IA repose sur l’excellence logicielle, savoir produire et assembler des solutions logicielles en flux continus, avec une latence minimale et une qualité optimisée. On reconnait ici la thèse du livre fondateur, « Accelerate : Building and Scaling High-Performance Technology Organizations », de Forsgreen, Humble et Kim, qui explique que la création de valeur est liée à l’excellence du « pipeline logiciel ».  Il faut devenir une « software-driven company » (au sens que nous utilisons chez Michelin) pour profiter pleinement de la vague exponentielle de progrès de l’intelligence artificielle. C’est une condition essentielle pour que l’approche “digital manufacturing” permette à l’entreprise d’augmenter sa compétitivité et augmenter son agilité (son adaptation rapide à un environnement qui change sans cesse). On retrouve cet impératif de repenser sa stratégie de production pour être résilient et agile dans le livre de Michaël Valentin que j’ai cité en introduction. Autrement dit, pour tirer parti des bénéfices de l’IA décrits dans ce billet, il faut être une « organisation exponentielle », et cela passe par la maîtrise et l’excellence des méthodes de développement modernes (et oui, elles changent constamment, en particulier à cause de l’IA).

 

L’intelligence artificielle joue quatre rôles clés dans le développement du logiciel : assistance, production, remplacement et exploration ; il faut savoir jouer avec ces quatre approches et s’adapter en fonction du contexte de l’entreprise et des progrès constants de la technologie. La figure suivante, le « poisson » que j’ai partagé de nombreuses fois, reprend ces quatre façons d’utiliser l’IA pour produire du logiciel : (a) assistance pour ce qui exige un « centaure » à cause de la barrière de complexité – cf. la question de la taille du contexte évoquée plus haut (b) production du code sous forme de pipelines d’agents, en utilisant le harnessing (c) capacité de traitement de l’IA qui peut de substituer à des logiciels existants, en particulier en front-office pour l’interaction (d) exploration, remplacer du code par des artefacts jetables … qui peuvent ensuite rejoindre le reste du système d’information si l’intérêt devient durable. Les quatre rôles ne sont pas fixes : au fur et à mesure du progrès des IA génératives, ce qui peut se faire automatiquement, et de façon fiable, augmente. Mais il est utile de penser à ces quatre approches pour maximiser la valeur que l’on peut tirer de la technologie à un instant donné, sans être naïf ni conservateur.

Cette figure du poisson cache une conviction, celle que l’IA générative ne remplace pas l’ingénierie des systèmes, mais décuple sa portée en permettant de monter en abstraction. Cette conviction est double (les deux premières parties du poisson). Premièrement, nous allons continuer à construire des systèmes, de plus en plus complexes, qui nécessiteront des architectes humains. Dans l’état actuel de la technologie, et en fonction de ma cohabitation fréquente avec GPT et Claude, je ne vois pas « le squelette disparaître ». Et ce travail est précisément le rôle des informaticiens, car « décrire des systèmes, c’est programmer » (je dirais même « élever des systèmes comme points fixes de processus adaptatifs, c’est programmer »). Deuxièmement, le harnessing qui fait que la partie « muscle » du poisson se construit par l’IA est également une forme de programmation. Le langage naturel remplace une bonne partie des précédents langages de programmation, mais d’autres formes d’abstractions (mathématiques, graphes de connaissances, schémas d’architecture, etc.) cohabitent pour faire du harnais un nouveau type de programme. Au moment où j'écris ces lignes, je suis convaincu que nous continuerons à produire du logiciel et à construire des systèmes. Compte-tenu de l’inertie et de la viscosité des processus d’entreprise, je pense que cette affirmation a au moins 10 ans de durée de vie.

5. Conclusion

Le titre du livre parle de la réindustrialisation de la France. Sans rentrer dans le détail d’un sujet aussi sensible, il me semble que cette réindustrialisation est possible, souhaitable et difficile. L’intelligence artificielle n’est pas le cœur de la réindustrialisation, il s’agit plutôt d’un sujet de souveraineté et de volonté politique, mais c’est un angle intéressant d’exécution. Je termine ce billet avec un court résumé de la conclusion du livre, qui représente ma modeste contribution au débat du moment.

Réindustrialiser par l’intelligence artificielle exige une stratégie de long terme, fondée sur trois piliers complémentaires : le renforcement des compétences d’ingénierie, l’investissement dans les infrastructures technologiques (systèmes d’information, données, logiciels, simulation et IA) et l’articulation entre une vision stratégique affirmée et une exploration décentralisée des opportunités. Pour l’Europe, l’IA représente une occasion de retrouver une compétitivité industrielle et de renforcer sa souveraineté, à trois niveaux : protéger les savoir-faire stratégiques par des solutions véritablement souveraines, réduire les dépendances technologiques en développant un écosystème européen de logiciels et de services IA, et surtout retrouver un leadership dans le manufacturing intelligent. Plutôt que de concentrer ses efforts sur la seule course aux grands modèles de langage ou à l’automatisation intégrale, l’Europe doit valoriser ses atouts historiques : excellence scientifique, ingénierie des systèmes complexes, maîtrise des procédés et de la qualité. L’avenir industriel repose sur la combinaison de ces compétences avec les jumeaux numériques, la simulation et les différentes formes d’IA, au sein d’écosystèmes ouverts, innovants et capables de prendre des risques.

La souveraineté numérique européenne gagne à être abordée comme un problème systémique et écosystémique, et non comme une simple question de maîtrise technologique. L’industrie numérique est structurée par des chaînes de valeur complexes, des dépendances multiples et des boucles de renforcement qui favorisent l’accumulation des positions dominantes. Le décrochage européen résulte de notre incapacité à faire émerger et grandir des champions numériques, pour des raisons à la fois économiques, réglementaires et culturelles. Les recommandations du rapport Draghi, prolongées par les travaux de Philippe Aghion, constituent un socle indispensable : moins de réglementation, davantage d’investissement en R&D et un environnement plus favorable à l’innovation. Mais il faut également combattre l’aversion au risque, particulièrement forte dans le logiciel d’entreprise, et une culture qui privilégie trop souvent la conceptualisation sur l’expérimentation. Les réponses sont bien sûr différentes pour le marché grand public, dominé par les plateformes, et pour le marché des entreprises, où les logiciels et les systèmes d’information jouent un rôle central. La souveraineté, me semble-t-il, doit se construire par niveaux de résilience, en explorant notamment les voies technologiques alternatives illustrées par la Chine, plutôt que de rechercher systématiquement une autonomie intégrale. Enfin, les investissements dans les infrastructures de calcul doivent s'accompagner d'une stimulation de la demande publique, des usages en entreprise et d'un accès massif aux ressources pour la recherche et l'enseignement. Une stratégie de souveraineté efficace doit donc s'attaquer aux causes profondes du décrochage, sans prétendre qu'un diagnostic unique puisse produire mécaniquement un plan d'action.