IA industrielle : la différenciation n'est plus dans le modèle

WILCO Industry et Cisco, avec FIND, ont réuni un panel d'experts autour d'une question simple à poser et difficile à trancher : comment faire de l'IA un véritable levier de différenciation et de passage à l'échelle pour les start-up greentech industrielles ? Un industriel qui a passé sa carrière en usine, une start-up de biotech industrielle et un architecte d'un grand groupe technologique à la même table, pour parler des conditions réelles du déploiement de l'IA dans l'industrie : ROI, industrialisation des usages, attentes des grands groupes et facteurs clés d'adoption.

En ouverture, FIND a resitué le sujet dans son cadre : celui de la décarbonation industrielle. Nous sommes tous engagés sur ces enjeux, et les futurs clients des start-up industrielles y sont eux-mêmes poussés par la réglementation. D'où les deux questions qui ont structuré la soirée : comment l'IA génère-t-elle de la valeur au sein de la proposition de valeur adressée à l'industrie, et le passage à l'échelle de ces technologies participe-t-il à la décarbonation industrielle ?

C'est précisément le terrain de FIND. Nous concevons des infrastructures industrielles partagées, sur des modalités flexibles, pour accompagner les entreprises dans leurs phases de croissance industrielle, quand elles passent du prototype aux premières lignes de production. Réunir autour d'une même table un vétéran de l'industrie, un fondateur et un grand groupe, c'est exactement le genre de confrontation qui fait avancer une filière : ce qui marche, ce qui bloque, et ce qui n'est pas dit.

L'IA, c'est d'abord une question de donnée

Jean-Philippe Ollier, ex-V.P. Manufacturing Engineering chez Michelin après trente-sept ans dans le groupe, a d'emblée déplacé le sujet. Il a choisi de ne pas parler d'IA, mais de ce qui la précède : la donnée.

« Il vaut mieux commencer par simple et finir par compliqué. » — Jean-Philippe Ollier

Son message tient dans une exigence : sans donnée de qualité, il n'y a pas d'IA qui tienne. Une donnée doit être propre, fiable, référencée — en particulier référencée en termes de mesure, pour que l'on sache toujours d'où elle vient et à quel instrument elle se rapporte. Et elle doit être protégée, le plus tôt possible, car plus on l'utilise, plus on l'expose.

« Il faut que cette donnée soit propre, fiable, référencée. » — Jean-Philippe Ollier

Un point de méthode qui vaut pour toute la filière : l'IA n'est pas un sujet en soi, c'est un traitement qui se fait à partir de données. La qualité du résultat ne dépassera jamais celle de la matière première.

Côté start-up : l'IA comme point de bascule

Mathieu Nohet, CEO et cofondateur de baCta, produit des ingrédients industriels par fermentation et développe une plateforme d'IA pour concevoir des souches industrielles capables de produire des molécules. Avant baCta, il avait monté une entreprise d'analyse de données pour les collectivités territoriales : la donnée est son terrain.

Pour un entrepreneur biotech, l'IA sert d'abord à détecter des patterns et à explorer des espaces à très grand nombre de paramètres, bien plus efficacement qu'une intelligence humaine ou que des essais-erreurs. Il l'a illustré très concrètement. Un organisme est schématiquement encodé par son génome ; puis on le place dans un procédé industriel, avec sa température, sa pression, son oxygénation, son pH. La combinaison des deux ouvre un espace immense.

« C'est 20 millions de paires de base, 20 millions de paramètres. […] Le but de l'IA, c'est de converger vers quelque chose d'optimal pour avoir le meilleur coût de revient possible. » — Mathieu Nohet, baCta

Le point de bascule, pour baCta, est venu d'un modèle : Evo 2, une sorte de « LLM de l'ADN » lancé l'an dernier, qui apprend le langage du vivant et reconnaît efficacement les motifs génétiques. Résultat : le volume de données nécessaire pour obtenir des prédictions pertinentes a baissé de trois ordres de grandeur — divisé par mille. Cela a recentré l'entreprise : non plus chercher scientifiquement la meilleure expérience à mener, mais collecter cent mille fois plus de données pour nourrir l'IA. D'où un virage vers la robotique, afin de fermer la boucle : une plateforme robotique de collecte de données physiques qui tourne en continu et réalimente le modèle.

L'IA infuse aussi le quotidien, au-delà de la plateforme. Sur des sujets aussi concrets que la propriété intellectuelle ou le freedom to operate : « Avant, on payait des avocats ; aujourd'hui, on interroge d'abord une IA — puis on fait vérifier par un avocat. » En interne, l'équipe partage ses usages dans une base commune pour gagner du temps.

« L'idée, c'est de diviser par dix le temps et les montants nécessaires pour amener une souche industrielle au marché : avec une équipe de vingt personnes et quelques millions, attaquer des marchés à cinq milliards sur lesquels des centaines de personnes se sont cassé les dents pendant dix ans. » — Mathieu Nohet, baCta

La différenciation s'est déplacée autour du modèle

Olivier Maina Dama, Solution Architect chez Cisco, intervient au sein du Cisco New Region Lab en France, dont l'un des enjeux est d'accélérer l'intégration de Cisco dans l'écosystème d'innovation — par des workshops, du travail avec les start-up et des partenariats. Son regard portait sur la vraie source de différenciation.

Son constat sur les trois dernières années : une vague d'engouement a poussé innovateurs et start-up à se précipiter vers les modèles, dans l'espoir d'un avantage compétitif. La différenciation se faisait alors avec le modèle. Ce phénomène s'estompe, pour une raison simple.

« Au fur et à mesure que les modèles deviennent de plus en plus accessibles, les vraies clés de différenciation se déplacent vers tout ce qui est autour du modèle. » — Olivier Maina Dama, Cisco

Concrètement, un modèle 1 à 2 % moins performant que le dernier de la course permet encore de faire des choses intéressantes. Ce qui fait la différence, c'est l'expertise métier — connaître son secteur et savoir l'intégrer — et la capacité à passer à l'échelle. Il l'a résumé sans détour : avec la donnée, l'expertise et le passage à l'échelle, on a une solution ; « si on n'arrive pas à passer à l'échelle, on n'a pas de différenciation ». Le même exigence de qualité de donnée y revient : elle est essentielle non seulement pour entraîner les modèles, mais pour les agents que l'on déploie, et donc pour obtenir des résultats fiables dont on peut mesurer l'impact.

C'est là que le regard de l'industriel a rejoint celui du grand groupe. Pour Jean-Philippe Ollier, la question centrale est celle du calcul de rentabilité : « Faire un POC à un endroit, ça n'intéresse personne. » Il faut d'abord s'assurer que la solution donne un résultat, mais surtout qu'elle le tient à l'échelle. On compare alors les investissements — l'atelier sécurisé pour capter, stocker et protéger la donnée, puis les moyens de mesure spécifiques — à la valeur apportée. Déployée sur un seul site, une application ne se rentabilise pas ; répliquée dans de nombreuses usines, elle change de nature.

Passer à l'échelle : simple, utile, et des gens formés

Interrogés sur les signaux qui indiquent qu'une start-up greentech est vraiment prête à passer à l'échelle, les intervenants ont convergé sur des conseils très opérationnels.

Le premier, de Jean-Philippe Ollier : intégrer la donnée par principe dans tout ce que l'on fait, mais la mettre au service des équipes. Si l'outil ne sert pas les gens de l'entreprise, il reste un gadget. Il faut donc partir des données qui accélèrent réellement le travail, commencer simple, et rendre la donnée accessible pour qu'elle ne fasse pas peur. « Il faut que ça rende service, il faut que ce soit simple. » Et former les équipes à son usage.

Il a détaillé trois métiers à structurer autour de la donnée : un administrateur, garant de sa mise en place, de sa protection, de la cybersécurité et des autorisations d'usage ; des spécialistes de la mesure, capables d'instrumenter les phénomènes qui produisent la donnée ; et des gens de métier qui l'analysent et savent définir le cahier des charges de l'application à développer pour gagner en performance.

Côté start-up, Mathieu Nohet a rappelé que l'IA n'est pas une fin en soi : ce qui compte, c'est son impact sur la qualité, le coût ou le délai. La bonne question est de savoir si elle permet d'aller plus vite vers un prototype ou un procédé déployé, et de produire moins cher. Parfois, quand les données manquent, une analyse simple suffit — inutile de déployer tout un système. L'objectif reste le même : plus vite, moins cher.

Les animateurs ont conclu sur une mise en garde salutaire : l'IA n'est pas le seul levier pour aller plus vite, produire moins cher et dérisquer. Les méthodes d'industrialisation, les benchmarks et d'autres outils y contribuent aussi. Le fil rouge de la soirée tient en trois points : que ce soit simple, que ça aille chercher la valeur, et que les gens soient formés.

Ce que FIND retient

Un vétéran de l'usine, un fondateur et un grand groupe n'ont pas dit la même chose — et c'est justement ce qui a rendu l'échange utile. Tous ont convergé sur un point : la différenciation par l'IA ne se joue pas seulement dans le modèle, mais dans la donnée, l'expertise métier et la capacité à passer à l'échelle.

Le rôle de FIND n'est pas de faire de l'IA, mais de donner aux industriels qui la déploient les moyens physiques et collectifs de grandir, et de provoquer les rencontres qui les font avancer. Réunir autour d'une table ceux qui ne se croisent pas — un industriel, une start-up, un grand groupe — c'est exactement ce qui aide une jeune entreprise à franchir le passage à l'échelle. Une filière ne se décrète pas : elle se construit, rencontre après rencontre.

Merci à WILCO Industry et à Cisco pour l'organisation, à Jean-Philippe Ollier (Michelin), Mathieu Nohet (baCta) et Olivier Maina Dama (Cisco) pour leurs interventions, et à Sonia Artinian-Fredou (FIND) et Ismail Maayoufi (WILCO Industry) pour l'animation.