Rockwell Automation applique l’IA générative à un problème pratique d’automatisation industrielle : comment recueillir des décennies de connaissances en maintenance et les rendre immédiatement utilisables par les techniciens. Sur son site de production de Singapour, un Maintenance Copilot alimenté par l’IA combine la documentation des machines, les données de fabrication et les connaissances en dépannage d’ingénieurs expérimentés afin d’aider les techniciens à identifier les pannes et à suivre des actions correctives structurées.
Du dépannage fondé sur les manuels à la maintenance assistée par les connaissances
Le dépannage traditionnel des machines dépend souvent de la capacité du technicien à trouver le code d’alarme correct dans un manuel, à interpréter les causes possibles, puis à décider de la première action corrective à essayer. Lorsque la documentation est insuffisante, l’étape suivante consiste généralement à demander conseil à un technicien expérimenté qui a déjà rencontré la même défaillance.
Ce processus présente deux limites. Premièrement, le dépannage peut prendre beaucoup de temps pendant que l’équipement reste indisponible. Deuxièmement, une grande partie des informations les plus utiles peut n’exister que sous la forme de « connaissances tribales » informelles détenues par le personnel expérimenté.
Le Maintenance Copilot de Rockwell modifie l’interface d’accès à ces informations. Au lieu de rechercher manuellement parmi des centaines de pages, les techniciens peuvent décrire le symptôme de la machine en langage naturel et recevoir des informations organisées autour du symptôme, de la cause possible et de la réaction recommandée.
Il s’agit d’une distinction importante dans les environnements industriels : la valeur de l’IA ne réside pas simplement dans la génération de texte. Sa valeur pratique vient du fait qu’elle facilite l’accès aux connaissances existantes en ingénierie au moment où une décision de maintenance doit être prise.
Recueillir des décennies d’expérience en ingénierie
Le système de Singapour intègre les connaissances en matière de dépannage apportées par des ingénieurs expérimentés de Rockwell, dont certains possèdent 20 à 30 ans d’expérience sur le terrain.
Ces connaissances peuvent inclure des détails difficiles à consigner dans les manuels classiques : les symptômes qui ont tendance à apparaître ensemble, les défaillances de composants courantes, ce qu’une alarme donnée indique généralement et la manière dont des problèmes similaires ont été résolus sur d’autres lignes de production.
Pour les services de maintenance, cela crée un mécanisme potentiel de conservation des connaissances.
Les techniciens expérimentés finissent par prendre leur retraite ou évoluer vers d’autres fonctions. Sans méthode structurée pour recueillir leur expérience, l’organisation peut perdre des connaissances pratiques en matière de dépannage, même lorsque la documentation officielle reste disponible.
Un système d’IA ne peut pas remplacer cette expérience, mais il peut fournir une interface de recherche vers des connaissances déjà documentées et structurées.
Un flux de travail de dépannage plus structuré
L’un des aspects techniquement intéressants du système est l’organisation des informations de maintenance en symptôme, cause et réaction.
Cette structure ressemble à la logique déjà utilisée par les ingénieurs de maintenance expérimentés :
- Identifier le symptôme observable de la machine.
- Déterminer les causes les plus plausibles.
- Vérifier l’équipement ou le signal concerné.
- Appliquer l’action corrective appropriée.
- Vérifier si la machine est revenue à son état de fonctionnement attendu.
L’assistant d’IA peut également présenter les commentaires et les expériences d’autres techniciens, et relier les informations de dépannage aux manuels existants des machines.
D’un point de vue technique, cette approche est plus utile que de considérer un grand modèle de langage comme une autorité de diagnostic indépendante. Le modèle devient une interface vers des informations techniques contrôlées plutôt que l’unique source de vérité.
Réduction des temps d’arrêt et des coûts de maintenance
Selon le suivi interne de Rockwell cité par Microsoft, l’activité de Singapour a réduit les temps d’arrêt des machines de 33% après la mise en œuvre de l’approche de maintenance. Les coûts de maintenance et de pièces de rechange auraient diminué d’environ 25%.
Ces chiffres doivent être considérés comme des résultats internes rapportés par Rockwell, et non comme des références universelles de performance pour la maintenance fondée sur l’IA.
Néanmoins, le mécanisme à l’origine de cette amélioration est techniquement compréhensible. Si les techniciens peuvent identifier plus rapidement les causes probables, le nombre de cycles de dépannage inutiles peut être réduit. Un diagnostic plus rapide peut également réduire la durée d’indisponibilité des équipements et aider les techniciens à éviter de remplacer des composants sans preuves suffisantes.
Le principal avantage ne vient donc peut-être pas du modèle d’IA lui-même, mais du raccourcissement du chemin entre symptôme de la machine -> connaissances pertinentes -> action d’ingénierie.
L’IA peut également réduire le temps d’apprentissage des techniciens
Une autre application concerne l’intégration des nouveaux employés.
Rockwell indique que les techniciens qui avaient auparavant besoin d’environ neuf mois pour maîtriser le dépannage de centaines de machines peuvent atteindre ce niveau en environ trois mois grâce à l’assistance de l’IA.
Cela répond à un défi courant de la fabrication moderne : la complexité des équipements augmente, tandis que le personnel de maintenance expérimenté n’est pas toujours disponible en nombre suffisant.
Pour un nouveau technicien, un assistant IA peut fournir un accès contextuel à la documentation des machines et à l’expérience de dépannage enregistrée précédemment. Cela ne supprime pas la nécessité d’une formation pratique, de connaissances en sécurité électrique ou de compétences propres aux équipements. Cela peut plutôt réduire le temps consacré à la simple recherche d’informations.
La distinction est importante. L’IA peut accélérer l’accès aux informations, mais elle ne remplace pas les compétences de diagnostic physique.
Connecter l’IA à la couche de données industrielles
La mise en œuvre de Rockwell utilise des technologies Microsoft Azure, notamment Azure OpenAI Service, Azure AI Search ainsi que les fonctionnalités de sécurité, d’identité et de gouvernance de Microsoft.
Cette architecture illustre une orientation importante pour l’IA industrielle : intégrer les modèles de langage aux informations de l’entreprise et aux données opérationnelles plutôt que de les utiliser comme des applications de discussion isolées.
Pour les applications de maintenance, des données utiles peuvent provenir de plusieurs sources :
- Manuels d’instructions des machines
- Dossiers de maintenance
- Informations sur les alarmes et les défaillances
- Notes de dépannage des techniciens
- Logiciels de fabrication
- Historique des équipements
- Observations de la chaîne de production
Le défi d’ingénierie ne consiste donc pas simplement à sélectionner un modèle d’IA. Il s’agit d’établir des sources de données fiables, des contrôles d’accès, des mécanismes de recherche d’informations et une gouvernance autour du modèle.
L’IA doit aider les ingénieurs, et non contourner les contrôles d’ingénierie
Il existe une limite pratique qu’il ne faut pas négliger.
Une recommandation de maintenance générée par un système d’IA ne doit pas automatiquement devenir une commande de contrôle de la machine. Les équipements industriels peuvent présenter des risques électriques, de l’énergie mécanique, des risques liés aux procédés et des fonctions instrumentées de sécurité.
Pour cette raison, le dépannage assisté par l’IA est particulièrement adapté comme couche d’aide à la décision. Le technicien reste responsable de la validation de l’état physique de l’équipement et de l’application des procédures établies de maintenance, de consignation/déconsignation et de sécurité.
Pour les systèmes de commande et de sécurité critiques, la séparation entre les informations générées par l’IA et la logique de commande déterministe est particulièrement importante.
L’IA peut aider à répondre :
« Que dois-je examiner ? »
Il ne devrait pas décider de manière autonome :
"Exécuter cette action critique pour la sécurité."
Cette limite sera importante à mesure que les fabricants passeront d’une maintenance assistée par l’IA à des opérations de plus en plus autonomes.
Au-delà de la maintenance : qualité et opérations prédictives
L’usine de Singapour utilise l’IA pour bien plus que la maintenance.
Rockwell décrit également un système qualité multi-agents conçu pour détecter et traiter les défauts des produits pendant l’assemblage, ainsi que des capacités de maintenance prédictive destinées à identifier les conditions susceptibles d’entraîner un arrêt imprévu des équipements.
Cette combinaison crée une architecture industrielle plus vaste :
Données opérationnelles -> analyse par l’IA -> éclairage d’ingénierie -> action humaine ou automatisée -> retour d’information
Il s’agit de bien plus que du déploiement d’un chatbot isolé. Cela représente l’intégration progressive de l’IA à plusieurs étapes du cycle de vie de la fabrication.
La désignation, en juin 2026, du site de Singapour comme site Global Lighthouse par le Forum économique mondial a également mentionné des améliorations telles qu’une hausse de 43 % du nombre d’unités par heure-personne, une réduction de 35 % des défauts et une réduction de 67 % du temps nécessaire pour atteindre la pleine compétence.
Ces résultats englobent plusieurs technologies et changements opérationnels ; ils ne doivent donc pas être attribués uniquement au copilote de maintenance.
Mon point de vue d’ingénieur : la qualité des données est la véritable fondation
La leçon la plus importante de ce projet ne concerne pas le choix du modèle GPT.
Pour l’IA industrielle, les données d’ingénierie sous-jacentes sont généralement plus importantes que l’interface conversationnelle. Si les dossiers de maintenance sont incomplets, que la documentation des machines est obsolète ou que les connaissances de dépannage sont mal structurées, un modèle plus sophistiqué ne produira pas automatiquement de meilleures décisions de maintenance.
Une mise en œuvre réussie nécessite donc plusieurs fondations :
- Informations précises sur les équipements et les actifs
- Dossiers cohérents sur les pannes et la maintenance
- Connaissances d’ingénierie structurées
- Propriété clairement définie des informations
- Contrôles de cybersécurité appropriés
- Accès basé sur les rôles
- Validation humaine des recommandations
- Mécanismes de retour d’information pour corriger les informations incorrectes
Autrement dit, l’IA révèle la qualité de la base de connaissances industrielles d’une organisation. Les entreprises qui ont consacré des années à maintenir des données d’équipement propres et des dossiers de maintenance rigoureux disposent probablement de fondations plus solides pour adopter l’IA industrielle.
De l’expertise individuelle au savoir organisationnel
La valeur plus profonde de l’approche de Rockwell réside dans sa tentative de transformer l’expérience individuelle des techniciens en connaissances organisationnelles.
Un ingénieur très expérimenté peut reconnaître un schéma de défaillance en quelques minutes parce qu’il y a été confronté de nombreuses fois. Un technicien débutant peut avoir besoin de plusieurs heures pour parvenir à la même conclusion.
Si cette expérience peut être documentée, indexée et présentée au moment où elle est nécessaire, l’organisation devient moins dépendante d’un petit nombre de personnes.
Cela ne rend pas les ingénieurs expérimentés moins importants. En fait, leurs connaissances deviennent plus précieuses, car elles peuvent être capturées et réutilisées auprès d’une population de techniciens beaucoup plus large.
Passer d’une usine à des opérations mondiales
Rockwell prévoit d’étendre le copilote de maintenance à des sites de production à Twinsburg, dans l’Ohio, ainsi qu’en Pologne et au Mexique.
Le déploiement à grande échelle d’une application d’IA industrielle, d’une usine à plusieurs sites, introduira des défis d’ingénierie supplémentaires. Les machines, les procédures, les langues, les pratiques de maintenance et les ensembles de données historiques peuvent varier d’un site à l’autre.
Un système évolutif à l’échelle mondiale a donc besoin d’une architecture commune tout en permettant l’intégration des connaissances propres à chaque site.
C’est là que les données hébergées dans le cloud, l’identité, la sécurité et les services d’IA peuvent offrir un avantage, à condition que les données opérationnelles sous-jacentes restent correctement gouvernées.
La prochaine étape de la maintenance industrielle
Le déploiement à Singapour illustre une évolution plus large de l’automatisation industrielle.
Les premières générations de la numérisation se sont largement concentrées sur la collecte des données des machines. L’étape suivante vise de plus en plus à rendre ces données utiles aux personnes qui doivent diagnostiquer, entretenir et exploiter des équipements physiques.
Les systèmes d’IA industrielle les plus pratiques ne réussiront probablement pas simplement parce qu’ils peuvent générer des réponses convaincantes. Ils réussiront lorsqu’ils pourront relier les conditions réelles des machines à des informations d’ingénierie fiables et à un flux de travail humain approprié.
Pour les équipes de maintenance, cela pourrait signifier moins de temps passé à chercher dans les manuels, un accès plus rapide à des procédures de dépannage éprouvées et une approche plus cohérente des pannes récurrentes.
L’opportunité à plus long terme est encore plus vaste : préserver les connaissances en ingénierie, accélérer le développement des compétences et utiliser l’IA comme couche d’information supplémentaire autour des systèmes PLC, DCS, SCADA, MES et de maintenance existants.
