La plupart des analyses de rentabilisation pour l'IA dans les opérations industrielles sont honnêtes sur les avantages et malhonnêtes sur les coûts – non pas par mauvaise foi, mais parce que les coûts qui n'apparaissent pas dans le projet pilote sont les plus difficiles à estimer à l'avance et les plus faciles à remettre à plus tard. Un pilote de détection d'anomalies sur une ligne de production permet de réduire de 30 % les temps d'arrêt imprévus en six mois. Ce numéro apparaît sur la diapositive du tableau. Ce qui ne figure pas sur la diapositive, c'est le coût de l'intégration du modèle avec le MES, de l'effacement des trois années d'historique de maintenance dans des champs sans texte pour créer une base de formation, du recyclage du modèle lorsque le processus de production change, de la conviction de l'équipe d'exploitation de faire confiance à l'alerte du système plutôt qu'à l'intuition de l'opérateur principal. Ces coûts existent, ils sont prévisibles et une analyse de rentabilisation honnête les inclut.
Ce que le pilote mesure et ce qu'il ne mesure pas
Le pilote d’IA industrielle a été conçu pour répondre à une question précise : la technologie fonctionne-t-elle dans l’environnement technique de l’entreprise ? C'est la bonne question pour valider la faisabilité technique, mais ce n'est pas la bonne question pour projeter le retour sur investissement à grande échelle. Le pilote fonctionne dans des conditions contrôlées : ensemble de données de formation soigneusement préparés, ingénieurs des fournisseurs disponibles pour un ajustement en temps réel, portée de l'équipement ou des processus sélectionnés comme étant les plus propices à la démonstration. Le résultat du pilote mesure le potentiel de la technologie dans des conditions optimales, et non le résultat attendu en fonctionnement normal avec une équipe interne.
Le coefficient d'actualisation entre le résultat pilote et le résultat mis à l'échelle varie selon le projet, mais est rarement nul. Dans les projets de vision par ordinateur destinés à l'inspection de la qualité, il est courant que le modèle atteigne une précision de 98 % dans le pilote avec l'ensemble d'images du fournisseur, et atteigne 80 % au cours des premières semaines d'exploitation réelle, car les conditions d'éclairage, la variation du produit et l'angle de la caméra dans l'environnement réel sont différents de ceux contrôlés. Cet écart n’est pas un échec technique – c’est l’écart entre les conditions de test et les conditions de production auquel tout modèle ML est confronté. L'analyse de rentabilisation doit inclure le coût de la période d'ajustement et le résultat attendu après cette période, et non la performance maximale du pilote.
Coûts que les consultants n'incluent pas sur la diapositive
L'intégration avec les systèmes existants est souvent l'élément de projet le plus coûteux et le plus sous-estimé. Un modèle d'IA qui s'exécute sur un serveur isolé et produit des alertes sur son propre tableau de bord n'est pas une intégration : c'est simplement un autre système que l'opérateur doit vérifier. Pour que le modèle de détection d'anomalies génère de la valeur opérationnelle, il doit créer des ordres de travail dans l'ERP, apparaître dans le système de gestion de la maintenance ou suspendre la ligne via l'intégration avec l'automate. Chacune de ces intégrations a des coûts de développement, de validation et de licence API qui figurent rarement dans le budget initial.
Données : la plupart des projets d'IA industrielle sous-estiment le coût de préparation des données d'un facteur de deux à cinq. L’argument avancé par le fournisseur est que l’entreprise dispose déjà des données : le système SCADA enregistre tout depuis des années. Ce que l'argument laisse de côté, c'est que ces données sont dans le format propriétaire du système de contrôle, avec des lacunes pour les périodes de maintenance ou de panne du système, avec des horodatages incohérents, avec des valeurs de capteurs incorrectes qui n'ont jamais été détectées car aucune analyse systématique n'a été effectuée sur cet historique. Nettoyer, structurer et étiqueter cet historique pour créer une base de formation est un travail d’ingénierie de données qui nécessite quelqu’un qui comprend à la fois les données et le processus industriel – un profil rare et coûteux.
Recyclage continu : les modèles ML se dégradent au fil du temps lorsque la distribution des données change. Dans les opérations industrielles, la distribution change parce que les processus changent : nouveaux produits, nouveaux fournisseurs de matières premières, usure progressive des équipements, modifications des processus. Le modèle qui a bien fonctionné l’année de sa mise en œuvre commence à générer davantage de faux positifs ou de faux négatifs un an plus tard. Le coût du recyclage régulier – collecte de nouvelles données étiquetées, réexécution du pipeline de formation, validation du nouveau modèle – doit figurer dans le TCO du projet.
Gestion du changement : le coût pour convaincre l'équipe opérationnelle de faire confiance et d'utiliser le système est peut-être le plus difficile à quantifier et le plus critique à rentabiliser. Un opérateur ayant vingt ans d'expérience sur une ligne de production ne changera pas son comportement à cause d'une alerte du tableau de bord dont il ne comprend pas comment elle a été générée. Les projets qui n'incluent pas de formation structurée, de temps de suivi pour renforcer la confiance dans le système et un processus de retour d'information de l'opérateur au modèle atteignent leur échelle avec un outil que personne n'utilise. Le ROI d’un système non utilisé est nul, quelle que soit la précision du modèle.
La structure d'un calcul honnête du ROI
Le retour sur investissement de l’IA industrielle présente deux faces. L'avantage quantifiable comprend une réduction des coûts des temps d'arrêt imprévus (coût moyen des temps d'arrêt multiplié par le nombre d'événements évités par an), une réduction des rebuts ou des reprises, une réduction de la consommation d'énergie le cas échéant et une réduction des stocks de pièces de rechange grâce à une plus grande prévisibilité du remplacement. Chacun de ces avantages doit être estimé avec un intervalle de confiance, et non sous la forme d'un nombre spécifique, car ils dépendent tous d'hypothèses sur la précision du modèle et le comportement de l'équipe opérationnelle qui comportent une réelle incertitude.
Le coût comprend la licence du logiciel et de la plateforme, le matériel de pointe et les capteurs supplémentaires si nécessaire, l'intégration avec les systèmes existants, la préparation et la structuration des données historiques, le recyclage périodique du modèle, la formation et la gestion du changement avec l'équipe opérationnelle, ainsi que la maintenance continue de la solution. Dans les projets avec un fournisseur externe, cela inclut également le coût de l’engagement post-mise en œuvre pour les deux premières années, période au cours de laquelle les ajustements les plus importants du modèle ont lieu.
Le retour sur investissement réaliste pour la plupart des projets d’IA industrielle – lorsque tous les coûts sont inclus – se situe entre 18 mois et 4 ans. Les projets qui prévoient un retour sur investissement inférieur à 12 mois sous-estiment souvent les coûts d'intégration et de gestion du changement ou surestiment les avantages sur la base des résultats des pilotes. Il ne s’agit pas d’une déclaration contre l’investissement – c’est d’un calibrage des attentes qui empêche le projet d’être annulé pour ne pas avoir fourni le rendement promis dans un délai irréaliste.
Ce qu'exige une approbation de projet responsable
Une proposition d'IA industrielle qui parvient à l'approbation de la direction doit inclure : une description du modèle de coûts complet par phase : pilote, échelle, exploitation en cours ; le plan d'intégration avec les systèmes existants, y compris l'estimation des coûts ; le plan de données, y compris l'écart entre ce qui existe et ce dont le modèle a besoin ; le plan de gestion du changement avec les mesures d'adoption ; et le modèle de recyclage et de maintenance avec coût annuel estimé.
La décision d'approuver ou non le projet doit être prise avec ces éléments disponibles et non a posteriori. Si le projet n’a de sens financier que lorsque les coûts d’intégration et de données sont sous-estimés, le projet n’a pas de sens financier. Les projets d’IA industrielle qui génèrent des rendements constants sont ceux pour lesquels l’analyse de rentabilisation était prudente en termes d’avantages et complète en termes de coûts – car lorsque la réalité converge avec la projection, la confiance dans le programme est maintenue et l’expansion est approuvée. Les projets dont les analyses de rentabilisation sont optimistes sont annulés au cours de la deuxième phase, car le premier retour n'est pas arrivé à la date promise et l'organisation perd l'appétit de continuer.
A lire aussi
- Combien coûte Claude Code et quand est-ce que ça vaut vraiment le coup
- Biofabrication : quand la biologie devient une chaîne de production -Puces d'inférence et ASIC : quand le spécialisé bat le générique
- Les puces spécialisées et la fin de l'ère des CPU génériques
- Informatique neuromorphique et bio-inspirée : quand la puce commence à apprendre du cerveau
- IA, énergie et souveraineté : ce que les gouvernements doivent planifier maintenant