Industries physiques : la disruption invisible de l’IA

De nombreuses entreprises continuent de penser que l’intelligence artificielle transformera principalement les logiciels, les médias, les contenus, la finance ou d’autres secteurs dont le résultat final est numérique.

Le raisonnement paraît logique. Un industriel aura toujours besoin d’usines. Un opérateur de services essentiels aura toujours besoin de réseaux et d’unités de traitement. Une entreprise logistique aura toujours besoin d’entrepôts, de véhicules et de collaborateurs. L’IA ne peut pas remplacer une canalisation, une pompe, un four, un équipement sanitaire, une ligne de production ou une installation électrique.

Tout cela est vrai.

Mais cela ne répond pas à la question stratégique.

L’IA n’a pas besoin de remplacer le produit physique pour transformer l’entreprise qui l’entoure.

Elle peut modifier celui qui conçoit le produit, celui qui le fabrique au meilleur coût, celui qui prévoit la demande, celui qui contrôle l’interface client, celui qui recommande la solution, celui qui exploite l’actif, celui qui possède les données et, en définitive, celui qui capte la marge.

Le produit peut rester physique.
L’avantage concurrentiel qui l’entoure peut cesser de l’être.

L’illusion d’être protégé

Les entreprises disposant de produits physiques et d’infrastructures se sentent souvent relativement protégées face à la disruption liée à l’IA.

Leurs actifs sont tangibles. Leurs opérations reposent sur l’ingénierie, les matériaux, les usines, l’installation, la logistique, la réglementation et la prestation physique du service. Cela crée une certaine distance par rapport au débat actuel sur l’IA.

L’hypothèse est que l’IA pourra améliorer le reporting, l’administration ou le service client, mais qu’elle ne modifiera pas fondamentalement le modèle économique.

Cette hypothèse est dangereuse.

Une entreprise peut continuer à vendre exactement le même produit tout en perdant progressivement en compétitivité dans toutes les activités qui l’entourent.

Un concurrent peut utiliser l’IA pour réduire les déchets, anticiper les pannes, améliorer la qualité, optimiser la consommation d’énergie, accélérer le développement produit, mieux ajuster les prix et répondre plus rapidement aux clients.

Un distributeur peut utiliser l’IA pour configurer des solutions complètes, préparer des offres et orienter la décision d’achat.

Une plateforme numérique peut commencer à recommander les produits qui seront prescrits, comparés ou achetés.

Un fournisseur technologique peut capter les données générées par le produit installé et les utiliser pour proposer de la maintenance prédictive, de l’optimisation de performance ou des services récurrents.

Le fabricant continue à produire.

Mais la chaîne de valeur commence à se déplacer autour de lui.

C’est la disruption invisible de l’IA.

Comment la chaîne de valeur se déplace

Le principal risque stratégique n’est pas la disparition.

C’est la banalisation.

Une entreprise peut rester techniquement compétente, financièrement viable et opérationnellement solide tout en devenant progressivement un acteur de moindre valeur sur son propre marché.

Un fabricant peut continuer à produire d’excellents produits physiques tandis qu’une plateforme numérique contrôle la recommandation et l’accès au client.

Un opérateur de services essentiels peut continuer à exploiter les infrastructures tandis qu’un fournisseur de logiciels contrôle la couche d’optimisation.

Un fabricant d’équipements industriels peut continuer à fournir des machines tandis qu’un autre acteur maîtrise la relation de maintenance prédictive.

Une entreprise de produits pour le bâtiment peut continuer à fabriquer des composants tandis qu’une plateforme numérique de configuration détermine la prescription finale.

Dans chaque cas, l’entreprise conserve l’activité physique.

Mais un autre acteur capte la couche la plus scalable et la plus différenciante.

L’IA peut laisser le produit intact tout en déplaçant la valeur économique qui l’entoure.

Cette évolution entre généralement dans l’entreprise par quatre domaines :

• Usine : planification de la production, qualité, maintenance, énergie, stocks et exécution de la supply chain.
• Produit : monitoring, diagnostic, services connectés, personnalisation et assistance à distance.
• Client : recommandation, configuration, devis, assistance technique et service après-vente.
• Entreprise : connaissance d’ingénierie, achats, reporting, conformité, formation et processus documentaires.

Ces transformations créent plusieurs écarts concurrentiels.

Le premier est un écart de coûts. Les entreprises qui utilisent efficacement l’IA réduiront les déchets, les arrêts, l’effort administratif et la variabilité opérationnelle. Celles qui ne le feront pas subiront une érosion progressive de leurs marges.

Le deuxième est un écart de vitesse. Les entreprises augmentées par l’IA développeront leurs produits plus rapidement, répondront plus vite et prendront des décisions mieux informées.

Le troisième est un écart de connaissance. De nombreuses entreprises physiques dépendent d’une expertise dispersée entre ingénieurs, opérateurs, techniciens, équipes commerciales, manuels et organisations locales. L’IA peut transformer cette expérience fragmentée en capacité institutionnelle accessible.

Le quatrième est un écart client. Les entreprises qui utilisent l’IA pour améliorer la configuration, l’assistance et la personnalisation comprendront mieux les besoins de leurs clients. Celles qui dépendent entièrement de canaux tiers risquent de perdre à la fois la relation et les données.

Le cinquième est un écart de modèle économique. Certaines entreprises utiliseront l’IA pour créer des services récurrents, des offres de monitoring et des contrats fondés sur les résultats. D’autres continueront à vendre des produits et de la capacité.

Le second groupe pourra rester pertinent.

Mais il sera souvent moins différencié et structurellement moins valorisé.

Qui doit contrôler l’intelligence ?

Une fois le besoin d’IA reconnu, une deuxième question se pose.

L’entreprise doit-elle développer la capacité en interne, l’acheter auprès d’un fournisseur ou combiner les deux approches ?

Il s’agit du débat classique entre faire et acheter, mais enrichi de nouvelles dimensions.

L’entreprise doit décider ce qu’elle souhaite contrôler, ce qu’elle peut externaliser, ce qu’elle doit conserver dans un environnement privé, ce qu’elle peut exécuter chez les hyperscalers et ce qu’elle doit déployer au plus près des actifs.

Il ne s’agit pas uniquement de décisions techniques.

Ce sont des décisions de contrôle, de différenciation, de dépendance, de risque et d’allocation du capital.

Toutes les entreprises ne devraient pas développer leurs propres modèles d’IA. Dans la plupart des cas, construire en interne un modèle fondationnel serait économiquement irrationnel. L’investissement serait trop important et le rythme d’évolution technologique trop rapide.

Mais tout externaliser peut être tout aussi dangereux.

Les modèles fondationnels seront généralement achetés ou consommés sous forme de service.

L’infrastructure peut être achetée, louée ou combinée. Le cloud public offre rapidité, échelle et innovation continue. L’infrastructure privée apporte davantage de contrôle, de souveraineté des données et de résilience opérationnelle. L’edge devient pertinent lorsque la latence, la connectivité, la sécurité ou la continuité sont critiques.

La zone la plus importante est souvent la couche d’intelligence d’entreprise.

Cette couche comprend l’accès aux données, les permissions, le contexte métier, la recherche d’information, les politiques de sécurité, l’auditabilité, l’intégration avec les workflows, le routage des modèles et la logique de décision.

L’entreprise n’a pas forcément besoin de posséder le modèle sous-jacent.

Mais elle peut avoir besoin de contrôler l’architecture qui décide de son utilisation.

Il en va de même pour les workflows métier et le savoir-faire sectoriel.

La connaissance opérationnelle, les processus propriétaires, la logique client et les critères de décision sont souvent les éléments les plus précieux du système. Ils ne doivent pas être cédés accidentellement à travers une externalisation mal conçue.

Il n’est pas nécessaire de posséder le modèle. Mais il peut être nécessaire de contrôler la couche d’intelligence qui l’entoure.

IA privée, hyperscaler ou hybride ?

La décision d’architecture comporte généralement trois grands modèles.

Une approche pilotée par les hyperscalers donne accès à des modèles avancés, à une infrastructure scalable et à de larges écosystèmes d’intégration. Elle permet un déploiement rapide, un investissement initial plus faible et une innovation continue.

Elle est souvent adaptée à l’expérimentation, aux outils généraux de productivité et aux workloads non critiques.

Elle peut toutefois créer une dépendance vis-à-vis du fournisseur, des coûts variables, du lock-in, des problèmes de gouvernance des données et une différenciation limitée.

Une approche d’IA privée fonctionne dans un environnement contrôlé par l’organisation ou qui lui est dédié. Il peut s’agir de cloud privé, d’infrastructure dédiée, de systèmes on-premise ou de déploiements edge.

Elle offre davantage de confidentialité, de contrôle, une latence plus faible, une meilleure traçabilité, une continuité opérationnelle et une protection renforcée du savoir-faire propriétaire.

En contrepartie, elle exige davantage de complexité, d’investissement en infrastructure, de maintenance et de gestion du risque d’obsolescence technologique.

Pour de nombreuses entreprises industrielles et d’infrastructures, la réponse naturelle sera hybride.

Les modèles externes pourront être utilisés pour le raisonnement général et les workloads non sensibles.

Les modèles privés pourront être utilisés pour la connaissance propriétaire.

Les systèmes edge pourront soutenir les décisions locales et critiques en temps réel.

Le cloud pourra fournir l’élasticité et les services partagés.

Des règles de routage pourront déterminer où chaque tâche est exécutée selon sa sensibilité, son coût, sa latence et sa criticité opérationnelle.

L’avantage stratégique ne viendra peut-être pas de la possession d’un modèle unique.

Il pourra venir du contrôle de l’architecture qui décide où chaque tâche est exécutée.

Une décision d’architecture pragmatique

La décision entre faire et acheter peut être structurée autour de deux questions :

• Dans quelle mesure la capacité crée-t-elle une différenciation stratégique ?
• Dans quelle mesure les données et les processus concernés sont-ils critiques ?

Lorsque différenciation et criticité sont faibles, l’utilisation d’un service externe standard est généralement le choix rationnel.

Lorsque la différenciation est faible mais que la criticité des données ou des processus est élevée, l’entreprise peut toujours acheter la capacité, mais devrait la déployer dans un environnement privé ou fortement contrôlé.

Lorsque la différenciation est élevée mais que la criticité reste relativement faible, l’entreprise peut construire des workflows propriétaires sur des plateformes externes.

Lorsque différenciation et criticité sont toutes deux élevées, un contrôle interne fort est nécessaire. Une architecture privée ou hybride est généralement plus adaptée, en protégeant et en maintenant portables la connaissance sectorielle, l’accès aux données et la logique de décision.

Il ne s’agit pas d’un débat idéologique entre cloud et on-premise.

Il s’agit d’une décision de portefeuille.

Des workloads différents nécessitent des réponses différentes.

Le véritable risque de ne rien faire

Une entreprise disposant d’actifs industriels solides, d’ingénierie, de produits et de relations clients ne disparaîtra pas du jour au lendemain parce qu’elle n’adopte pas l’IA.

Le risque le plus réaliste est un déplacement progressif.

Elle peut continuer à fabriquer, installer ou exploiter des actifs physiques tandis que d’autres prennent le contrôle des données, de l’interface client, de la recommandation, de l’optimisation et des services récurrents.

L’entreprise reste nécessaire.

Mais elle devient moins différenciée.

Ses marges sont davantage exposées.

Son pouvoir de négociation diminue.

Ses options stratégiques se réduisent.

C’est le véritable danger.

Pas une disruption immédiate.

Mais une perte progressive de contrôle sur la couche d’intelligence du métier.

La mauvaise question pour un conseil d’administration est :

Où pouvons-nous utiliser l’IA ?

La bonne question est :

Où l’IA peut-elle modifier l’économie de notre chaîne de valeur, même si notre produit physique reste exactement le même ?

Les conseils d’administration devraient se demander où la marge peut migrer, qui contrôle l’interface numérique avec le client, quelle connaissance doit rester propriétaire, quels workloads peuvent utiliser des modèles externes en toute sécurité et quelle couche d’intelligence l’entreprise ne peut pas se permettre d’abandonner.

L’IA ne transformera pas tous les secteurs de la même manière. Elle ne remplacera pas tous les produits physiques, toutes les professions ou toutes les activités.

Mais aucune entreprise ne devrait confondre la durabilité de son produit avec la durabilité de son avantage concurrentiel.

Le produit peut rester.

L’usine, la relation client, le modèle opérationnel, le système de connaissance et la valeur économique peuvent évoluer autour de lui.

Les entreprises gagnantes ne seront pas nécessairement celles qui construiront les modèles les plus grands ou qui dépenseront le plus en technologie.

Ce seront celles qui comprendront ce qu’elles doivent acheter, ce qu’elles doivent garder privé, ce qu’elles doivent exécuter dans le cloud, ce qu’elles doivent exécuter à l’edge et quelle couche d’intelligence elles doivent continuer à contrôler.

L’IA ne remplacera peut-être pas votre produit.
Mais elle peut redéfinir l’entreprise nécessaire pour rester compétitif autour de lui.