La nouvelle frontière industrielle : ce que le salon Automate 2026 révèle sur le plus grand angle mort de l'IA physique

Le salon Automate 2026 a ouvert ses portes cette semaine au McCormick Place de Chicago, et si vous avez parcouru les allées, une chose était évidente : le secteur a franchi un cap. L'IA physique a cessé d'être un simple thème de conférence pour devenir une réalité commerciale.

Le pavillon consacré aux robots humanoïdes, parrainé par NVIDIA, était bondé. ABB a présenté pour la première fois sa « Physical AI Toolchain », une suite logicielle complète permettant de former, de valider et de déployer des modèles d’IA robotique avec une précision de niveau industriel. FANUC a fait la démonstration de cobots réagissant à des commandes en langage naturel. Il ne s’agissait pas d’un simple salon de démonstration, mais bien d’un salon consacré au déploiement.

Mais en parcourant les allées du salon, une question revenait sans cesse, à laquelle presque personne ne répondait. Les robots deviennent de plus en plus intelligents. Le secteur se lance dans une course effrénée pour mettre en place les infrastructures de formation, les environnements de simulation et les ensembles de capteurs. Tous les grands fournisseurs d’automatisation ont désormais une offre concrète en matière d’IA. Mais la variable la plus importante dans les ateliers reste celle que personne ne prend en compte : le jugement humain. Les décisions à prendre, la gestion des exceptions, les adaptations qu’aucun système ne peut entièrement automatiser, et que vous ne souhaiteriez d’ailleurs pas voir automatisées.

Lors de la conférence GTC qui s’est tenue plus tôt cette année, NVIDIA a déclaré que « le big bang de l’IA physique avait commencé ». C’est lors du salon Automate que cette déclaration a rencontré la réalité des usines. Et en parcourant les allées du salon, il était difficile de contester cette affirmation. Le matériel, les déploiements et les investissements sont bien réels. Mais cela a soulevé une question que presque personne ne se posait

Promenez-vous dans n'importe quelle usine et posez-vous la question suivante : qu'est-ce qui est réellement enregistré ici ? Principalement des données machine. Les temps de cycle, les relevés des capteurs, l’état des équipements. Ces données vous indiquent ce que les machines ont fait, mais elles ne vous disent pas ce que les personnes ont décidé. L’opérateur qui a détecté un écart avant qu’il ne se transforme en défaut. L’ingénieure qui a ajusté un paramètre en se basant sur quelque chose qu’elle a remarqué, et non sur un signal d’alerte du système. C’est cette dimension humaine de l’exécution qui explique pourquoi les opérations se déroulent bien ou mal. Pourtant, elle reste invisible pour la plupart des systèmes d’IA présents dans cet atelier.

Le choix du robot a son importance. Mais la dépendance la plus durable réside dans la couche opérationnelle qui la sous-tend. Quel système rend compte de la manière dont le travail s’effectue réellement, là où les personnes, les machines et les processus se rencontrent ? C’est à partir de ce contexte que l’IA apprend et que les décisions deviennent suffisamment fiables pour être mises en œuvre. La plupart des fabricants présents au salon Automate se concentraient sur le matériel. Rares étaient ceux qui se demandaient à qui appartenait cette couche.

Les robots sont véritablement impressionnants dans les tâches pour lesquelles ils ont été conçus. Lorsqu’il s’agit de tâches répétitives, structurées et à grand volume, ils les accomplissent mieux et plus rapidement que n’importe quel être humain. Mais que se passe-t-il lorsque quelque chose sort du cadre prévu ?

Prenons l'exemple d'un processus d'assemblage final dans lequel un technicien serre des fixations sur un composant critique. Un robot peut appliquer un couple de serrage constant tout au long de la journée. Ce qu’il ne peut pas faire, c’est remarquer que les pièces qui arrivent sur la chaîne ont passé la nuit dans un environnement humide et que le filetage semble légèrement défectueux. Un opérateur expérimenté, lui, le remarque. Il ralentit, signale le problème et le transmet à ses supérieurs. Cette décision, prise en une seconde et fondée sur des années d’expérience dans le serrage de pièces, fait toute la différence entre un assemblage parfait et une défaillance sur le terrain.

Ce n’est pas un fossé que la technologie comblera de sitôt, et honnêtement, elle ne devrait pas avoir à le faire. L’objectif n’a jamais été l’automatisation totale. Il s’agissait toujours d’une augmentation de la capacité visant à libérer les opérateurs de la charge de travail répétitive afin qu’ils puissent se concentrer sur les tâches qui nécessitent réellement un jugement. Le problème, c’est que ce jugement n’est presque jamais enregistré. Les systèmes d’archivage de données, sur lesquels les équipes d’exploitation s’appuient depuis des décennies, ont été conçus autour des machines. Ils excellent dans l’enregistrement des actions des équipements. Ils n’ont jamais été conçus pour consigner les décisions prises par les personnes. Factory Playback a été développé pour combler cette lacune. Considérez-le comme un système d’archivage couvrant l’ensemble des opérations : le comportement des machines, celui des personnes et, surtout, l’interaction entre les deux. Car c’est dans l’interaction – lorsqu’un opérateur repère ce qu’un capteur a manqué ou qu’un ingénieur prend une décision qui évite une défaillance – que réside la véritable histoire de vos opérations.

Réfléchissez à ce qui s'est passé dans le domaine de l'IA ces dernières années. ChatGPT a bouleversé la façon dont les gens perçoivent les capacités des machines en matière de langage. Claude, Gemini et les modèles qui ont suivi n'ont cessé de faire progresser ce domaine. Ces systèmes sont devenus extrêmement performants en matière de raisonnement sur le texte.

L'IA physique marque une nouvelle étape. Il s'agit du même changement de cap en termes de capacités, mais orienté vers le monde réel. Non plus des documents et des données, mais des machines en mouvement, des opérateurs au travail, des pièces circulant au sein de processus complexes. Une IA capable d'observer ce qui se passe sur le terrain, d'analyser la situation et d'en tirer des informations utiles en temps réel.

Mais l’IA physique repose sur une condition préalable dont la plupart des fournisseurs ne parlent pas. Il vous faut un modèle de données qui trouve son origine dans l’action elle-même, et non dans un extrait en aval de celle-ci. Aujourd’hui, la plupart des systèmes d’IA industrielle s’appuient sur des enregistrements en retard et génèrent des résumés dont il est impossible de retracer l’origine jusqu’à ce qui s’est réellement passé. Il ne s’agit pas là d’un problème de qualité des données, mais d’un problème structurel.

Tulip conçu selon un principe différent. Lorsque les applications, les agents et les automatisations fonctionnent tous sur un même modèle de données, chaque événement sur le terrain génère en temps réel des données opérationnelles régulées. Les agents IA peuvent alors mettre en évidence des tendances, signaler des anomalies et rédiger des rapports s'appuyant sur ces mêmes données, mais l'intervention humaine reste toujours nécessaire. Considérez cela comme une boucle continue : composition, exécution, analyse, puis retour au point de départ. Les ingénieurs conçoivent le processus. Les opérateurs l’exécutent. La plateforme enregistre tout — non seulement ce que les machines ont fait, mais aussi ce que les personnes ont décidé. L’IA analyse ces données et met en évidence ce qui importe. Les humains agissent en conséquence et mettent à jour le processus. À chaque cycle, l’opération gagne un peu en intelligence. Voilà à quoi ressemble réellement l’IA physique lorsqu’elle fonctionne.

Lors du salon Automate, nous avons présenté Factory Playback sur le stand de NVIDIA comme une illustration concrète des possibilités offertes par cette technologie. Factory Playback crée un enregistrement synchronisé et aligné dans le temps de la production en combinant des données opérationnelles et des séquences vidéo au sein d’une chronologie opérationnelle unifiée. Il reconstitue étape par étape ce qui s’est réellement passé sur le site de production : qui a fait quoi, quand, et quel en a été l’effet en aval. Il ne s’agit pas d’un Tableau de bord, mais plutôt d’un enregistrement visuel du déroulement réel du travail, dont on peut remonter à la source.

Il s'agit là d'une fonctionnalité offerte par une plateforme qui, depuis des années, recueille des données sur le contexte opérationnel dans des environnements de production. L'ensemble du secteur s'empresse désormais de mettre en place cette couche. Nous l'avons développée dans de véritables usines, avec de vrais opérateurs, bien avant que l'IA physique ne devienne un thème de conférence.

Lors du salon Automate 2026, les discussions ont porté sur les robots. Des robots plus intelligents, plus rapides, capables enfin de travailler aux côtés des humains sans cage de sécurité. Il s'agit là d'une évolution concrète et importante qui aura des répercussions significatives pour de nombreux industriels.

Mais le problème le plus épineux, et celui dont la résolution présente le plus d’intérêt, réside dans ce qui se passe entre le robot et le résultat final. La décision humaine qui permet de détecter un problème avant qu’il ne se transforme en défaut. L’ajustement effectué par l’opérateur qui permet de maintenir la chaîne de production en marche. Le jugement subjectif qui n’est jamais intégré à aucun système. C’est là que réside véritablement l’essence même des opérations, et c’est un domaine qui reste presque entièrement méconnu des systèmes d’IA que l’industrie est en train de développer.

Les fabricants qui y parviendront les premiers ne se contenteront pas de disposer de meilleurs robots. Ils disposeront d’un atout qu’aucun concurrent ne pourra copier : un historique traçable en temps réel du fonctionnement réel de leurs opérations, fondé sur des années de données issues à la fois de l’intervention humaine et du fonctionnement des machines. C’est là le fondement dont l’IA physique a besoin pour aller au-delà de simples démonstrations impressionnantes.

Automate a mis une chose en évidence : le secteur dispose d'une réponse convaincante pour l'aspect « machine » de l'IA physique. L'aspect « humain », lui, attend toujours une réponse.