Agents IA dans l'industrie : ce qu'ils font, ce qu'il faut encadrer

Depuis deux ans, l'industrie a appris à dialoguer avec ses données : un outil résume un rapport, retrouve un historique, rédige un compte rendu. Utile, mais il attend qu'on le sollicite et s'arrête à la suggestion.

L'étape suivante porte un nom : l'agent. Un agent ne se contente pas de répondre. Il surveille, raisonne et agit dans un périmètre défini. C'est le sujet industriel de 2026, et c'est aussi celui qui mérite le plus de prudence.

Copilote ou agent : la vraie différence

Les deux reposent sur les mêmes modèles ; la différence n'est pas technique, elle est dans le pouvoir d'agir.

Un copilote répond à une demande. Vous posez une question, il propose une réponse, et rien ne se passe tant que vous n'avez pas repris la main. C'est ce que fait l'IA générative appliquée à l'industrie déployée en 2025 : elle prépare, elle suggère, elle laisse la décision à l'humain.

Un agent franchit une marche de plus : il surveille un flux de données en continu, raisonne sur ce qu'il observe, puis déclenche une action dans un périmètre fixé à l'avance. C'est un changement de nature. Là où le copilote écrit une phrase, l'agent crée un enregistrement, modifie un plan ou ouvre un ticket.

Mince à l'écran, cette différence est considérable en responsabilité : un système qui agit doit être borné, tracé et surveillé bien plus strictement qu'un système qui se borne à proposer.

Ce qu'un agent fait déjà en usine

Trois cas concrets, tous dans un périmètre étroit et bien défini :

• Maintenance. Un agent surveille les signatures vibratoires d'une machine tournante. Quand une signature se dégrade au-delà d'un seuil, il ne se contente pas d'alerter : il crée l'ordre de travail dans le système de maintenance, avec le contexte de la mesure. L'humain reçoit un ticket documenté, pas une simple alarme.
• Qualité. Un agent trie les défauts remontés d'une ligne : il rapproche un constat des cas passés, propose une catégorie, oriente vers le bon circuit. Le tri, répétitif et chronophage, est préparé avant qu'un contrôleur ne tranche.
• Approvisionnement. Un agent suit les délais fournisseurs. Quand un fournisseur glisse, il rééquilibre le plan d'appro dans les limites qu'on lui a fixées, ou propose un arbitrage si l'écart sort du cadre.

Ces trois cas ont un point commun : périmètre étroit, donnée d'entrée claire, action modeste et réversible. C'est là que l'agentique apporte du tangible aujourd'hui, pas dans le fantasme d'une usine qui se pilote seule.

2026 : l'agentique passe en production, avec prudence

2026 est l'année où l'agentique bascule du laboratoire vers l'offre commerciale. Pour la plupart des sites, le projet dominant n'est pas de partir d'une page blanche : c'est de faire évoluer les copilotes installés en 2025 vers une exécution agentique, un cas d'usage à la fois.

Le rapport Deloitte 2026 « State of AI in the Enterprise » mesure l'écart : près de trois entreprises sur quatre prévoient d'adopter l'agentique dans les deux ans, mais une sur cinq environ seulement se dit dotée d'un modèle d'exploitation prêt. L'appétit court devant les fondations.

Le constat de Gartner va dans le même sens : plus de 40 % des projets d'IA agentique pourraient être abandonnés d'ici 2027, pour trois raisons récurrentes, une valeur métier floue, des coûts sous-estimés et une complexité mal anticipée.

Ces chiffres ne disqualifient pas l'agentique : ils rappellent qu'un projet lancé sans cas d'usage précis, sans données fiables et sans gouvernance rejoint la statistique des abandons. La prudence est ici la condition de survie du projet.

Ce qu'il faut automatiser et ce qu'il faut encadrer

Le principe de tri est simple à énoncer et exigeant à appliquer : automatiser les décisions réversibles et bien bornées, mettre une barrière humaine devant les décisions irréversibles, de sécurité ou d'intégrité.

Une décision réversible se rattrape : créer un ordre de travail inutile coûte quelques minutes de tri, réordonner une file de tâches non critiques ne met rien en danger. Bons candidats à l'automatisation, car l'erreur, quand elle survient, reste peu coûteuse et visible.

Une décision irréversible, de sécurité ou d'intégrité, n'entre pas dans la même catégorie. Prononcer l'aptitude au service d'un équipement sous pression, valider une requalification, arrêter ou maintenir une exploitation : ces décisions engagent une responsabilité qu'aucun système ne porte à la place d'une personne compétente. Devant elles, l'agent prépare le dossier, mais un humain tranche.

Cette frontière est celle qui structure déjà la validation humaine des sorties d'une IA. L'agentique ne la déplace pas, elle la rend plus critique : un système qui agit sans validation propage son erreur plus loin et plus vite.

Gouvernance et sécurité des agents

Un agent branché sur les systèmes qui pilotent l'usine, MES, ERP ou SCADA, n'est plus un assistant : c'est un acteur du système d'information industriel, à traiter comme tel.

Le sujet est pris au sérieux par la filière. En 2026, l'Open Secure AI Alliance, qui réunit notamment NVIDIA, Microsoft, Siemens, SAP, Hugging Face et CrowdStrike, travaille précisément quatre briques : l'identification des agents, la gestion de leurs permissions, leur isolation et la traçabilité de leurs actions.

En pratique, deux exigences priment. D'abord des permissions bornées : un agent n'agit que sur le périmètre qui lui est explicitement confié, jamais au-delà. Ensuite une traçabilité complète : chaque action doit se remonter à la donnée qui l'a déclenchée et à la règle qui l'a autorisée, faute de quoi aucun audit n'est possible. Ces exigences prolongent celles que documente déjà le règlement européen sur l'IA pour les usages sensibles.

Elles rejoignent aussi les risques classiques de l'IA en industrie : un agent mal cloisonné ouvre un accès de plus entre bureautique et réseau de production, et un agent trop permissif devient une voie de fuite de données ou de shadow AI que personne n'avait cartographiée.

Reste la limite la plus honnête, et souvent tue : le vrai goulot de l'agentique n'est pas le modèle, c'est la qualité des données, la data foundation sur laquelle l'agent raisonne. Un agent qui agit sur de mauvaises données agit faux, simplement plus vite. Et l'orchestration de plusieurs agents coordonnés, très mise en avant en démonstration, reste rare en production.

Un agent ne vaut que par ce qu'il lit, et des données d'inspection structurées en font partie. C'est la niche d'une plateforme comme Integrity Loop : de l'intelligence documentaire sur les rapports d'inspection, qui transforme des PDF épars en données structurées, historisées et cherchables. Ni GMAO, ni ERP, ni jumeau numérique, mais une brique de la couche de données fiable qu'un agent requiert avant toute automatisation.

Démarrer sans se brûler

• Automatiser une décision irréversible pour impressionner.La démonstration flatte, mais une décision de sécurité confiée à un agent déplace une responsabilité indélégable.
• Brancher un agent sur une donnée non fiable.Un agent qui lit de mauvaises données agit faux plus vite. La qualité de la donnée se traite avant l'automatisation, pas après.
• Donner des permissions trop larges.Un agent qui peut agir au-delà de son périmètre devient un risque de sécurité et une voie de fuite. Les permissions se bornent au strict nécessaire.
• Négliger la traçabilité.Une action qu'on ne peut pas remonter à sa cause n'est ni auditable ni corrigeable. Sans journal, l'agent n'a pas sa place dans une chaîne de décision.
• Confondre pilote et généralisation.Viser d'emblée une orchestration multi-agents, encore rare en production, expose à la complexité et aux coûts qui font échouer près d'un projet sur deux.