Shell utilisera les agents de C3 AI pour passer de la détection basique des anomalies à une maintenance prédictive entièrement automatisée.
Le géant mondial de l’énergie s’appuie sur son utilisation actuelle de la suite C3 AI Reliability, qui surveille déjà plus de 30 000 équipements cruciaux dans ses opérations en amont et en aval. Shell a désormais l’intention de s’appuyer fortement sur les agents d’IA autonomes, en les chargeant de l’ensemble du cycle de vie de la maintenance.
Depuis le premier signe d’avertissement jusqu’à la réparation terminée, ce niveau d’automatisation élimine le besoin d’une surveillance humaine constante et garantit que les ressources de l’entreprise sont dirigées exactement là où elles sont le plus nécessaires.
« Ce partenariat élargi avec Shell prouve ce qui est possible lorsque l’IA d’entreprise est pleinement opérationnelle à l’échelle mondiale pour la maintenance prédictive, réduisant les temps d’arrêt imprévus et générant des centaines de millions de dollars de valeur économique », a déclaré Stephen Ehikian, président de C3 AI.
« Shell a construit des programmes de maintenance prédictive d’IA matures sur notre plate-forme, et ensemble, nous nous dirigeons désormais vers l’IA agentique, faisant progresser la manière dont cette technologie peut transformer davantage la fiabilité, la sécurité, l’efficacité et les performances opérationnelles. »
Les agents IA de C3 aident Shell à dépasser la détection d’anomalies de base
Au début, Shell utilisait l’apprentissage automatique simplement pour repérer des modèles étranges dans les données des capteurs, donnant ainsi aux ingénieurs un avertissement précoce avant que les choses ne se cassent. Pour y parvenir, le système ingère une quantité massive de données de technologie opérationnelle (OT) en temps réel et les mélange au contexte commercial des plateformes ERP telles que SAP.
L’étape suivante présente les agents d’IA conçus pour un raisonnement réel et une action indépendante. Alors que les anciens systèmes s’arrêtaient d’envoyer une requête ping à un ingénieur lorsque les choses semblaient inhabituelles, ce framework de nouvelle génération étudie de manière indépendante pourquoi une alerte a été déclenchée en premier lieu.
Une fois qu’il a identifié la cause première, l’agent intervient pour rédiger des bons de travail précis, confirmer la disponibilité des pièces dans l’inventaire et générer des demandes d’approvisionnement.
La plate-forme de C3 AI gère le gros du travail, en fournissant un espace piloté par modèle pour intégrer facilement les flux de capteurs haute fréquence avec des journaux financiers et de maintenance structurés. Ces capacités d’IA sont formées pour apprendre les bases de fonctionnement normales d’équipements spécifiques, tels que les pompes, les turbines et les compresseurs.
La couche agentique repose sur cette fondation. Les opérateurs configurent un agent individuel pour un équipement donné en définissant ses objectifs et les réponses autorisées. Si les modèles d’apprentissage automatique de base détectent un écart par rapport aux opérations normales, cet agent s’active, collectant de nombreuses données contextuelles pour construire une image complète de la situation. Ce contexte inclut généralement l’historique de maintenance récent, les conditions environnementales et les variables de processus en amont.
En utilisant toutes ces informations, il suggère une solution étayée par des preuves solides. Les opérateurs humains peuvent alors facilement approuver ou annuler le plan. À mesure que le système fait ses preuves au fil du temps, Shell peut entièrement automatiser ses réponses à certains types d’alertes. La connexion directe à des systèmes tels que SAP est ici essentielle, permettant à l’agent de travailler exactement dans les mêmes flux de travail que ceux que les planificateurs humains utilisent déjà.
Le réel impact de l’IA agentique pour la maintenance prédictive
La mise en œuvre de l’IA agentique à cette échelle résout le problème classique du « dernier kilomètre » de la maintenance prédictive. De nombreuses entreprises industrielles peuvent très bien prédire les pannes, mais transformer ces informations en actions rapides et efficaces reste un défi. Habituellement, les ingénieurs doivent encore analyser manuellement les alertes, rechercher les causes et rédiger eux-mêmes les bons de travail.
Shell souhaite raccourcir ce délai. En laissant l’IA gérer l’analyse des causes profondes et les ordres de travail, le délai entre une panne prévue et le correctif réel diminue. Cela améliore directement la disponibilité des équipements et protège la production.
Passer à un modèle où les réparations n’ont lieu que lorsque l’état de l’équipement l’exige permet naturellement d’économiser de l’argent, tout simplement parce que personne ne perd de temps à bricoler des machines parfaitement performantes. Laisser un matériel sain tranquille signifie également qu’il dure beaucoup plus longtemps.
En plus des économies de coûts, intervenir avant qu’une catastrophe ne survienne rend l’ensemble de l’opération beaucoup plus sûr et réduit les risques environnementaux, ce qui est toujours une priorité dans le secteur de l’énergie.
« Ce que Shell et C3 AI ont construit sur Azure au cours des dernières années correspond exactement à ce à quoi devrait ressembler l’IA d’entreprise : des applications réelles, exécutées en production, offrant une valeur mesurable à l’échelle mondiale », a commenté Sandy Gupta, vice-président GISV, sociétés de développement de logiciels chez Microsoft.
Ce déploiement étendu montre que nous parlons enfin de flux de travail pratiques de production d’IA industrielle plutôt que de simples algorithmes. Plutôt que la prédiction elle-même, la véritable valeur vient de la capacité du système à agir en conséquence avec pratiquement aucune surveillance humaine.
