Pour de nombreuses grandes entreprises, la forme d’IA la plus utile à l’heure actuelle n’a pas grand-chose à voir avec la rédaction d’e-mails ou la réponse à des questions. Chez PepsiCo, l’IA est testée dans des domaines où les erreurs sont coûteuses et où les changements sont difficiles à annuler : aménagements d’usine, lignes de production et opérations physiques.
Ce changement est visible dans la manière dont PepsiCo utilise l’IA et les jumeaux numériques pour modéliser et ajuster ses installations de fabrication avant d’apporter des changements dans le monde réel. Plutôt que d’expérimenter des interfaces de chat ou des outils bureautiques, l’entreprise applique l’IA à l’un de ses principaux problèmes : comment configurer les usines plus rapidement, avec moins de risques et moins de perturbations.
Les jumeaux numériques sont des modèles virtuels de systèmes physiques. Dans le domaine de la fabrication, ils peuvent simuler le placement des équipements, le flux des matériaux et la vitesse de production. Lorsqu’ils sont combinés à l’IA, ces modèles peuvent tester des milliers de scénarios qu’il serait peu pratique – ou coûteux – d’essayer sur une chaîne de production en direct.
PepsiCo a travaillé avec des partenaires pour appliquer des jumeaux numériques basés sur l’IA à certaines parties de son réseau de fabrication, les premiers projets pilotes étant axés sur l’amélioration de la façon dont les installations sont conçues et ajustées au fil du temps.
L’objectif n’est pas l’automatisation en soi. C’est le temps de cycle. Au lieu de prendre des semaines ou des mois pour valider les modifications via des essais physiques, les équipes peuvent tester virtuellement les configurations, identifier les problèmes plus tôt et agir plus rapidement lorsque des mises à jour sont nécessaires.
Du goulot d’étranglement de la planification au raccourci opérationnel
Dans les grandes entreprises de biens de consommation, les changements d’usine ont tendance à se dérouler lentement. Même de petits ajustements (une nouvelle configuration de ligne, un flux de conditionnement différent ou une mise à niveau de l’équipement) peuvent nécessiter de longs cycles de planification, des approbations et des tests par étapes. Chaque retard a des répercussions sur les chaînes d’approvisionnement et la disponibilité des produits.
Les jumeaux numériques permettent de contourner ce goulot d’étranglement. En simulant les environnements de production, les équipes peuvent voir comment les changements peuvent affecter le débit, la sécurité ou les temps d’arrêt avant de toucher à l’installation réelle.
Les premiers projets pilotes de PepsiCo ont montré des temps de validation plus rapides et des signes d’amélioration du débit sur les sites initiaux, bien que la société n’ait pas encore publié de mesures détaillées. Ce qui compte plus que les chiffres, c’est le modèle : l’IA est utilisée pour compresser les cycles de décision dans les opérations physiques, et non pour remplacer les travailleurs ou supprimer le jugement humain.
Ce type de cas d’utilisation s’inscrit dans une tendance plus large. Les entreprises qui vont au-delà des projets pilotes se concentrent souvent sur des problèmes précis et bien définis dans lesquels l’IA peut réduire les frictions dans les flux de travail existants. Les opérations de fabrication, de logistique et de soins de santé affichent plus de succès que le travail de connaissances à durée indéterminée.
Pourquoi PepsiCo traite l’IA comme une ingénierie opérationnelle et non comme une productivité de bureau
L’approche de PepsiCo met également en évidence un changement plus discret dans la manière dont les programmes d’IA sont justifiés au sein des grandes entreprises. La valeur est liée aux résultats opérationnels (temps gagné, moins de perturbations, meilleure planification) plutôt qu’aux affirmations générales sur la productivité.
Cette distinction est importante. De nombreux efforts d’IA en entreprise échouent parce qu’ils ont du mal à connecter les utilisations avec un impact mesurable. Les outils sont déployés, mais les flux de travail restent les mêmes.
Les jumeaux numériques changent cette dynamique car ils s’intègrent directement dans les processus de planification et d’ingénierie. Si un changement simulé réduit de plusieurs semaines la mise à niveau d’une usine, l’avantage est visible. Si cela réduit le risque d’indisponibilité, les équipes opérationnelles peuvent le mesurer au fil du temps.
Cette focalisation sur le changement de processus plutôt que sur les outils reflète ce qui se passe dans d’autres secteurs. Dans le domaine de la santé, par exemple, Amazon teste un assistant IA dans son application One Medical qui utilise l’historique des patients pour réduire les apports répétitifs et soutenir les interactions de soins, selon les commentaires du PDG Andy Jassy rapportés cette semaine. L’assistant est intégré au flux de travail de soins et n’est pas proposé en tant que fonctionnalité autonome.
Les deux cas pointent vers la même leçon : l’adoption de l’IA progresse plus rapidement lorsqu’elle s’intègre dans la manière dont le travail est déjà effectué, au lieu de demander aux équipes d’inventer de nouvelles habitudes.
Pourquoi c’est important pour d’autres entreprises
Il est peu probable que le travail de PepsiCo sur les jumeaux numériques soit unique pendant longtemps. Les grands fabricants de produits alimentaires, chimiques et industriels sont confrontés à des contraintes de planification et à des pressions sur les coûts similaires. Beaucoup utilisent déjà des logiciels de simulation. L’IA ajoute de la vitesse et de l’échelle à ces modèles.
Ce qui est plus intéressant, c’est ce que cela dit sur la prochaine phase d’adoption de l’IA en entreprise.
Premièrement, le centre de gravité s’éloigne des outils généraux et génériques pour se tourner vers des systèmes ciblés liés à des décisions spécifiques. Deuxièmement, le succès dépend moins de la qualité du modèle que de la qualité des données, de l’appropriation des processus et de la gouvernance. Un jumeau numérique est aussi utile que les données opérationnelles qui l’alimentent.
Troisièmement, ce type de travail en matière d’IA a tendance à rester à l’écart. Il ne génère pas de démonstrations tape-à-l’œil, mais il peut remodeler la façon dont les entreprises planifient leurs dépenses en capital et gèrent les risques.
Cela explique également pourquoi de nombreuses entreprises restent prudentes. Construire et maintenir des jumeaux numériques précis demande du temps, une coordination entre les équipes et une connaissance approfondie des systèmes physiques. Le gain vient d’une utilisation répétée et non de gains ponctuels.
Le travail de PepsiCo en matière d’IA dans le secteur de la fabrication est un signal discret qui mérite d’être surveillé
Dans le domaine de l’IA, il est facile de se concentrer sur de nouveaux modèles, agents ou interfaces. Des histoires comme celle de PepsiCo vont dans une direction différente. Ils montrent que l’IA est traitée comme une infrastructure – quelque chose qui se situe sous les décisions quotidiennes et modifie progressivement la façon dont le travail se déroule dans une organisation.
Pour les dirigeants d’entreprise, l’essentiel n’est pas de copier la pile technologique. Il s’agit de rechercher les endroits où les retards de planification, les cycles de validation ou les risques opérationnels ralentissent l’entreprise. C’est sur ces points de friction que l’IA a les meilleures chances de rester.
Les projets pilotes de jumeaux numériques de PepsiCo suggèrent que l’usine pourrait être aujourd’hui l’un des terrains d’essai les plus pratiques pour l’IA – non pas parce que c’est à la mode, mais parce que l’impact est plus facile à voir lorsque le temps et les erreurs ont un coût évident.
(Photo de NIKHIL)
