Tendances Ontologique industrielle : la prochaine grande révolution

Related Vendors

Manufacture Thinking

Kubo Tech AG

Heule Werkzeug AG

SCHMIDT Technology GmbH

Cet article propose un parcours à travers les couches d'application de l'ontologie industrielle, des plus connues aux plus futuristes, et esquisse le programme d'une deuxième digitalisation qui ne ressemble en rien à la première.

Quand les industriels entendent parler d'ontologie appliquée à leurs usines, ils pensent presque invariablement à la même chose : des capteurs reliés à des algorithmes, des courbes de dégradation surveillées en temps réel, une alarme qui se déclenche avant que la pièce ne lâche. La maintenance prédictive. Ce cas d'usage a eu le mérite de rendre concret un concept jusque-là réservé aux informaticiens et aux philosophes du langage. Mais il a aussi installé un malentendu durable, dont il est temps de sortir.

La maintenance prédictive représente le cas d'usage le plus simple de l'ontologie industrielle, là où l'on applique de la logique à des capteurs. C'est un peu comme juger la puissance du langage écrit à l'aune du bon de commande. La forme est correcte, l'utilité est réelle, mais l'essentiel reste invisible. Le vrai potentiel de l'ontologie industrielle est ailleurs : dans la capacité à rendre explicite ce que l'organisation ne sait pas qu'elle sait, à connecter des domaines qui ne se parlaient pas, à révéler les angles morts opérationnels et stratégiques que ni les ERP ni les tableaux de bord ne peuvent même nommer.

Galerie d'images

Les cinq couches de l'architecture sémantique industrielle

L'ontologie industrielle ne s'applique pas en une seule fois à l'ensemble d'une organisation. Elle se déploie par couches successives, chacune ouvrant des possibilités que la précédente ne pouvait pas atteindre.

1/ La couche capteurs, la plus connue, consiste à nommer sémantiquement les flux de données. Un capteur ne renvoie plus un chiffre brut mais une entité avec un contexte, des relations, des seuils de signification. Des standards comme OPC-UA ou BRICK Schema posent les bases de ce parcours. C'est le socle nécessaire, mais ce n'est que le début.

2/ La couche processus modélise les flux de production comme des graphes de connaissances. Les gammes opératoires, avec leurs dépendances entre postes, compétences et équipements, deviennent navigables. On peut alors poser des questions que les systèmes MES traditionnels ne savent pas traiter : si cet opérateur est absent et que cette machine est en maintenance, quels ordres de fabrication sont réellement faisables aujourd'hui, et dans quel ordre de priorité ? La réponse exige de raisonner sur des relations, pas de consulter des tableaux.

3/ La couche savoir est sans doute la plus stratégique pour l'industrie européenne. Elle concerne la capture et la structuration du savoir tacite des opérateurs, des régleurs, des compagnons, des techniciens d'entretien, des ingénieurs de méthodes. Ce savoir existe dans les têtes, se transmet par l'observation et le compagnonnage, disparaît à chaque départ à la retraite. L'ontologie offre le langage pour le nommer : non pas des procédures rédigées, mais des réseaux de relations entre situations, gestes, résultats attendus, et conditions d'exception. Ce n'est pas de la documentation, c'est de la modélisation du jugement.

4/ La couche décision enrichit les systèmes d'aide à la décision d'un contexte sémantique que les outils classiques d'analytique ignorent. Une recommandation algorithmique sans contexte organisationnel est souvent inutilisable par le manager. Avec une couche ontologique, la recommandation arrive avec sa justification structurée : pourquoi cet événement compte-t-il maintenant, pour qui dans l'organisation, dans quel horizon temporel, avec quelles contraintes croisées.

5/ La couche stratégie, enfin, est la plus futuriste. Elle consiste à modéliser l'organisation elle-même comme une ontologie, ses acteurs, ses valeurs, ses tensions entre fonctions, ses dépendances à des écosystèmes extérieurs. À ce niveau, l'ontologie ne sert plus à piloter la production mais à rendre visible l'impensé stratégique de l'entreprise. Ses angles morts. Ce qu'elle ne sait pas qu'elle ne sait pas.

Quatre applications qui dépassent tout ce qui est connu

Au-delà de cette architecture en couches, quatre domaines d'application illustrent concrètement ce que l'ontologie industrielle permet que les approches actuelles ne permettent pas.

1/ La variabilité produit

En horlogerie, en mécanique de précision ou dans les dispositifs médicaux, chaque variante de produit génère un ensemble de règles implicites : telle géométrie est incompatible avec tel matériau sur tel type de machine dans telles conditions ambiantes. Ces règles existent, elles sont dans la tête des ingénieurs de méthode, dans des notes informelles, dans des expériences de non-conformité que personne n'a jamais formalisées en lien avec leurs causes réelles.

Une ontologie de la variabilité produit cartographie ces contraintes et leurs relations. Elle permet de détecter des incompatibilités avant la mise en fabrication, non par règle explicite mais par inférence sur le graphe de connaissances. Ce n'est plus corriger les erreurs après coup c'est cartographier l'espace des possibles de fabrication et identifier ses limites avant de les atteindre.

2/ La chaîne d'approvisionnement

Les relations entre fournisseurs, composants, spécifications et produits finis sont aujourd'hui dispersées dans des ERP fragmentés, des fichiers Excel de suivi, des mails d'exception. Un graphe ontologique de la chaîne d'approvisionnement les unifie dans une représentation cohérente et interrogeable. La conséquence est immédiate : un changement de norme chez un sous-traitant de rang 3 peut être propagé automatiquement à travers le graphe jusqu'aux produits finis concernés, aux clients impactés, aux délais à réviser.

Ce n'est pas de la traçabilité réactive c'est de la propagation proactive du risque sémantique. L'information n'attend pas d'être cherchée : elle remonte d'elle-même vers les décideurs concernés, avec le contexte nécessaire pour agir.

3/ La mémoire organisationnelle

C'est probablement le défi le plus urgent pour l'industrie suisse et européenne, face aux départs massifs à la retraite de la génération des baby-boomers. Quand un régleur expert quitte l'entreprise après trente ans, il emporte avec lui des milliers de règles jamais écrites : pourquoi cette machine se règle différemment le lundi matin en hiver, comment interpréter tel bruit anormal sur telle pièce, quand déroger à la procédure standard et comment.

Les approches classiques de knowledge management : manuels, vidéos, bases de données de procédures capturent des faits mais pas la logique qui relie les faits. L'ontologie crée un substrat qui conserve non pas les procédures mais les relations entre les situations, les conditions et les décisions. Ce que le compagnon a appris, c'est un graphe et seul un graphe peut le conserver fidèlement.

4/ L'empreinte environnementale rendue causale

Le calcul du scope 3, les émissions indirectes tout au long de la chaîne de valeur est aujourd'hui l'un des exercices les plus difficiles et les plus contestés du reporting de durabilité. La raison principale est structurelle : les relations entre processus, énergie, transport, matières et émissions ne sont pas formalisées dans les systèmes d'information actuels. On additionne des approximations.

Un graphe ontologique du cycle de vie industriel permet de propager les impacts à travers la chaîne de manière cohérente et traçable. Surtout, il permet d'identifier les leviers systémiques, les points du graphe où une intervention a des effets multipliés sur l'ensemble, plutôt que de s'en tenir aux gains marginaux les plus visibles. L'enjeu n'est pas le reporting. C'est la compréhension des causalités environnementales.

Le renversement de paradigme

Ce panorama dessine un renversement de paradigme profond, que l'on peut formuler simplement : l'industrie est passée, avec la première digitalisation, d'une usine physique à une usine numérique. La deuxième digitalisation est le passage d'une usine numérique à une usine sémantique, un organisme qui ne se contente pas de produire et de mesurer, mais qui comprend.

Dans l'usine numérique actuelle, les capteurs génèrent des flux, les algorithmes de machine learning détectent des anomalies statistiques, des alertes se déclenchent sans contexte organisationnel, et les silos entre ERP, MES, SCADA et PLM restent largement imperméables les uns aux autres. L'expert humain fait la synthèse quand il est disponible, quand il n'est pas déjà en réunion, quand son expérience lui permet de reconnaître la situation. Et le savoir tacite se perd à chaque départ, la conformité est traitée comme un audit externe, et les risques systémiques restent non nommés jusqu'à ce qu'ils se matérialisent.

Dans l'usine sémantique que l'ontologie industrielle rend possible, les données ont un sens explicite et partagé. Le raisonnement opère sur des relations nommées, pas sur des corrélations statistiques. Chaque événement est contextualisé dans le tout organisationnel. Un graphe de connaissances unifié traverse les systèmes métier. L'inférence automatique révèle ce que l'organisation ne sait pas qu'elle sait. Le savoir tacite devient structure transmissible. Et la conformité est déduite par le système, non vérifiée après coup par un auditeur.

Le programme de la deuxième digitalisation

Dans la continuité des travaux de ManufactureThinking, le livre sur la deuxième digitalisation des entreprises n'est pas un énième outil de business intelligence. C'est une infrastructure de sens.

L'analogie avec Palantir est instructive, non pour la taille ou les ambitions géopolitiques, mais pour l'architecture conceptuelle. Ce que Palantir a compris pour les agences de renseignement et les grandes institutions militaires, c'est que la valeur n'est pas dans les données elles-mêmes mais dans le graphe de leurs relations et leurs tensions. Un événement isolé ne dit rien. Le même événement, contextualisé dans un graphe de deux cents entités et huit cents relations, déclenche une compréhension immédiate, et souvent révèle des connexions que personne n'avait vues.

Transposer cette architecture à l'échelle des PME industrielles est le défi de la prochaine décennie. Non pas en reproduisant la complexité des outils entreprise, hors de portée financièrement et opérationnellement mais en extrayant le principe fondateur : donner à l'organisation un miroir sémantique d'elle-même, suffisamment riche pour révéler ce qu'elle ne sait pas qu'elle sait.

La prochaine frontière de l'industrie intelligente n'est donc pas la maintenance prédictive plus précise, ni le tableau de bord plus beau, ni l'algorithme plus performant. Elle est la compréhension stratégique des angles morts opérationnels, des dépendances cachées, des risques systémiques non nommés. C'est le passage d'une industrie qui mesure à une industrie qui comprend. D'une usine qui génère des données à une organisation qui génère du sens.

On ne vit pas une évolution technologique, mais bien la plus grande révolution industrielle depuis l'introduction du travail à la chaîne.

(ID:50881819)