DAKAR,20 MARS 2026(JVFE)--A l’occasion de son AI World Tour à Paris, Oracle France est revenu sur le déploiement des agents IA au sein de ses applications Fusion. Sur scène, deux clients, Technip et Michelin ont montré deux approches différentes de l’adoption de l’IA..
Technip Energies et Michelin illustrent deux philosophies distinctes mais complémentaires pour intégrer l’intelligence artificielle au cœur de processus industriels complexes : l’une axée sur une accélération pragmatique par projets et l’autre sur une transformation culturelle et distribuée.
1. Technip Energies : L’approche pragmatique par “Digital Acceleration”
Technip Energies a structuré son adoption autour d’un plan d’accélération numérique ambitieux lancé en 2024, avec un objectif de 100 millions d’euros d’économies d’ici 2028.
- Priorisation par les “Pain Points” : Plutôt que de transformer tout d’un coup, l’entreprise sélectionne des initiatives basées sur des problèmes opérationnels concrets et le retour sur investissement (ROI) immédiat.
- Structure Centralisée mais Collaborative : La création d’une “Digital Services Factory” et d’un “Data Office” permet de standardiser la gouvernance tout en co-développant des solutions avec les unités opérationnelles.
- Cas d’usage clés :
- Optimisation des coûts de projet : Utilisation de l’IA pour estimer les quantités de matériaux dès la phase d’appel d’offres en se basant sur l’historique des usines construites.
- Décarbonation : Analyse des données d’instrumentation pour quantifier et réduire les émissions de méthane et de carbone.
2. Michelin : L’approche “Data Mesh” et transformation de l’humain
Pour Michelin, l’IA est l’un des six piliers de sa stratégie globale, visant un gain annuel récurrent de 600 millions d’euros sur l’ensemble de ses 65 usines.
- Décentralisation (Data Mesh) : Contrairement à une approche purement descendante, Michelin prône une expertise distribuée où chaque domaine (R&D, Supply Chain, Client) contribue à ses propres actifs IA, coordonnés par un centre d’excellence.
- Acculturation et “Apprendre par la pratique” : L’entreprise met l’accent sur l’autonomisation des employés. Des événements comme le “AI for Business Day” (plus de 1 100 participants) visent à démocratiser l’usage des outils d’IA auprès de tous, experts comme non-codeurs.
- Cas d’usage clés :
- Maintenance prédictive et qualité : Déploiement du système IRIS (inspection visuelle automatisée des pneus) pour réduire la pénibilité des tâches tout en gardant l’humain comme décideur final.
- Conception accélérée : Utilisation de jumeaux numériques pour simuler les nouveaux matériaux et réduire les tests physiques.
Comparaison des approches
| Caractéristique | Technip Energies | Michelin |
| Philosophie | Pragmatique et centrée sur la valeur projet. | Transformation holistique et culturelle. |
| Gouvernance | Factory digitale et Data Office centralisés. | Modèle distribué (Data Mesh). |
| Moteur principal | Efficacité opérationnelle et transition énergétique. | Industrie 4.0 et expérience client. |
| Cible utilisateur | Experts et ingénieurs projets. | Large échelle (du data scientist à l’opérateur d’usine). |
Plus d’un millier de personnes se sont données rendez-vous au Cnit à la Défense pour participer à la conférence AI World Tour 2026 d’Oracle. Christophe Négrier, directeur général d’Oracle France les a accueilli en soulignant que cette année le groupe fêtait cette année ses quarante ans de présence dans l’hexagone. En avril prochain, un nouveau siège sera inauguré dans le 8ème arrondissement. Puis il a cédé la parole à Steve Miranda, vice-président exécutif du développement des applications chez Oracle.
Ce dernier a focalisé son intervention sur les agents IA qui se diffuse de plus en plus au sein de la suite Fusion de la firme. « Nous avons aujourd’hui plus de 600 agents et assistants pour les applications Fusion dans différents domaines RH, supply chain, finance,… » a-t-il indiqué. Il met bien évidemment l’ensemble du portefeuille de produits Oracle sous-jacent comme la base de données, une infrastructure cloud (OCI) taillée pour le traitement IA, des outils pour développer des agents (Agent Studio). Mais derrière ce discours, est-ce que les entreprises se servent réellement de l’IA ? A l’occasion d’un point presse, Sylvain Letourmy en charge du développement des applications Fusion chez Oracle France explique que « 60% de nos clients utilisent ou ont mis en place un assistant ou un agent IA ». Interrogé sur les plus populaires, il note « une appétence dans le domaine des RH pour la gestion des objectifs, leur fixation, l’analyse et le suivi, … ». Néanmoins, il reconnait que « certains clients vont très vite et d’autres un peu moins ».
Des clients à maturité différente sur l’IA
Un décalage que l’on retrouve dans les tables-rondes organisées avec des clients comme Technip et Michelin. Pour le premier, la société d’ingénierie des projets énergétiques s’est d’abord engagée dans une modernisation de son ERP avant de parler IA. « Nous avons migré 12 000 personnes d’un ERP on premise vers l’ERP cloud d’Oracle avec des modules HCM, core finance, procurement et manufacturing », explique Sylvain Champonet, vice-président du digital et l’excellence opérationnelle chez Technip. Sur la partie IA, « nous commençons à utiliser certaines fonctionnalités disponibles dans l’ERP, mais cela reste des balbutiements chez nous avec des phases d’étude sur les fonctions support RH et finance », reconnait-il. Mais des cas d’usages sont aussi en réflexion, « nos ingénieurs doivent travailler sur des listes de stress test de lignes critiques. Cette tâche est réalisée manuellement. Nous travaillons pour que l’IA puisse en fonction des données passées, du projet, des plans, dresser une liste de test à faire. Elle sera validée par l’opérateur », explique le dirigeant.
De son côté, Yves Caseau, CDIO (chief digital and Information Officer) de Michelin, intègre de plus en plus d’IA au sein de l’entreprise tout en n’oubliant pas le volet humain. « Aujourd’hui, quand vous visitez une usine Michelin, il y a beaucoup de robot et des personnes. Plusieurs choses sont automatisées et intègrent de l’IA », déclare-t-il. Et de citer l’exemple « d’une machine nommée Iris qui fait du contrôle visuel de la qualité sur les pneus. C’est du deep learning, du computer vision. Elle est équipée de 100 caméras, 2/3 en 2D et 1/3 en 3D. Il y a néanmoins besoin d’humains experts pour traiter les cas litigieux ». Il regarde attentivement l’IA agentique « qui va faire disparaître une grande partie des tâches répétitives » en s’intéressant par exemple « au vibe coding en mode exploratoire ». Car pour le dirigeant difficile de prévoir les évolutions dans ce domaine et comment un DSI doit de positionner en la matière.
Regardons de plus près comment ces deux géants utilisent l’IA pour transformer leur chaîne logistique et leur maintenance, avec des philosophies bien distinctes.
1. Michelin : L’IA au service de la résilience (Supply Chain & Qualité)
Chez Michelin, l’enjeu est de gérer une complexité mondiale (65 usines, des milliers de références).
- Supply Chain “Auto-apprenante” : Michelin utilise l’IA pour anticiper les variations de la demande et optimiser les stocks de matières premières (comme le caoutchouc naturel). L’objectif est de passer d’une logistique réactive à une logistique prédictive, réduisant ainsi les invendus et les coûts de transport [2].
- Maintenance & Qualité (Projet IRIS) : Dans les usines, l’IA de vision industrielle inspecte les pneus en sortie de ligne. Elle repère des défauts invisibles à l’œil nu ou trop répétitifs pour un humain. Cela permet de libérer les opérateurs des tâches les plus pénibles tout en garantissant une qualité constante [2].
2. Technip Energies : L’IA pour l’efficacité des projets (Supply Chain & Asset Management)
Pour Technip, l’IA ne sert pas à fabriquer des objets en série, mais à gérer des projets industriels géants (usines de GNL, hydrogène).
- Supply Chain de Projet (Procurement) : L’IA analyse des décennies de données d’achats pour prédire le prix des matériaux (acier, équipements critiques) et les délais de livraison des fournisseurs. Cela permet de sécuriser les marges sur des contrats qui durent plusieurs années [1].
- Maintenance Prédictive des Installations (Beyond.By.T.EN) : Technip propose à ses clients des outils basés sur l’IA pour surveiller l’état des usines en temps réel. En analysant les capteurs, l’IA détecte des anomalies de vibration ou de température avant qu’une panne ne survienne, évitant ainsi des arrêts de production extrêmement coûteux [1].
En résumé
- Michelin mise sur l’IA pour fluidifier le flux de millions de produits standardisés.
- Technip Energies utilise l’IA comme un outil d’aide à la décision pour sécuriser des investissements colossaux et complexes.
Explorons alors les leviers technologiques et les défis culturels qui ont marqué leurs parcours respectifs.
1. Le socle technologique : Cloud vs Data Mesh
Pour supporter ces ambitions, les choix d’architecture diffèrent :
- Michelin (L’approche Data Mesh) : Michelin a migré massivement vers le Cloud (notamment Microsoft Azure). Leur particularité est le passage au Data Mesh : au lieu d’avoir un énorme “lac de données” (Data Lake) centralisé et rigide, ils ont découpé les données par domaines (Pneu, Client, Usine). Chaque domaine est responsable de la qualité de ses données, ce qui permet à l’IA de passer à l’échelle beaucoup plus vite dans les 65 usines.
- Technip Energies (L’approche Collaborative) : Technip mise sur une plateforme de données unifiée capable de croiser des décennies de données d’ingénierie (plans 3D, coûts historiques). Ils utilisent des outils d’IA générative et d’analyse prédictive pour extraire de la valeur de documents non structurés (contrats, spécifications techniques), un défi majeur dans l’ingénierie lourde.
2. Les freins culturels et comment ils les ont levés
L’adoption de l’IA n’est jamais purement technique ; le facteur humain est souvent le premier obstacle.
| Obstacles rencontrés | La réponse de Michelin | La réponse de Technip Energies |
|---|---|---|
| Peur du remplacement | Mise en avant de l’IA comme “copilote” qui élimine les tâches pénibles (ex: inspection visuelle répétitive). | Valorisation de l’expertise : l’IA aide l’ingénieur à décider plus vite, elle ne conçoit pas l’usine seule. |
| Silos de données | Création d’une communauté de “Data Stewards” dans chaque métier pour briser les barrières. | Mise en place de la Digital Services Factory pour forcer la collaboration entre l’IT et les opérationnels. |
| Manque de compétences | Plan massif d’acculturation (AI for Business Day) pour toucher tous les niveaux de l’entreprise. | Recrutement de profils hybrides : des ingénieurs métiers formés à la Data Science. |
3. Un point commun : La Gouvernance de la donnée
Les deux entreprises s’accordent sur un point : sans données propres, l’IA est inutile. Elles ont toutes deux investi massivement dans le “Data Management” pour s’assurer que les données alimentant leurs algorithmes sont fiables, sécurisées et éthiques.
Technip se concentre sur la fiabilité des données de coûts et de matériaux, tandis que Michelin priorise la donnée temps réel issue de ses capteurs d’usine (IoT).
Nous examinons un exemple concret de ROI (retour sur investissement) chiffré pour l’une de ces initiatives , ou comparons leur stratégie face à l’IA Générative (type ChatGPT) ?
Explorons l’IA Générative (GenAI), car c’est là que leurs stratégies divergent le plus récemment entre productivité individuelle et expertise technique.
1. Michelin : L’IA Générative pour tous (Démocratisation)
Michelin voit la GenAI comme un levier pour augmenter l’efficacité de chaque employé, du bureau à l’usine.
- Le “Michelin GPT” : L’entreprise a déployé une version sécurisée de ChatGPT en interne. L’objectif est d’éviter que les données sensibles ne fuitent sur le web tout en permettant aux employés de résumer des rapports techniques ou de traduire des documents de maintenance.
- Support Client & RH : Ils testent des agents conversationnels pour aider les conseillers clients à trouver instantanément la bonne spécification de pneu parmi des milliers de références, ou pour répondre aux questions internes sur les politiques RH.
- Accessibilité : Michelin mise sur le “No-Code” : permettre à des non-informaticiens de créer de petits outils d’IA pour automatiser leurs propres fichiers Excel ou mails.
2. Technip Energies : L’IA Générative pour l’Ingénierie (Expertise)
Pour Technip, l’enjeu est la gestion de millions de documents techniques complexes (normes, contrats de 500 pages, plans d’ingénierie).
- Analyse de Contrats et Normes : La GenAI est utilisée pour “interroger” des corpus documentaires massifs. Un ingénieur peut demander : “Quelles sont les contraintes de sécurité spécifiques pour l’acier dans ce projet à Singapour ?” et l’IA extrait la réponse sourcée instantanément.
- Aide au Design (Copilote d’Ingénierie) : Ils explorent la génération de codes de calcul ou de schémas de base à partir de descriptions textuelles, ce qui permet de gagner des semaines sur la phase de pré-conception d’une usine.
- Capitalisation du savoir : L’IA aide à transférer le savoir des ingénieurs seniors (souvent proche de la retraite) vers les juniors en structurant les “leçons apprises” des projets passés.
Comparaison Flash : GenAI
| Focus | Michelin | Technip Energies |
|---|---|---|
| Cible | Large (tous les employés). | Spécialisée (ingénieurs & acheteurs). |
| Usage Principal | Productivité et communication. | Extraction de savoir technique et conformité. |
| Objectif | Gagner du temps sur les tâches admin. | Sécuriser et accélérer l’ingénierie complexe. |
Quel est le ROI (Retour sur Investissement) ?
- Michelin vise une réduction des coûts de structure et une meilleure agilité globale.
- Technip Energies cherche à réduire les risques d’erreurs d’ingénierie (qui peuvent coûter des millions) et à accélérer la mise sur le marché des nouvelles solutions (hydrogène, captage de carbone).
Fodé CISSE, Journaliste, Rédacteur en Chef & Directeur de Publication © JVFE
