La collaboration doit être au cœur de l’approche IA multi‑agentique de la fabrication. Voici comment.

La plupart, sinon la totalité, des grands fabricants jonglent avec une multitude de systèmes dans leurs infrastructures numériques. Souvent, ceux‑ci fonctionnent simultanément sur le site de production : un agent de maintenance prédictive surveille les capteurs de vibration à la recherche de schémas de sécurité, un agent de contrôle qualité basé sur la vision signale les défauts de produit et un agent de planification gère les changements de série tandis qu’un agent d’inventaire suit les achats. Chaque agent a une tâche opérationnelle claire, mais le plus souvent, ces systèmes ne communiquent pas entre eux.

C’est ce manque de collaboration qui compromet l’IA agentique dans la fabrication à grande échelle. Le fait qu’un agent fonctionne ou non est une chose, mais un autre problème majeur pour les grandes entreprises manufacturières est qu’elles fonctionnent dans une quasi‑isolement total.

Et, bien que le nombre d’organisations de grande taille déployant des agents IA dans au moins une fonction soit passé de 27 % à 40 % d’une année sur l’autre, elles se concentrent sur des fonctions spécifiques telles que l’informatique et l’ingénierie logicielle au lieu de répartir les agents de manière homogène à travers l’opération comme un système coordonné. Par ailleurs, bien que la majorité des organisations prévoient de déployer des agents autonomes, seules environ un tiers estiment que leur infrastructure est prête à les soutenir. De plus, des recherches de 2025 ont montré que 79 % des défaillances des systèmes LLM multi‑agents proviennent de problèmes de coordination et de spécification.

Les fabricants ajoutent des décideurs autonomes à l’atelier et à la chaîne de production plus rapidement qu’ils ne construisent la connectivité entre eux. Cela exacerbe un problème de coordination et de collaboration qui compromet les performances de ces modèles. En fin de compte, cela se manifeste en trois parties distinctes de la pile IA. Voici où, et ce que les fabricants doivent faire pour garantir des systèmes agentiques collaboratifs et bien connectés.

Les principaux points de friction de la collaboration

Le premier, et peut‑être le plus grand, obstacle est la donnée, qui demeure un point d’achoppement important pour de nombreuses grandes organisations cherchant à déployer l’IA à grande échelle. La plupart des fabricants utilisent des décennies d’infrastructures accumulées (et les données qui y sont liées) sous forme de systèmes MES et ERP qui ne partagent pas de schéma commun avec d’autres flux de données tels que la communication et les ressources humaines. En raison de cela, les agents peinent à communiquer entre eux, voire pas du tout ; des données isolées ou mal formatées constituent une barrière quasi infranchissable entre plusieurs agents.

Cela se traduit sur le plancher de l’usine par un agent qui surveille la santé et les performances d’une machine sur une ligne n’ayant aucun moyen fiable de connaître ce que l’agent de planification, deux systèmes plus loin, prévoit pour le prochain changement de série, même si les deux décisions et flux de travail s’influencent directement.

Le prochain point de friction est le protocole. C’est un élément qui ne reçoit pas suffisamment d’attention lorsqu’on aborde la collaboration IA. L’IA agentique est très récente, et jusqu’à récemment, il n’existait aucune norme réelle permettant aux agents construits sur des cadres, fondations ou fournisseurs différents de communiquer et de collaborer.

Heureusement, cela commence à changer. Par exemple, le protocole Agent2Agent (A2A) de Google, lancé l’an dernier, normalise la façon dont les agents indépendants (potentiellement construits sur des plateformes totalement différentes) découvrent les capacités des uns et des autres et délèguent des tâches. De façon cruciale, cela est explicitement conçu pour compléter le protocole Model Context (MCP) d’Anthropic, qui normalise la manière dont chaque agent accède aux outils et aux sources de données. L’objectif commun ici est de surmonter l’isolement et d’assurer la collaboration, même dans des environnements multi‑agents, à grande échelle.

Enfin, de nombreux fabricants sont encore confrontés à la question de la supervision humaine. Même un réseau d’agents parfaitement coordonné échouera si les personnes qui le supervisent ne font pas confiance à ses décisions ou ont des attentes irréalistes quant à ses capacités. Des analystes du MIT Sloan ont émis des avertissements concernant des attentes gonflées et une confiance érodée autour de l’IA agentique, ainsi qu’une menace potentielle de désengagement humain vis‑à‑vis des agents IA. Sur le plancher de l’usine, ces lacunes et points de friction peuvent être catastrophiques : le fil humain reliant l’écosystème agentique est absolument vital pour des opérations sûres et fiables.

Combler le fossé de confiance

Il est tentant de considérer le côté humain comme un simple problème culturel qui pourrait être résolu par davantage de séances de formation. Cependant, ces efforts resteront insuffisants à moins d’être associés à des correctifs architecturaux durables. La conception de la supervision doit prévoir quand le jugement humain doit céder la place au système, et non simplement se contenter d’annuler la suggestion de l’agent parce que la personne dans la boucle n’est pas d’accord.

Intégrez la transparence du raisonnement, ce qui signifie qu’il y a toujours visibilité et la possibilité de décomposer pourquoi un agent a pris une décision ou a signalé une suggestion, au-delà de la simple observation du résultat. Et, lorsque les opérateurs ne sont pas d’accord, assurez‑vous qu’il existe un chemin d’escalade clair et efficace qui ancre la transparence et la traçabilité des processus décisionnels.

Reconstruire un sentiment de totalité

Les agents, à l’image des équipes qu’ils sont censés soutenir, ont besoin de plus qu’un accès à une tâche étroite et spécifique. Ils ont besoin de ce qui s’apparente à un sentiment de totalité ; un modèle de fonctionnement montrant comment leur partie de l’opération se relie à l’ensemble. Un agent de planification qui optimise le temps de changement de série sans aucune visibilité sur ce que l’agent de maintenance observe concernant l’équipement vieillissant ne prend qu’une décision partiellement acceptable, qui pourrait ne pas être la bonne lorsqu’on la confronte aux autres exigences du flux de travail.

C’est à ce moment que la couche protocolaire et le problème du sentiment de totalité convergent. Le contexte partagé est le moyen pratique par lequel la tâche individuelle d’un agent est ancrée à l’état réel du site de production. Dans l’industrie manufacturière, il existe déjà une réponse partielle sous la forme de normes telles que ISA-95, qui définissent des moyens communs de communication entre les systèmes d’entreprise et de contrôle à travers une usine. La nouveauté aujourd’hui, cependant, consiste à étendre cette idée d’un vocabulaire opérationnel partagé, de l’intégration lisible par l’homme à l’information que les agents peuvent traiter.

Sans ce modèle partagé, chaque agent supplémentaire déployé ajoute un nouveau point isolé de raisonnement et de prise de décision qui ne fait pas partie d’un tout cohérent. C’est exactement ainsi que la prolifération d’agents aggrave la situation au lieu de la résoudre à mesure que l’adoption s’intensifie.

Suivre le pouls des bonnes mesures de succès

Un autre piège consiste à mesurer l’IA agentique de la même façon que tout autre déploiement logiciel : en se concentrant sur les chiffres d’efficacité et en veillant à ce qu’ils continuent d’augmenter. Pour les systèmes multi‑agents coordonnés et collaboratifs, cela n’est pas forcément bénéfique et peut même se retourner contre vous lorsqu’il devient la seule métrique de performance.

La première chose à vérifier n’est pas simplement le montant d’économies réalisées par un agent, mais aussi s’il est sûr et sécurisé dans son fonctionnement tel que prévu. Il faut s’assurer qu’il agit dans les limites prévues, qu’il présente des pannes prévisibles et qu’il permette une intervention humaine et une escalade appropriées. Ce n’est qu’une fois ces points réglés que la qualité doit occuper le devant de la scène, par exemple en vérifiant que la sortie de l’agent est réellement correcte et cohérente, et pas seulement instantanée.

C’est l’ordre de priorité que les fabricants doivent suivre. La vitesse, le débit et les économies de coûts sont les priorités les plus faibles. Un gain de productivité construit sur un agent dangereux ou peu fiable constitue une responsabilité pour les équipes, la technologie, les lignes de production, les relations et la réputation de l’entreprise.

Testez à petite échelle avant de passer à plus grande. Un agent unique gérant une tâche bien définie peut fournir une comparaison claire avant‑après. En revanche, lorsque le champ d’application s’élargit pour englober des dizaines d’agents interagissant à travers toute l’usine avant que chacun n’ait été validé individuellement, il devient beaucoup plus difficile de déterminer quelle partie du système génère le résultat. La complexité ne doit être ajoutée à l’approche de mesure qu’au même rythme qu’elle l’est au déploiement.

Ici, la collaboration et la mesure commencent à coexister. La sortie d’un agent ne sera fiable que si le contexte auquel il a eu accès lors de son action l’est également. Cela signifie que le problème de contexte partagé mentionné précédemment constitue en réalité une condition préalable à la mesure. Les fabricants qui n’ont pas résolu la création d’une vue unifiée des opérations à travers les systèmes n’ont aucun moyen fiable de savoir si un résultat positif ou négatif reflète le jugement de l’agent ou une lacune dans les accès qui lui sont accordés. Les indicateurs pertinents ne sont lisibles que lorsque le séquençage et le contexte partagé sont verrouillés.

Coordination et collaboration au cœur de la capacité

En fin de compte, les avantages structurels des grands fabricants (leurs volumes de production massifs, leurs ensembles de données historiques, la constance de leurs processus et leurs ressources humaines et technologiques) sont indéniables. Cependant, ces avantages ne font que se multiplier si les fabricants résolvent d’abord le problème de la collaboration.

En regardant vers l’avenir, à mesure que les capacités de l’IA évoluent vers une autonomie totale et que les systèmes et les lignes de production se développent, cette collaboration et cette coordination deviennent une nécessité absolue. Considérer l’interopérabilité, les normes de protocole, le contexte partagé, la supervision humaine calibrée et le sentiment de totalité comme des prérequis architecturaux avant de passer à l’échelle et au déploiement est indispensable. C’est la ligne de démarcation entre les fabricants qui déploient l’IA agentique avec succès et en toute sécurité, et ceux qui restent bloqués dans des projets pilotes.