Agentic AI en industrie : architecture, cas d’usage et garde-fous

Architecture conceptuelle d’un agent industriel : les données et outils alimentent le raisonnement, puis une validation humaine précède l’action.

Publié en octobre 2026.

L’Agentic AI, ou IA agentique, ne désigne pas simplement un chatbot plus performant. Un agent reçoit un objectif, analyse son environnement, construit un plan, utilise des outils numériques, vérifie les résultats et adapte ses prochaines actions. Dans l’industrie, cette capacité peut servir à analyser un arrêt, replanifier une production, préparer une intervention de maintenance ou coordonner des flux logistiques.

Mais passer d’une IA qui recommande à une IA qui agit change profondément le niveau de risque. Une réponse erronée dans une conversation est gênante ; une mauvaise instruction adressée à un MES, un WMS ou un équipement peut perturber un atelier. L’enjeu n’est donc pas de rechercher le maximum d’autonomie. Il est de choisir le bon niveau d’autonomie, avec les bonnes données, les bonnes limites et une responsabilité humaine explicite.

Ce guide explique l’architecture d’un agent industriel, ses cas d’usage, ses prérequis, ses indicateurs et ses garde-fous. Il propose également une feuille de route progressive, de l’assistant en lecture seule à l’action contrôlée.

1. Qu’est-ce que l’Agentic AI ?

La littérature ne stabilise pas encore une définition unique. La revue de Ren et ses collègues distingue néanmoins plusieurs idées utiles : l’agent perçoit un contexte, poursuit un objectif, raisonne sur plusieurs étapes, utilise des outils et peut interagir avec d’autres agents ou avec des humains. Le Journal of Manufacturing Systems souligne justement que la multiplication des termes — agent IA, agent fondé sur un grand modèle de langage, système multi-agents et Agentic AI — exige de bien préciser le périmètre étudié.

Approche	Fonction principale	Exemple industriel
Automatisation classique	Exécuter une règle ou une séquence prédéfinie	Arrêter une machine lorsque la température dépasse un seuil certifié
IA prédictive	Estimer une probabilité ou une valeur	Prédire un risque de panne dans les sept prochains jours
IA générative	Produire ou synthétiser un contenu	Résumer les rapports d’intervention d’une ligne
Copilote	Assister un utilisateur qui reste à l’initiative	Répondre à une question sur le TRS ou rechercher une procédure
Agent IA	Poursuivre un objectif par plusieurs étapes et appels d’outils	Analyser un arrêt, interroger la GMAO et proposer une intervention
Système multi-agents	Coordonner plusieurs agents spécialisés	Faire coopérer planification, maintenance, qualité et logistique

Le NIST décrit des agents capables de percevoir, raisonner et agir dans un environnement de fabrication. Ses exemples couvrent la génération de conception, la surveillance des procédés, la maintenance, la qualité et la chaîne logistique. Cette ressource concerne principalement la fabrication additive, mais son architecture agentique illustre des composants transposables à d’autres contextes industriels.

2. Comment fonctionne un agent industriel ?

Un agent industriel n’est pas un modèle isolé. C’est un système sociotechnique qui relie un modèle de raisonnement, des données, des logiciels, des règles et des personnes.

1. Objectif et périmètre. L’agent reçoit une mission explicite : réduire les retards d’un planning, préparer un diagnostic ou vérifier la disponibilité de composants. Les décisions interdites doivent être définies aussi clairement que les décisions autorisées.
2. Perception et contexte. Il collecte les informations utiles depuis le MES, l’ERP, la GMAO, le WMS, les capteurs, les procédures ou le jumeau numérique. Ces informations doivent être datées, traçables et assorties de leur niveau de qualité.
3. Planification. Il décompose l’objectif en étapes, choisit les données à consulter et détermine les outils nécessaires.
4. Raisonnement et modèles spécialisés. Un grand modèle peut orchestrer le travail, tandis que des modèles plus petits, des règles métiers, un solveur d’optimisation ou un modèle physique traitent les calculs spécialisés.
5. Outils. L’agent utilise des API contrôlées pour rechercher une gamme, exécuter une simulation, interroger un stock ou préparer un ordre de travail.
6. Mémoire et état. Il conserve les faits nécessaires à la tâche, les actions déjà tentées et leurs résultats. Cette mémoire doit être gouvernée, limitée et versionnée.
7. Garde-fous. Des règles empêchent les opérations hors périmètre, limitent les droits, filtrent les données et imposent une validation pour les actions sensibles.
8. Supervision. Chaque étape importante produit une trace exploitable : données consultées, hypothèses, outil appelé, réponse reçue, décision et approbateur.

Principe d’architecture : le modèle de langage peut orchestrer et expliquer ; les calculs critiques restent confiés à des règles, modèles, solveurs et fonctions validés. Les automatismes de sécurité ne doivent pas dépendre d’une réponse probabiliste.

Cette approche hybride apparaît dans les travaux récents. Farahani, Khan et Wuest proposent par exemple une architecture de maintenance prescriptive où un agent fondé sur un grand modèle orchestre des agents spécialisés, tandis que des modèles compacts et des règles assurent des tâches ciblées en périphérie. Leur preuve de concept conserve une interface humaine pour rendre les recommandations transparentes et auditables. Voir l’article dans le Journal of Manufacturing Systems.

3. Six cas d’usage industriels

Cas d’usage	Ce que l’agent peut faire	Autonomie initiale recommandée
Planification et ordonnancement	Analyser une perturbation, tester des scénarios et proposer un nouveau séquencement sous contraintes	Recommandation soumise au planificateur
Maintenance	Regrouper alarmes, historique, criticité et pièces disponibles pour préparer un diagnostic et un ordre de travail	Création d’un brouillon dans la GMAO
Qualité	Relier dérives de procédé, défauts, lots et changements de matière ; proposer des causes à vérifier	Analyse et checklist, sans libération automatique du lot
Logistique interne	Prioriser les missions, anticiper une rupture et préparer un réapprovisionnement	Suggestion ou mission validée par le superviseur
Énergie et ressources	Comparer production, tarifs, puissance appelée et contraintes process pour recommander un scénario	Conseil ; action seulement dans des limites techniques validées
Assistance aux équipes	Retrouver une procédure, expliquer une alarme et préparer un passage de consignes	Lecture seule avec références vers les sources

La feuille de route 2026 du NIST sur l’IA pour la fabrication intelligente traite précisément l’analyse de données industrielles, les systèmes autonomes, les jumeaux numériques, la robotique, l’optimisation logistique et la fabrication durable. Elle rappelle toutefois que l’intégration aux équipements hétérogènes, la qualité des données et la fiabilité restent des obstacles majeurs.

4. Exemple : replanifier après une panne

Le scénario suivant est pédagogique. Il ne décrit pas une installation réelle.

Une usine possède trois lignes. Une machine critique de la ligne B devient indisponible pendant six heures alors que deux commandes prioritaires doivent être expédiées le lendemain.

Un agent de planification contrôlé pourrait suivre ce processus :

1. recevoir l’événement d’indisponibilité depuis le MES ou la GMAO ;
2. vérifier l’horizon de réparation et son niveau d’incertitude ;
3. interroger les commandes, les stocks et les dates promises dans l’ERP ;
4. récupérer les gammes, qualifications, temps de changement et capacités alternatives ;
5. demander au solveur d’ordonnancement plusieurs scénarios admissibles ;
6. comparer retard, heures supplémentaires, changements de série et risque qualité ;
7. présenter au planificateur les hypothèses et les compromis ;
8. après approbation, transmettre le scénario retenu au système de planification et journaliser l’action.

L’agent ne doit pas inventer une capacité, une qualification ou une disponibilité matière. Lorsqu’une donnée manque, le comportement attendu est de signaler l’incertitude et demander une validation, pas de compléter silencieusement le dossier.

5. Une échelle pratique d’autonomie

La grille suivante est une proposition pédagogique de cet article ; elle ne constitue pas une norme.

Niveau	Rôle de l’agent	Exemple
A0 — Consultation	Recherche et résume des informations en lecture seule	Expliquer une alarme à partir de la documentation approuvée
A1 — Recommandation	Analyse et propose ; l’humain décide et exécute	Proposer trois scénarios d’ordonnancement
A2 — Préparation	Crée un brouillon d’action réversible	Préparer un ordre de travail non encore libéré
A3 — Action approuvée	Exécute une opération après validation humaine explicite	Mettre à jour un planning après approbation
A4 — Autonomie bornée	Agit dans une enveloppe autorisée et surveillée	Réaffecter une mission logistique non critique dans une zone définie
A5 — Coordination multi-agents	Plusieurs agents négocient ou coordonnent des objectifs	Production, maintenance et logistique construisent un scénario commun

Le niveau le plus élevé n’est pas nécessairement le meilleur. Une tâche rare, critique ou mal mesurée peut rester durablement au niveau A1. À l’inverse, une action fréquente, réversible, bien instrumentée et à faible impact peut évoluer vers A3 ou A4 après validation.

6. Les prérequis avant de développer un agent

6.1 Un problème mesurable

Il faut partir d’une décision opérationnelle identifiable, pas de la volonté générale « d’utiliser l’IA ». Le processus actuel, son délai, ses erreurs, son coût et ses exceptions doivent être connus. Sans ligne de base, aucun gain ne peut être attribué à l’agent.

6.2 Des données compréhensibles et gouvernées

Les codes équipements, gammes, articles, statuts d’ordres et horodatages doivent avoir une signification stable. L’agent a besoin de savoir quelle source fait autorité, quand elle a été mise à jour et quelles transformations elle a subies.

6.3 Des outils accessibles par des interfaces contrôlées

Une API intermédiaire est préférable à un accès direct et général à la base de données. Chaque fonction doit être limitée : lire un ordre, lancer une simulation, créer un brouillon ou demander une approbation. Les droits en écriture ne sont ouverts que lorsque le cas d’usage le justifie.

6.4 Un propriétaire opérationnel

Le projet doit avoir un responsable métier capable de définir les contraintes et d’accepter ou refuser les risques. L’équipe IA ne peut pas décider seule des règles de planification, de maintenance ou de qualité.

6.5 Un environnement d’essai

Avant toute connexion à la production, l’agent doit être testé sur des historiques, des cas limites et des scénarios simulés. Un jumeau numérique ou un bac à sable permet de mesurer son comportement sans exposer les opérations réelles.

7. Garde-fous techniques et organisationnels

• Moindre privilège : donner à l’agent uniquement les données et actions indispensables.
• Liste blanche d’outils : interdire les appels non prévus et valider les paramètres avant exécution.
• Séparation IT/OT : isoler l’orchestration conversationnelle des automatismes, réseaux et fonctions de sécurité.
• Validation humaine : prévoir une approbation explicite pour les actions à fort impact, ainsi qu’un véritable droit d’arrêt.
• Journal immuable : conserver les entrées, versions, appels d’outils, décisions, validations et résultats.
• Gestion des sources : considérer les documents, messages et données externes comme des entrées non fiables susceptibles de contenir des instructions malveillantes.
• Limites de coût et de temps : imposer un budget d’appels, un nombre maximal d’étapes et un délai d’expiration.
• Retour sûr : arrêter proprement, revenir à une procédure manuelle ou à une règle déterministe lorsque l’agent échoue.
• Surveillance continue : détecter les dérives de données, les changements de comportement et les taux anormaux d’intervention humaine.

Le NIST AI Risk Management Framework organise cette gouvernance autour de quatre fonctions : gouverner, cartographier, mesurer et gérer. Son profil consacré à l’IA générative insiste notamment sur les risques de confabulation, d’intégrité de l’information et de biais d’automatisation, c’est-à-dire la tendance à accorder trop de confiance à une sortie automatisée. Voir NIST AI 600-1.

8. Comment mesurer un agent industriel ?

La précision d’une réponse textuelle ne suffit pas. Il faut évaluer le système complet dans des conditions proches de son usage réel.

• Taux de réussite de la tâche et proportion de tâches abandonnées proprement ;
• Respect des contraintes de capacité, qualité, sécurité, délai et autorisation ;
• Taux d’erreur des appels d’outils et récupération après échec ;
• Qualité des preuves : part des affirmations reliées à une source vérifiable ;
• Interventions humaines : validation, correction, rejet et arrêt ;
• Temps de résolution par rapport au processus de référence ;
• Impact opérationnel : retard, indisponibilité, rebut, énergie ou stock, selon le cas ;
• Coût total par tâche résolue, incluant modèles, intégration, supervision et maintenance ;
• Résilience face aux données manquantes, instructions contradictoires et cas hors périmètre.

Le NIST AI for Manufacturing Workshop 2026 identifie précisément la fiabilité, la sécurité, l’interopérabilité et l’absence de métriques standardisées comme des obstacles à l’adoption des agents industriels. Un pilote convaincant doit donc documenter les échecs aussi soigneusement que les réussites.

9. Gouvernance, normes et réglementation

ISO/IEC 42001:2023 propose un système de management de l’intelligence artificielle. La norme n’indique pas comment programmer un agent ; elle aide l’organisation à définir responsabilités, politiques, évaluation des impacts, contrôle des risques et amélioration continue. Consulter la présentation officielle d’ISO/IEC 42001.

Dans l’Union européenne, la qualification juridique dépend de l’usage, du secteur et de la fonction du système, pas du seul mot « agent ». Le règlement européen sur l’intelligence artificielle suit une approche fondée sur les risques et prévoit, pour certains systèmes à haut risque, la traçabilité, la documentation, la robustesse, la cybersécurité et une supervision humaine appropriée. L’analyse doit être menée avec les équipes juridiques, sécurité, qualité et métier ; cet article ne constitue pas un avis juridique.

10. Feuille de route en cinq étapes

1. Choisir une tâche étroite et réversible. Par exemple, préparer un diagnostic ou comparer des scénarios sans modifier le système source.
2. Construire un agent en lecture seule. Vérifier la qualité des données, les droits, les références et les temps de réponse.
3. Mesurer sur des cas historiques. Utiliser un jeu de tests comprenant cas normaux, données manquantes, contradictions et incidents rares.
4. Introduire l’approbation humaine. Autoriser seulement la création d’un brouillon ou l’exécution d’une action réversible après validation.
5. Élargir progressivement. Augmenter le périmètre uniquement lorsque les métriques, l’audit, la cybersécurité et le retour sûr sont maîtrisés.

Cette progression évite le « grand soir autonome ». Elle produit aussi des bénéfices intermédiaires : meilleure documentation, données plus cohérentes, API plus propres et règles de décision explicites.

11. Questions fréquentes

Un agent IA est-il simplement un chatbot connecté au MES ?

Non. Une interface conversationnelle peut faire partie du système, mais l’agent comprend aussi un objectif, une planification, des outils, un état, des règles et un mécanisme de contrôle. Connecter directement un chatbot généraliste à un MES avec des droits étendus serait une architecture dangereuse.

Les agents vont-ils remplacer les planificateurs ou les techniciens ?

Ils automatiseront probablement certaines recherches, synthèses et préparations. La connaissance du terrain, l’arbitrage entre objectifs, la gestion des exceptions et la responsabilité restent essentiels. Le bon objectif est d’améliorer la qualité et la vitesse des décisions, pas de supprimer artificiellement l’humain du système.

Faut-il commencer par un système multi-agents ?

Généralement non. Un workflow déterministe ou un agent spécialisé est plus simple à tester, sécuriser et maintenir. Le multi-agent devient utile lorsque des rôles réellement différents doivent coopérer et que cette complexité apporte un avantage mesurable.

Quelles données faut-il préparer ?

Les données nécessaires dépendent de la décision : événements machines, ordres, stocks, gammes, capacités, historiques d’intervention, résultats qualité et procédures. Leur fraîcheur, leur sémantique et leur provenance comptent davantage que leur volume brut.

Quel est le premier cas d’usage recommandé ?

Un cas fréquent, coûteux, bien documenté et réversible. L’assistance au diagnostic, la recherche de procédures ou la comparaison de scénarios de planning constituent souvent de meilleurs débuts que le contrôle direct d’un procédé.

Conclusion

L’Agentic AI ouvre une évolution importante : l’IA ne se limite plus à prédire ou produire du texte, elle peut organiser une suite d’actions et utiliser les systèmes de l’entreprise. Dans l’industrie, cette capacité ne crée de valeur que si elle repose sur des données maîtrisées, des outils limités, des modèles spécialisés, une évaluation réaliste et une supervision humaine effective.

La question utile n’est donc pas « Jusqu’où pouvons-nous rendre l’usine autonome ? », mais plutôt : quelle décision pouvons-nous améliorer, avec quel niveau d’autonomie, quelles preuves et quel mécanisme de retour sûr ?

Références

1. Ren, Y., Liu, Y., Ji, T. et Xu, X. (2025). « AI Agents and Agentic AI—navigating a plethora of concepts for future manufacturing ». Journal of Manufacturing Systems, 83, 126–133. https://doi.org/10.1016/j.jmsy.2025.08.017.
2. Farahani, M. A., Khan, M. I. et Wuest, T. (2026). « Hybrid agentic AI and multi-agent systems in smart manufacturing ». Journal of Manufacturing Systems, 86, 612–623. https://doi.org/10.1016/j.jmsy.2026.04.002.
3. Lee, J. et al. (2026). « 2026 roadmap on artificial intelligence and machine learning for smart manufacturing ». Machine Learning: Engineering, 2(2), 022001. https://doi.org/10.1088/3049-4761/ae5967.
4. NIST (2026). Artificial Intelligence for Manufacturing Workshop.
5. NIST. Agentic AI for Additive Manufacturing.
6. NIST (2023). Artificial Intelligence Risk Management Framework 1.0.
7. NIST (2024). Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile.
8. ISO (2023). ISO/IEC 42001:2023 — Information technology — Artificial intelligence — Management system.
9. Commission européenne (mise à jour 2026). AI Act — Regulatory framework for artificial intelligence.
10. World Economic Forum (2025). Frontier Technologies in Industrial Operations: The Rise of Artificial Intelligence Agents.

Image d’illustration créée avec un outil d’IA générative. Elle représente une architecture conceptuelle et non une installation industrielle réelle.