Les grandes entreprises ont actuellement tendance à utiliser l’IA de manière particulièrement utile, mais pas forcément pour rédiger des e-mails ou répondre à des questions. Chez PepsiCo, l’IA est testée dans des domaines où les erreurs sont coûteuses et les changements difficiles à annuler – comme les agencements d’usine, les lignes de production et les opérations physiques.
Cette évolution se manifeste dans la manière dont PepsiCo utilise l’IA et les jumeaux numériques pour modéliser et ajuster ses installations de fabrication avant d’apporter des modifications dans le monde réel. Plutôt que d’expérimenter avec des interfaces de chat ou des outils de bureau, l’entreprise applique l’IA à l’un de ses problèmes clés : 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 la fabrication, ils peuvent simuler le placement des équipements, le flux de matériaux et la vitesse de production. Associés à l’IA, ces modèles peuvent tester des milliers de scénarios qui seraient impraticables – ou coûteux – à essayer sur une ligne de production réelle.
PepsiCo travaille avec des partenaires pour appliquer des jumeaux numériques pilotés par l’IA à certaines parties de son réseau de fabrication, les premiers pilotes étant axés sur l’amélioration de la conception et de l’ajustement des installations au fil du temps.
L’objectif n’est pas l’automatisation pour elle-même. Il s’agit du temps de cycle. Au lieu de prendre des semaines ou des mois pour valider des changements par le biais d’essais physiques, les équipes peuvent tester virtuellement des configurations, identifier les problèmes plus tôt et agir plus rapidement lorsque des mises à jour sont nécessaires.
Dans les grandes entreprises de biens de consommation, les changements d’usine ont tendance à se dérouler lentement. Même de petits ajustements – un nouveau plan de ligne, un flux d’emballage différent, ou une mise à niveau d’équipement – peuvent nécessiter de longs cycles de planification, des approbations et des tests échelonnés. Chaque retard a des répercussions sur les chaînes d’approvisionnement et la disponibilité des produits.
Les jumeaux numériques offrent un moyen de contourner ce goulot d’étranglement. En simulant des environnements de production, les équipes peuvent voir comment les changements pourraient affecter le débit, la sécurité ou les temps d’arrêt avant de toucher l’installation réelle.
Les premiers pilotes de PepsiCo ont montré des temps de validation plus rapides et des signes d’amélioration du débit sur les sites initiaux, bien que l’entreprise n’ait pas encore publié de données détaillées. Ce qui importe plus que les chiffres, c’est le schéma : 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.
Cette sorte de cas d’utilisation correspond à une tendance plus large. Les entreprises qui vont au-delà des projets pilotes se concentrent souvent sur des problèmes étroits et bien définis où l’IA peut réduire les frictions dans les flux de travail existants. La fabrication, la logistique et les opérations de santé montrent plus de traction que le travail de connaissance ouvert.
L’approche de PepsiCo met également en lumière un changement plus discret dans la façon dont les programmes d’IA sont justifiés au sein des grandes entreprises. La valeur est liée aux résultats opérationnels – gain de temps, moins de perturbations, meilleure planification – plutôt qu’à des affirmations générales sur la productivité.
Cette distinction est importante. De nombreux efforts d’IA en entreprise stagnent car ils peinent à relier l’utilisation à l’impact mesurable. Les outils sont déployés, mais les flux de travail restent les mêmes.
Les jumeaux numériques changent cette dynamique car ils s’inscrivent directement dans les processus de planification et d’ingénierie. Si un changement simulé réduit de semaines une mise à niveau d’usine, le bénéfice est visible. S’il réduit le risque de temps d’arrêt, les équipes opérationnelles peuvent mesurer cela 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. En santé, par exemple, Amazon teste un assistant IA dans son application One Medical qui utilise l’historique des patients pour réduire les admissions répétitives et soutenir les interactions de soins, selon des commentaires du PDG Andy Jassy rapportés cette semaine. L’assistant est intégré dans le flux de soins, et non proposé comme une fonction autonome.
Les deux cas soulignent la même leçon : l’adoption de l’IA va plus vite lorsqu’elle s’inscrit dans la manière dont le travail est déjà réalisé, au lieu de demander aux équipes d’inventer de nouvelles habitudes.
Le travail sur les jumeaux numériques de PepsiCo est peu probable d’être unique pendant longtemps. Les grands fabricants de produits alimentaires, de produits chimiques et de biens industriels sont confrontés à des contraintes de planification et à des pressions économiques 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 de l’adoption de l’IA en entreprise.
Premièrement, le centre de gravité se déplace des outils larges et génériques 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 la propriété du processus et de la gouvernance. Un jumeau numérique n’est utile que dans la mesure où les données opérationnelles le nourrissent.
Troisièmement, ce type de travail d’IA a tendance à rester dans l’ombre. Il ne génère pas de démonstrations spectaculaires, mais il peut remodeler la planification des dépenses en capital et la gestion des risques des entreprises.
Cela explique également pourquoi de nombreuses entreprises restent prudentes. La construction et la maintenance de jumeaux numériques précis nécessitent du temps, une coordination entre les équipes et une connaissance approfondie des systèmes physiques. Le retour sur investissement vient de l’utilisation répétée, et non de victoires ponctuelles.
Dans la couverture de l’IA, il est facile de se concentrer sur de nouveaux modèles, agents ou interfaces. Des histoires comme celle de PepsiCo indiquent une direction différente. Elles montrent que l’IA est traitée comme une infrastructure – quelque chose qui se trouve sous les décisions quotidiennes et qui change progressivement la façon dont le travail circule dans une organisation.
Pour les dirigeants d’entreprise, la leçon n’est pas de copier la pile technologique. C’est de chercher des endroits où les retards de planification, les cycles de validation ou les risques opérationnels ralentissent l’entreprise. Ces points de friction sont là où l’IA a le plus de chances de s’ancrer.
Les pilotes de jumeaux numériques de PepsiCo suggèrent que le sol de l’usine pourrait être l’un des terrains d’essai les plus pratiques pour l’IA aujourd’hui – non pas parce que c’est tendance, mais parce que l’impact est plus facile à voir lorsque le temps et les erreurs ont un coût clair.