Demandez à un chatbot doté d’une IA générale combien de chariots élévateurs votre entrepôt a besoin pour la haute saison, et vous obtiendrez une réponse claire, assurée et bien structurée. Il mentionnera probablement le volume des commandes, les distances à parcourir et les objectifs d’utilisation. Il pourrait même vous donner un chiffre.
Ce chiffre ne proviendra pas de votre entrepôt. Le chatbot n’a jamais vu votre agencement, vos temps de préparation des commandes, ni la façon dont votre deuxième équipe fonctionne réellement. Il raisonne à partir de schémas généraux et comble tout ce qu’il ignore par des hypothèses qui semblent raisonnables.
Ce n’est pas une faiblesse de l’IA. C’est une question de données dont dispose l’IA pour fonctionner. Associez un assistant IA à un jumeau numérique, c’est-à-dire un modèle construit à partir des chiffres réels de votre activité, et ce même assistant pourra fournir des réponses fondées sur le fonctionnement réel de votre entreprise. Cet article explique pourquoi l’IA a besoin d’un jumeau numérique, ce qui rend un modèle suffisamment solide pour que l’IA puisse s’en servir, et comment déterminer si le vôtre est prêt.
Un chatbot d’IA générale peut expliquer des concepts, raisonner sur des problèmes et suggérer des approches, mais il ne connaît pas votre activité. Il fonctionne à partir de son apprentissage et de ce que vous saisissez dans la conversation. Pour les questions qui dépendent de votre configuration réelle, de votre timing, de votre variabilité et de vos contraintes, il doit combler les lacunes avec des hypothèses types, et ses réponses semblent tout aussi sûres dans un cas comme dans l’autre.
L’IA générale est utile pour le travail opérationnel. Elle excelle à expliquer le fonctionnement des files d’attente, à présenter les facteurs qui influencent le débit, à élaborer un plan d’analyse ou à vous aider à réfléchir à un problème que vous n’avez jamais résolu auparavant. C’est pour cela qu’elle a été conçue, et elle s’en acquitte très bien.
Les difficultés commencent lorsque la question passe de « comment ce type de problème fonctionne-t-il ? » à « que va-t-il se passer dans mon exploitation ? ». Pour y répondre, il faut des faits dont un chatbot ne dispose pas :
Vous pourriez essayer de saisir tout cela dans une fenêtre de chat, mais les opérations sont trop interconnectées pour être résumées en une simple invite. Quoi que vous saisissiez, il ne s’agit que d’un instantané, qui devient obsolète dès que l’opération change. Même avec de bonnes données d’entrée, un chatbot ne peut qu’estimer ce qui se passerait. Il ne peut pas simuler le déroulement de votre opération et l’observer.
Un jumeau numérique fournit à l’IA un modèle fonctionnel de votre opération réelle, construit à partir de données réelles : votre configuration, vos temps de traitement, votre variabilité, vos règles et vos contraintes. Connecté à un jumeau numérique, un assistant IA peut lire directement ces informations et simuler des scénarios pour tester ses réponses, au lieu de se contenter d’estimations basées sur des schémas généraux. Cette connexion s’effectue généralement via le Model Context Protocol (MCP), une norme ouverte qui permet à un assistant IA d’interagir directement avec des logiciels tels que des outils de simulation, plutôt que de se limiter à ce que vous saisissez.
Un jumeau numérique est un modèle de simulation d’une opération réelle, telle qu’une usine, un entrepôt, un hôpital ou un réseau d’approvisionnement, construit à partir des données de cette opération et mis à jour en fonction de son fonctionnement réel. Il ne se contente pas de stocker des chiffres : il montre comment ceux-ci interagissent au fil du temps. De nombreux jumeaux numériques se connectent également directement aux systèmes où résident les données opérationnelles, tels que les systèmes ERP et MES, de sorte que leurs données puissent être mises à jour automatiquement au lieu d’être saisies à nouveau à chaque fois par un modélisateur.
Cela modifie ce que l’IA peut faire à partir d’une requête. La différence se présente comme suit :
| Chatbot à IA générale | IA connectée à un jumeau numérique | |
| Origine des informations | Données d’entraînement et ce que vous saisissez | Les données réelles de votre activité intégrées au modèle, associées aux capacités d’apprentissage et d’inférence de l’IA |
| Mise à jour des données | Tout ce que vous avez saisi, à la date et à l'heure où vous l'avez saisi | Peut se mettre à jour automatiquement à partir des systèmes connectés |
| Variabilité | Supposée, généralement sous forme de moyennes estimées au mieux | Modélisées telles qu’elles se produisent réellement |
| Vérification d'une réponse | Fournit une estimation de la meilleure hypothèse possible de ce qui pourrait se produire | Exécute le scénario et mesure les résultats |
| Suivi du raisonnement | Explique sa logique en termes généraux | Met en évidence les hypothèses, les données et les résultats spécifiques du modèle |
L'IA est la même dans les deux colonnes. Ce qui change, c'est l'objet de son raisonnement. L’IA générale apporte le raisonnement, tel que les statistiques, la théorie des files d’attente et la conception expérimentale, ainsi que le savoir-faire nécessaire pour mettre le modèle en œuvre en choisissant les scénarios à exécuter et en interprétant les résultats. Le jumeau numérique apporte les faits. Ensemble, ils vous fournissent des réponses à la fois bien fondées et spécifiques à votre activité.
La qualité des réponses de l’IA dépend entièrement de celle du modèle sur lequel elle s’appuie. Associée à un jumeau numérique fiable, l’IA fournit des réponses rapides et fiables. Associée à un modèle obsolète ou non validé, elle fournit des réponses tout aussi rapides, mais fondées sur des chiffres erronés. Un bon modèle sur lequel l’IA peut s’appuyer repose sur des données réelles, est validé par rapport à l’exploitation réelle et est tenu à jour.
L’IA rend un modèle bien plus utile en permettant de l’explorer plus rapidement et de le remettre en question plus facilement. Cela signifie également qu’elle amplifie tout ce que le modèle fait correctement ou incorrectement. Si le modèle se base sur un temps de traitement qui a changé l’année dernière, chaque réponse fournie par l’IA reproduira cette erreur, rapidement et avec assurance.
C’est ce qui fait du modèle l’élément le plus précieux de l’ensemble. Trois qualités sont primordiales :
Rien de tout cela n’est nouveau dans le domaine de la simulation. Ce sont ces mêmes qualités qui ont toujours distingué un modèle digne de confiance de celui qui ne l’est pas. Ce qui est nouveau, c’est l’étendue des possibilités offertes par un bon modèle dès lors que l’IA permet à davantage de personnes de lui poser facilement des questions.
Un jumeau numérique transforme les réponses de l’IA, qui ne sont plus de simples estimations générales, en résultats spécifiques et vérifiables. Un chatbot classique fournit un cadre solide et une estimation. Un assistant IA s’appuyant sur un jumeau numérique donne une réponse liée aux chiffres réels de l’exploitation, accompagnée des résultats de simulation qui l’étayent.
Exemple de scénario : le responsable d’un centre de distribution souhaite savoir si le bâtiment est capable de gérer une augmentation de 20 % des commandes pendant la période de pointe des fêtes.
Posée via un chatbot généraliste, la question donne lieu à une vue d’ensemble utile. Elle énumère les facteurs à prendre en compte, tels que la capacité de préparation des commandes, les cadences d’emballage, les portes de quai et la main-d’œuvre, et suggère de calculer le taux d’utilisation à chaque étape. Elle peut estimer qu’une augmentation de 20 % est gérable si le taux d’utilisation actuel est inférieur à un seuil habituel. Tout cela est raisonnable. Mais rien de tout cela ne concerne ce bâtiment en particulier.
Posée via un assistant IA connecté au jumeau numérique du centre de distribution, la même question obtient un autre type de réponse. L’assistant augmente le volume des commandes dans le modèle de 20 %, simule le scénario en utilisant les temps de préparation réels du bâtiment, les plannings des équipes et les schémas de commandes, puis rend compte des résultats. Supposons que les résultats montrent que la préparation des commandes suit le rythme, mais que l’emballage accuse un retard de deux heures après la vague du soir, car les postes d’emballage partagent une seule file d’attente d’impression. Le responsable sait désormais exactement où se situe le goulot d’étranglement et peut poser une question complémentaire : que se passerait-il si une deuxième imprimante était ajoutée pour les semaines de pointe ?
La première réponse vous aide à réfléchir. La seconde vous aide à prendre une décision.
Un modèle est prêt pour l’IA lorsqu’il repose sur des données opérationnelles réelles, qu’il a été validé pour les types de questions que les utilisateurs sont susceptibles de poser et qu’il est mis à jour lorsque l’activité évolue. Si l’un de ces éléments fait défaut, renforcer le modèle en premier lieu sera plus bénéfique pour vos résultats en matière d’IA que toute autre mesure.
Trois questions vous aident à vérifier cela :
La bonne nouvelle, c’est que l’IA peut également vous aider dans ce travail. Un assistant IA peut expliquer les hypothèses d’un ancien modèle, signaler les données d’entrée qui semblent incohérentes et relancer la vérification après les mises à jour. C’est toujours aux personnes qui connaissent bien l’activité qu’il revient de juger si le modèle reflète la réalité, mais l’IA permet de mettre un modèle au point plus rapidement qu’auparavant.
Chez Simio, nous considérons l’IA et les jumeaux numériques comme des partenaires naturels : le jumeau numérique fournit les données factuelles sur votre exploitation, et l’IA permet d’explorer ces données plus rapidement. Pour en savoir plus, regardez le récent webinaire de Simio sur l’IA dans la simulation ou découvrez comment Simio intègre l’IA dans la simulation.