Pourquoi 80% des projets IA industriels échouent avant même de commencer (et comment y remédier) ?

Réduction de 15 à 30% des rebuts. Maintenance prédictive à 90% de précision. Backlogs résorbés en un semestre. Agents autonomes sur les chaînes d’assemblage. C’est ce qu’on lit dans les communiqués des directions industrielles et dans les roadmaps des éditeurs ERP/PLM. C’est ce que vos pairs LinkedIn partagent en interne pour vendre la transformation.

Sur le papier, tout aligne.

Sur le terrain, la réalité est plus sévère. Selon plusieurs analyses sectorielles (Gartner, McKinsey, retours terrain d’intégrateurs industrie), plus de 80% des POC d’IA industrielle n’atteignent jamais l’industrialisation. Concrètement :

Gartner prédit que d’ici 2026, 60% des projets IA non soutenus par des données « AI-ready » seront abandonnés.

L’algorithme est rarement le facteur limitant. Les modèles existent, sont accessibles, sont documentés. Le facteur limitant, c’est la qualité, la complétude et la structuration des données industrielles sur lesquelles on les applique. Et c’est précisément le sujet que personne ne veut porter en interne, parce qu’il est ingrat, lent, et politiquement risqué.

« On a recruté deux data scientists premium. Six mois plus tard, ils passaient 80% de leur temps à nettoyer des fichiers Excel, des exports SAP corrompus et des plans CAO sans métadonnées. Le modèle, on aurait pu l’entraîner en trois semaines. »
Directeur industriel, secteur énergie.

Dans une ETI industrielle moyenne, l’audit de la base PNs (Part Numbers) révèle typiquement :

• 15 à 35% de PNs non qualifiés (statut inconnu, données critiques manquantes).
• 5 à 12% de doublons exacts ou quasi-exacts créés par fusions d’entités, projets abandonnés, migrations SAP ratées.
• Des milliers de PNs « fantômes » créés pour des projets annulés et jamais purgés.

Sur 100 000 PNs, on découvre régulièrement entre 25 000 et 45 000 PNs non exploitables tels quels par un algorithme. Tout entrenar un modèle dessus, c’est accepter de prendre des décisions industrielles sur du sable.

Le bureau d’études est un cas typique. Les plans CAO vivent dans des dossiers partagés, des anciens serveurs PDM, des archives Vault mal indexées. Les révisions ne sont pas tracées. Deux versions du même plan coexistent en production depuis 18 mois. Personne ne sait laquelle est la « vraie ».

Un algorithme entraîné sur ces données apprend les incohérences, pas la réalité physique de vos produits. C’est un défaut invisible mais critique.

Une ancienne division a son propre format CSV. Une autre a un Access 2003 sauvegardé sur un partage réseau. Une troisième a un script Python artisanal que seul un retraité connaît. C’est la dette technique industrielle : le patrimoine de données que vous avez accumulé depuis 10, 20, parfois 30 ans.

Le legacy n’est pas un problème de stockage, c’est un problème de signification. Les données existent, mais leur sens est perdu, fragmenté, ou détenu par 3 personnes.

Secteurs pharmaceutique, aéronautique, dispositifs médicaux : la conformité QA n’est pas que réglementaire. Elle est structurelle. Si vos données ne sont pas traçables, versionnées, et conformes GMP/AS9100/IATF, elles ne sont pas AI-ready. Aucune IA ne peut s’appuyer sur une donnée non auditable, l’audit réglementaire finira par le révéler de toute façon.

En surface : vos dashboards data, vos outils BI, vos POC. En dessous, immergé : un volume massif de données non qualifiées, non normalisées, non documentées. Vous ne la voyez pas tant que vous n’avez pas essayé d’en faire quelque chose d’industriel.

Un data scientist coûte en moyenne 70 000 à 110 000 €/an chargé en France. Si 65% de son temps est absorbé par du nettoyage artisanal, c’est 45 000 à 70 000 €/an par profil mobilisé sur des tâches non stratégiques. Sur une équipe de 4 : 180 000 à 280 000 €/an de salaires essentiellement dédiés à compenser une dette de données.

Un projet IA qui devait livrer en 6 mois dure 12 mois, parfois 18. Pendant ce temps :

• L’opportunité marché se ferme.
• Le sponsor interne (COMEX) perd confiance.
• Les équipes internes se démoralisent.
• La concurrence avance, parfois avec moins de data, mais mieux structurée.

C’est le coût le plus sous-estimé. Un POC qui échoue une fois devient un POC qui n’est plus financé. Un sponsor qui s’est brûlé bloque le suivant. Une équipe data qui s’est usée sur du nettoyage part. Le capital de crédibilité interne pour la transformation digitale est une ressource finie. La brûler sur de la donnée non qualifiée, c’est une perte stratégique.

L’IA industrielle commence avant l’IA. Elle commence par la donnée.

La méthode retenue s’aligne sur les six disciplines d’AI data readiness identifiées par McKinsey : stratégie, qualité, plateforme, gouvernance, conformité, culture et se concentre sur les deux premières là où le backlog industriel dérive.

Contexte :

Un leader mondial du bioprocess equipment fait face à un backlog critique de 7 000 PNs non qualifiés dans son environnement SAP, suite à une consolidation de catalogue multi-sites. Deadline GMP non négociable. Équipes internes saturées.

Intervention (méthode Kleria Zéro-Backlog) :

•  Immersion (Semaine 1) : outils SAP, règles métier, contraintes GMP, legacy systems.
•  Triage et standardisation (Semaines 2–4) : classification par impact, nettoyage, règles d’entrée stabilisées.
• Traitement à l’échelle (Semaines 5–10) : batch processing, peer review systématique, QA à chaque lot.
• Livraison (Semaine 12) : dossier de qualification complet, contrôle réglementaire, zéro écart validé.

Résultat :
7 000 PNs traités. Délai tenu. Zéro écart réglementaire. Mais surtout : la donnée est désormais AI-ready. Les projets de maintenance prédictive et de rationalisation de catalogue lancés chez ce client s’appuient désormais sur une base fiable.

Contexte :
Un équipementier Tier 2 du secteur aéronautique faisait face à un éparpillement critique de plans CAD sur 3 sites, plusieurs outils PDM (CATIA, NX, SolidWorks), et un taux de révisions non tracées estimé à 40%. Audit AS9100 dans 8 mois.

Intervention :

• Cartographie complète du stock plans (~12 000 plans).
• Normalisation des métadonnées, unification du référentiel.
• Migration vers un PDM cible cloud-native conforme AS9100.
• Mise en place de règles de révision traçables.

Résultat :

100% des plans critiques tracés et versionnés à 6 mois. Audit AS9100 passé sans non-conformité majeure. Le client a pu lancer son projet d’IA sur la détection d’anomalies de conception dès l’année suivante.

Contexte :

Un acteur mid-market de l’énergie exploitait 20 ans de données équipements dans un ERP hérité (format propriétaire, documentation partielle), avec un programme de migration vers S/4HANA en cours et un risque opérationnel majeur sur les données critiques Safety & Maintenance.

Intervention :

• Audit du stock de données équipements (~85 000 enregistrements).
• Normalisation du référentiel matériel et des nomenclatures.
• Migration par lots avec peer review et contrôle qualité.
• Mise en place de KPIs de migration temps réel.

Résultat :

Données équipements migrées avec 99,2% de complétude, projet S/4HANA terminé à temps, plan de maintenance prédictive activé dès la mise en service du nouvel ERP.

Ces trois cas ont un point commun que vos pairs LinkedIn peinent souvent à formuler : les projets IA qui réussissent sont ceux qui ont traité leur dette de données d’abord.

Cet article pourrait vous intéresser :

Pas besoin d’un consultant pour commencer. Posez ces 7 questions à votre équipe data/PLM/QA :

1. Quel % de vos PNs est aujourd’hui qualifié, normé, et pleinement exploitable ?
2. Combien de vos plans CAD sont versionnés dans un référentiel unique et tracés ?
3. Quel est votre stock de données legacy non migré vers votre SI cible ?
4. Vos règles QA sont-elles documentées, reproductibles, et alignées sur vos référentiels normatifs (GMP, AS9100, IATF, ISO) ?
5. Quel est le temps moyen passé par vos équipes data sur le nettoyage vs l’analyse ?
6. Avez-vous un propriétaire identifié pour chaque segment critique de votre base de données ?
7. Si demain on vous demande un inventaire exhaustif de votre patrimoine de données industrielles, combien de temps faut-il pour l’obtenir ?

• 0–1 réponse négative : vous êtes AI-ready, votre prochain défi est l’industrialisation.
• 2–3 réponses négatives : votre dette technique est tolérable mais devient un plafond.
• 4+ réponses négatives : votre prochain projet IA, ERP cloud ou PLM cloud-native sera en danger avant même de commencer.

Si vous êtes dans le dernier tiers, vous n’avez probablement pas un problème d’algorithme : vous avez un problème de données non qualifiées. Et c’est précisément là que Kleria intervient.