Projet réalisé dans le cadre du Consortium industriel FactoryLab, mené par le CEA-List en collaboration avec le CETIM, Safran, SLB, Stellantis et NAVAL GROUP.
Partie 1 : Contexte
Les modèles de langage de grande taille ouvrent de nouveaux usages dans l’usine, car ils comprennent des descriptions de pannes, interprètent des instructions procédurales et dialoguent en langage naturel avec des bases de connaissances. Ils peuvent ainsi devenir des copilotes techniques, des interfaces universelles entre opérateurs et systèmes numériques, et accélérer la capitalisation de la connaissance métier.
COPILIO s’inscrit dans cette dynamique avec une contrainte forte : rendre ces capacités utilisables dans des contextes industriels où la donnée est sensible, les exigences de traçabilité sont élevées et la performance doit rester compatible avec des ressources informatiques limitées. Le projet a combiné une revue structurée de la littérature et une analyse des options de déploiement disponibles pour l’entreprise, en tenant compte des enjeux de sécurité, de coûts et d’intégration.
Partie 2 : Enjeux & innovation
L’enjeu principal n’est pas de produire des réponses longues, mais de produire des réponses utiles, vérifiables et actionnables. Pour cela, COPILIO a mis l’accent sur des architectures qui ancrent les réponses dans des sources maîtrisées et qui permettent une traçabilité des informations. Le projet s’est également attaché à distinguer les tâches qui relèvent d’un modèle génératif et celles qui relèvent de modèles spécialisés plus légers, plus rapides et plus robustes sur des tâches ciblées.
L’innovation portée par COPILIO se traduit par un portefeuille de scénarios industriels concrets couvrant diagnostic en temps réel, maintenance préventive, simulation de scénarios, assistance à la conformité, formation et transfert de savoir, analyse de causes racines, planification de maintenance, et génération de documentation technique. Pour les usages liés à la production documentaire et à la consultation de procédures, l’approche par recherche augmentée et génération est identifiée comme un levier majeur pour réduire les erreurs factuelles et renforcer la confiance.
Partie 3 : Résultats
COPILIO a consolidé une lecture claire de l’état de l’art, en rappelant les fondements transformeur et l’évolution des modèles pré entrainés pour des tâches industrielles, notamment les familles issues de BERT. Les modèles spécialisés ressortent comme des briques efficaces pour la classification et l’extraction. À titre d’exemple, une famille DeBERTa orientée industriel atteint une exactitude de l’ordre de quatre vingt onze pour cent sur la classification d’incidents, contre quatre vingt huit pour cent pour une variante RoBERTa sur le même type de tâche, ce qui confirme l’intérêt d’un choix différencié selon la criticité.
Sur la dimension déploiement, le projet a objectivé les arbitrages entre offre SaaS et déploiement local. Pour un volume modéré, le coût annuel des jetons en SaaS se situe typiquement entre dix et trente cinq mille dollars, tandis qu’un service local dimensionné pour absorber des pics peut représenter un ordre de grandeur de cent quarante mille dollars par an pour deux GPU de quatre vingt giga octets, hors exploitation. Ces repères permettent de choisir une trajectoire réaliste selon les exigences de souveraineté, de latence et de volume.
Enfin, COPILIO a mis en avant des options adaptées à l’edge. Un modèle de taille intermédiaire comme Mistral sept milliards de paramètres est identifié comme pertinent pour un copilote local temps réel, avec des temps de réponse de l’ordre de quelques centaines de millisecondes et des coûts inférence énergie réduits, sous réserve d’un ancrage documentaire pour combler les lacunes de connaissance.
Partie 4 : Perspectives
La perspective la plus directe est de lancer une preuve de concept sur un processus métier à fort retour sur investissement, notamment le chiffrage et la préparation de devis à partir de plans, nomenclatures et historiques. Une démarche étape par étape est recommandée, avec comparaison systématique à un chiffrage de référence et qualification du partage de tâches entre humain et système.
Au delà du prototype, la réussite dépendra de la gouvernance : qualité des bases documentaires, gestion des droits, journalisation des requêtes, contrôle de la diffusion d’informations sensibles et formation des équipes. Le projet souligne également l’importance d’intégrer les dimensions sociétales et d’acceptabilité, afin de faire du copilote un outil d’augmentation, pas un outil de substitution.
Conclusion
COPILIO fournit une trajectoire pragmatique pour passer de la promesse de l’IA générative à des copilotes industriels fiables. Le projet clarifie les cas d’usage à fort impact, les choix d’architecture qui réduisent le risque, et les repères économiques utiles pour décider et déployer.
Auteur : Mehdi BOUKALLEL, chef de projet COPILIO, CEA-List.
