Comment connecter l'AI aux systèmes legacy en industrie : commencer par rapports et ordres de travail, pas par remplacer l'ERP

Quand les industriels parlent d’AI, la conversation bloque souvent sur une phrase :

« Nos systèmes sont trop vieux. »

L’ERP tourne depuis dix ans. Le MES a été personnalisé il y a des années. WMS et registres d’équipement vivent dans des outils séparés. Les rapports de production sont encore assemblés dans Excel. Quand on demande comment connecter l’AI, les fournisseurs proposent souvent une nouvelle plateforme, une plateforme de données ou une grande reconstruction.

Cela peut sembler correct. C’est aussi lourd.

Pour la plupart des industriels, la première étape pratique n’est pas de remplacer l’ERP ou reconstruire le MES. C’est de choisir deux points d’entrée à valeur rapide :

Les rapports et les ordres de travail.

Pourquoi l’industrie ne peut pas simplement “ajouter l’AI”

Les environnements IT industriels ont trois traits.

Beaucoup de systèmes. Commandes dans l’ERP, plans dans le MES, stocks et mouvements dans le WMS, réparations dans un système d’ordres de travail, qualité dans des feuilles ou outils séparés. Une question métier traverse souvent trois ou quatre systèmes.

Des systèmes anciens. Beaucoup ont été personnalisés autour de processus passés. Ils fonctionnent, mais personne ne veut les modifier fortement. Interfaces incomplètes, noms de champs incohérents, documentation obsolète.

Des opérations lourdes. Chaque action peut coûter : arrêt, reprise, pression sur stock, retard de livraison, panne, qualité. L’AI ne peut pas expérimenter comme un outil personnel.

Il ne faut donc pas commencer par la vision d’une usine intelligente autonome. Mieux vaut aider les équipes à voir plus vite, interroger plus précisément et détecter les exceptions plus tôt sur les données existantes.

Premier point d’entrée : les rapports

Les industriels produisent chaque jour des rapports : livraison, rotation de stock, atteinte du plan, downtime, défauts, clôture d’ordres, exceptions fournisseurs.

Ils ont deux problèmes. Ils sont lents : export, nettoyage, fusion, tableaux croisés. Quand le rapport est prêt, le problème date déjà de plusieurs jours. Et ils répondent à des questions fixes. Si la direction demande pourquoi une commande client est encore en retard, le rapport montre le retard mais suit rarement la chaîne commande, stock, production et achats.

La première valeur de l’AI dans le reporting n’est pas un meilleur graphique, mais le suivi en langage naturel :

« Quelles commandes en retard cette semaine sont bloquées par le stock ? »

« Quels matériaux sont sous stock de sécurité mais nécessaires dans deux semaines ? »

« Quelles machines ont eu le plus de downtime en 30 jours, et pourquoi ? »

L’AI doit interroger ERP, MES, WMS ou ordres de travail sous permissions, agréger et expliquer. Tout cela peut rester read-only.

Deuxième point d’entrée : les ordres de travail

Les ordres de travail sont un excellent pilote AI. Ils sont déjà structurés : déclarant, équipement, problème, sévérité, statut, responsable, historique, raison de clôture, impact production.

Les premières capacités sont pratiques : résumer l’historique des pannes, détecter les répétitions, recommander une catégorie, trouver les ordres en retard, résumer les exceptions par ligne, générer un rapport hebdomadaire de maintenance, retrouver des cas similaires.

C’est beaucoup plus proche que la maintenance prédictive. Si les données d’ordres existent, vous pouvez commencer. C’est aussi moins risqué que les transactions ERP cœur.

L’automatisation vient après

Les équipes industrielles ont raison d’être prudentes. Les systèmes de production ne se modifient pas légèrement. L’automatisation AI doit être en couches.

Couche 1 : analyse read-only. L’AI interroge les rapports, résume les ordres et identifie les exceptions sans écrire.

Couche 2 : actions suggérées. L’AI propose escalade, rappel ou revue fournisseur ; une personne confirme.

Couche 3 : automatisation à faible risque. Notifier un superviseur après quatre heures sans accusé, marquer une récurrence, créer une suggestion d’achat sous un seuil.

Couche 4 : approbation à haut risque. Plans de production, commandes d’achat, blocages de stock, engagements client ou décisions d’arrêt demandent confirmation humaine et audit.

C’est conservateur. En industrie, la stabilité vaut mieux que l’effet spectaculaire.

Comment l’AI comprend l’ERP sans le remplacer

Le chemin léger consiste à connecter l’ERP ou la base existante et modéliser les données clés comme objets métier :

• Sales order
• Production order
• Material
• Inventory
• Purchase order
• Supplier
• Equipment
• Work order
• Quality record

Avec ces objets, l’AI travaille avec commandes, matériaux, stock, ordres et équipements, pas avec des noms bruts de tables.

Les permissions sont aussi importantes. Un superviseur voit son usine, les achats voient fournisseurs et achats, les ventes ne voient pas les coûts sensibles, les dirigeants voient des agrégats. L’AI ne dépasse pas les droits de l’utilisateur.

Un pilote de 30 jours

Semaine 1 : choisir les scénarios. Pas toute l’usine. Un scénario de reporting et un d’ordres de travail.

Semaine 2 : connecter en read-only les tables ou APIs ERP, MES, WMS ou ordres.

Semaine 3 : modéliser commandes, matériaux, stocks, équipements et ordres avec significations, relations et permissions.

Semaine 4 : lancer un assistant AI read-only. Les managers posent des questions de reporting ; les superviseurs maintenance interrogent ordres et historique de pannes.

Si le premier mois réduit la préparation des rapports, accélère l’analyse d’exceptions ou détecte plus tôt les problèmes, le pilote a de la valeur.

La clé n’est pas le modèle, mais la frontière

Les industriels n’ont pas besoin d’une AI impressionnante. Ils ont besoin d’une AI qui sait ce qu’elle peut voir, ce qu’elle ne peut pas voir, quelles données elle peut interroger, lesquelles elle ne peut pas modifier et comment chaque action est auditée.

Commencer read-only, hériter des permissions, confirmer les actions à risque, auditer les opérations critiques, ne pas exiger de migration complète et commencer par rapports et ordres de travail : ce chemin est moins voyant, mais il a plus de chances d’atterrir.

L’approche ObjectOS

ObjectOS ne demande pas de repartir de zéro. ERP, MES, WMS et systèmes d’ordres existent déjà. L’approche pratique consiste à les connecter, modéliser tables et APIs clés comme objets, puis laisser l’AI interroger, analyser, suggérer et déclencher des workflows à faible risque sous permissions.

Les anciens systèmes continuent. Les données restent en place. L’AI commence par rapports et ordres, puis avance vers production, supply chain et gestion des équipements.