J’ai passé plus de 25 ans auprès de machines industrielles : à écrire du firmware, à concevoir du matériel, à déboguer de la connectivité dans des endroits qui n’en avaient aucune. Pendant presque tout ce temps, les règles sont restées stables. On construisait une machine meilleure que celle du concurrent, on la vendait à un prix juste, et on gagnait. Les ingénieurs avec qui j’ai grandi maîtrisaient ces règles. Beaucoup d’entre eux dirigent aujourd’hui des entreprises traditionnelles.
Quelque part dans la dernière décennie, les règles ont changé, assez discrètement pour que bien des entreprises solides ne le voient pas. Je me souviens de la première fois où je l’ai vu de près. Un fabricant que je connaissais avait le meilleur produit de sa catégorie selon tous les critères qui comptaient jusque-là : la précision et la qualité de fabrication. Il a perdu un gros contrat face à un concurrent dont la machine était moins bonne. La machine du concurrent rapportait tout ce qu’elle faisait, chaque heure, depuis chaque site. L’acheteur ne comparait plus des machines. Il comparait ce qu’il pouvait en apprendre.
L’étau qui se referme sur les entreprises traditionnelles
Les entreprises traditionnelles sont prises en étau des deux côtés. Les fabricants de matériel qui ne fusionnent jamais leurs produits avec les données deviennent des fournisseurs de commodité, et leurs machines se transforment en boîtes interchangeables qui ne se battent plus que sur le prix. De l’autre côté, les géants du logiciel qui tournent autour de ces marchés n’ont pas la physique du métier : le savoir d’ingénierie que des décennies de produits réels déposent dans une entreprise. Un fabricant de matériel qui ajoute les données se crée des douves que le logiciel seul ne franchit pas. J’ai vu les deux moitiés de cet étau se refermer, entreprise après entreprise. Ce qu’il faut, ce n’est pas un dashboard de plus. Ce qu’il faut, c’est un chemin qui mène de la vente de machines à la vente de ce que les machines savent.
La carte la plus claire de ce chemin que j’aie trouvée est Fusion Strategy: How Real-Time Data and AI Will Power the Industrial Future (Harvard Business Review Press, 2024), de Vijay Govindarajan et Venkat Venkatraman. Leur thèse est directe : les entreprises industrielles gagneront la prochaine ère non pas en fabriquant de meilleures machines, mais en fusionnant les produits physiques avec les données en temps réel, créant des activités que les éditeurs de logiciels purs ne peuvent pas copier. Cela correspondait à ce que je voyais sur le terrain depuis des années.
Votre produit a déjà un datagraph
Google a un graphe de recherche. Meta a un graphe social. Govindarajan et Venkatraman soutiennent que chaque entreprise industrielle peut bâtir sa propre version : un datagraph, la carte vivante de la façon dont les produits d’une entreprise se comportent réellement sur le terrain, chez des milliers de clients, chaque jour.
John Deere est l’exemple phare du livre. Son système See & Spray installe des caméras et de l’IA sur le pulvérisateur, si bien que la machine distingue en temps réel les mauvaises herbes de la culture et ne pulvérise que les herbes. Les agriculteurs réduisent nettement leur usage d’herbicide, la machine se paie avec le produit économisé, et Deere peut facturer la valeur livrée à l’hectare au lieu de vendre un tracteur et de s’en aller. Le modèle économique lui-même a changé.
La machine n’est plus le produit. La machine est le capteur, le datagraph est l’actif, et le résultat est le produit.
Celui qui détient ces données et qui en tire des enseignements fixe les règles du secteur. La machine, c’est la façon de les collecter.
Les quatre étapes de la fusion
Les auteurs décrivent une ascension que toute entreprise de matériel peut tenter. Chaque barreau change ce que l’entreprise vend et la part de sa valeur qui vient des données. J’ai rencontré des entreprises sur chacun de ces barreaux.
L’échelle ci-dessus est adaptée de Fusion Strategy (Govindarajan et Venkatraman, 2024).
Fusion Products : des machines équipées de capteurs et de connectivité qui s’améliorent avec les données qu’elles collectent. C’est là que se trouve la majorité des entreprises que je rencontre aujourd’hui. Souvent, la connectivité est arrivée parce que l’appel d’offres d’un client l’exigeait, et les données tombent maintenant dans une base que personne n’ouvre.
Fusion Services : des offres pilotées par les données accrochées au produit, comme prédire une panne avant qu’elle n’arrive. Un fabricant d’équipements avec qui nous travaillons a commencé par une seule alerte : prévenir le client quand un compresseur sort de son profil de vibration normal. Cette alerte est devenue un plan de surveillance payant, et ce plan se renouvelle aujourd’hui mieux que la garantie matérielle ne l’a jamais fait. C’est l’une des sources de revenus que la plupart des fabricants laissent passer.
Fusion Systems : des produits et des flottes reliés pour apprendre des données de nombreux clients. Un transporteur sous température dirigée voit un camion. Un fusion system voit chaque camion sur chaque tournée, et commence à répondre à des questions qu’aucun client seul ne pourrait poser.
Fusion Solutions : le sommet de l’échelle, où l’on vend le résultat que les données permettent et non l’équipement. De la disponibilité au lieu de pompes. Une chaîne du froid attestée au lieu d’enregistreurs de température.
La plupart des entreprises de matériel restent bloquées sur les deux premiers barreaux. D’après mon expérience, ce n’est presque jamais l’ambition qui manque. C’est l’infrastructure : collecter les données de façon fiable à l’échelle de la flotte, et en tirer quelque chose qu’un client acceptera de payer. Ce travail est sans prestige, et c’est lui qui décide qui monte.
Ce que je dis aux entreprises traditionnelles
Chez TagoIO, nous travaillons avec des fabricants de matériel dans plus de 130 pays, et j’ai une version de cette conversation chaque semaine. Le conseil n’a pas beaucoup changé depuis des années.
Commencez plus petit que ce qui vous met à l’aise. Prenez une ligne de produits et une question à laquelle les données pourraient répondre pour votre client, et livrez cela. Le datagraph grandit par l’usage, et la première réponse qu’un client paie vous apprend plus qu’un projet de plateforme de deux ans.
Respectez l’actif que vous détenez déjà. Votre connaissance du métier est la douve. Une startup logicielle loue des serveurs cloud en un après-midi ; elle ne loue pas trente ans de savoir comment vos machines se comportent dans un été brésilien ou un hiver canadien. La fusion fonctionne parce que la physique et les données appartiennent à la même entreprise : la vôtre.
Et ne confondez pas la plomberie avec le but. Collecter, stocker et déplacer les données des appareils est un problème résolu ; des plateformes comme la nôtre existent exactement pour cela. Le problème non résolu, le seul sur lequel vous seul pouvez travailler, c’est de décider ce que votre entreprise vend au sommet de l’échelle.
Où l’IA s’insère, et ce que je ne sais pas encore
L’IA relève le plafond de chaque barreau de cette échelle. La prédiction de panne qui demandait autrefois une équipe de data science sort aujourd’hui comme une fonctionnalité. Les données de flotte qui restaient sans lecteur peuvent être interrogées en langage courant. Nous construisons pour cela chaque jour dans l’espace IA de TagoIO, et j’attends de l’IA qu’elle aide les entreprises traditionnelles à grimper plus vite que tout ce que j’ai vu dans ma carrière.
Je veux aussi nommer une difficulté que je n’ai pas résolue : l’échelle dans les niches étroites. Un modèle entraîné sur des milliers de tracteurs devient vite intelligent. Une niche de quelques centaines de machines spécialisées sur le terrain crée une valeur réelle pour ses clients, mais ne produira peut-être jamais le volume de données qui rend l’économie de l’IA évidente. Comment ces niches font grandir leurs datagraphs est une question avec laquelle je vis chaque semaine. Je n’ai pas encore la réponse, et je me méfie de qui prétend l’avoir.
La fenêtre est ouverte, pour l’instant
Govindarajan et Venkatraman terminent sur un point que tout dirigeant d’entreprise traditionnelle devrait laisser reposer : cette transformation ne se délègue pas. L’ascension change ce que l’entreprise vend, et seul le dirigeant peut changer cela. En plusieurs décennies dans ce secteur, chaque initiative data enlisée que j’ai vue était portée deux niveaux trop bas.
Une entreprise de votre secteur bâtira son datagraph la première et fixera les règles pour toutes les autres. Après des années à voir d’excellentes machines perdre face à des machines qui apprennent, je n’ouvre plus les conversations en demandant aux dirigeants si leur produit bat celui du concurrent. Je pose la question que ce livre m’a apprise : quel est le datagraph de votre produit ?
La réponse, dessinée
C’est une question juste à me retourner, alors je vais conclure en dessinant deux réponses. La première vient tout droit du livre. Le datagraph de Deere n’est pas le pulvérisateur ; c’est ce qui s’accumule derrière la flotte.
Chaque exploitation alimente le même graphe, et le graphe rend chaque pulvérisateur plus intelligent qu’aucune exploitation seule ne le pourrait.
La seconde est un produit que je croise chaque semaine : le compresseur industriel. Aucune usine seule ne peut bâtir ce graphe. Le fabricant le peut, parce qu’il voit chaque unité qu’il a jamais livrée. Le même dessin vaut pour la détection de fuites dans les bâtiments, les compteurs d’eau ou toute machine qui vit loin de celui qui l’a faite.
Un compresseur seul qui transmet sa vibration, c’est un graphique. Des milliers de compresseurs dans de nombreuses usines deviennent des signatures de panne et des lignes de référence que seul le fabricant peut bâtir.
Dessinez cela pour votre propre produit. La colonne de gauche, c’est ce que vous vendez déjà. La colonne de droite, c’est ce que vos clients veulent vraiment acheter. La colonne du milieu, c’est là que vit la prochaine décennie de votre entreprise.
