Depuis des décennies, le monde industriel fonctionne selon une hypothèse tacite : le modèle numérique est suffisamment proche de la réalité. Fichiers CAO. Plans techniques. Modèles BIM construits de A à Z, couche par couche, sur des semaines ou des mois.
C’est presque ça, jusqu’à ce que ça ne le soit plus.
Jusqu’à ce qu’une modification sur site existant ne résiste pas à un premier contact avec l’installation elle-même. Jusqu’à ce qu’une fenêtre de maintenance s’éternise parce qu’un problème qui aurait pu être détecté est découvert quasiment sur place, mobilisant des équipes et interrompant la production. Jusqu’à ce qu’une décision prise avec assurance en salle de réunion s’avère avoir été prise à trois niveaux de la source.
Il s’agit de l’écart entre la réalité et la réalité. Et il coûte aux entreprises industrielles bien plus cher que la plupart ne l’avaient estimé.
Les modèles CAO sont très utiles, mais ils ne contiennent pas tous les détails nécessaires à la prise de décision.
Michel Besner observe ce problème s’aggraver dans tous les secteurs depuis des années. En tant que PDG de Prevu3D, il est direct quant à ses causes profondes.
Le défi pour les concepteurs, les ingénieurs et les exploitants d’aujourd’hui est que les fichiers et les dessins CAO ne peuvent jamais être une source de vérité absolue : ils ne rendent jamais compte des détails du monde réel. Un monde en perpétuelle évolution, comportant des défauts et des imperfections, autant d’éléments absents du modèle informatique.
Le problème de fond, selon lui, n’est pas un problème de données, mais un problème de confiance.
La création de ces modèles peut prendre des semaines, et lorsqu’ils sont enfin terminés, la réalité a déjà évolué. On oublie souvent que les données CAO proviennent initialement de numérisations du monde physique. L’industrie a toujours eu accès à la réalité. Simplement, elle n’avait pas jusqu’à présent les moyens de travailler directement à partir d’une source unique et fiable.
La première ère de la capture de la réalité (numérisation laser, photogrammétrie, visualisation native du nuage) a résolu un problème concret : elle a rendu accessible le monde tel qu’il a été construit.
Des ingénieurs basés à Houston pouvaient visiter virtuellement une installation à Rotterdam sans avoir à réserver de vol. Les programmes de numérisation étaient déployés à grande échelle sur différents sites et unités commerciales.
Mais à un moment donné, l’accessibilité est devenue l’objectif principal. Les plateformes se sont livrées à une concurrence féroce sur la qualité de rendu, l’efficacité du stockage et la vitesse de diffusion des nuages de points vers un navigateur. Le scan est devenu le produit.
Ce n’est plus le cas.
Du nuage de points à l’environnement de travail
Jason Brynford-Jones, directeur des produits chez Prevu3D, est clair sur les lacunes de la plupart des outils spatiaux.
La plupart des outils spatiaux vous fournissent un nuage de points et s’arrêtent là. Il s’agit d’un point de départ, pas d’un environnement de travail.
Cette distinction est cruciale en pratique. Un nuage de points est une photographie d’une installation. Un environnement basé sur les actifs est un registre vivant, où chaque équipement possède une identité, une localisation et un historique.
Lorsqu’un élément change, vous savez ce qui a changé, où et à quoi il est lié. C’est la différence entre une simple photographie d’une installation et un registre vivant des actifs, qui doivent être interconnectés partout.
Prevu3D intègre des données provenant de LiDAR terrestres, de scanners SLAM portables, de drones et de vidéos à 360°, et surtout, les combine. Différentes sources, différents moments, différentes échelles, le tout fusionné en un seul environnement 3D exploitable.
« Le plan de récolement n’est jamais une photographie figée », explique Brynford-Jones. « C’est un document vivant qui doit être géré. »
Ces données évolutives sont ensuite directement intégrées aux outils où les décisions sont réellement prises — les environnements de CAO comme Siemens NX et Autodesk Revit, diffusés en temps réel et disponibles au sein des flux de travail existants des clients.
« La réalité est le point de départ. Mais avec Prevu3D, les décisions n’ont plus à attendre. Nous pouvons capturer la réalité de n’importe où et la diffuser partout. »
Le rôle de l’IA : transformer les fragments en vérité
Rien de tout cela ne fonctionne à l’échelle industrielle sans intelligence artificielle. Kevin Ouellet, directeur technique de Prevu3D, explique pourquoi la plateforme a été conçue autour de l’IA dès le départ, et non ajoutée a posteriori.
L’IA n’est pas un simple ajout à Prevu3D : c’est ce qui rend la plateforme performante à grande échelle. Les données de capture proviennent de sources diverses, souvent fragmentées. Grâce à l’IA, nous transformons ces fragments en géométrie propre, en ressources exploitables dotées d’une sémantique et d’un historique des modifications reflétant l’évolution de la réalité.
Cette transformation, des données brutes de numérisation à des données exploitables par les ingénieurs et les systèmes autonomes, est ce qui distingue l’infrastructure opérationnelle d’un simple utilisateur.
Les implications vont bien au-delà des flux de travail d’ingénierie. Avec l’accélération du développement de l’IA physique, la demande d’environnements permettant aux systèmes autonomes d’apprendre s’accroît rapidement. Or, comme le soutient Ouellet, un modèle CAO ne peut tout simplement pas répondre à ce besoin.
Un robot opérant dans un environnement industriel n’apprend pas à partir de modèles théoriques, mais à partir de son environnement réel. Un modèle CAO ne reflète pas les modifications, les objets déplacés ni les interactions complexes que rencontre un capteur avec la surface réelle. Pour entraîner des systèmes autonomes, il faut un environnement conforme à la réalité, et non une simple supposition.
La feuille de route reflète cela : des pipelines d’apprentissage continu, la détection des changements et des modèles qui s’adaptent sans jamais interrompre la traçabilité.
« Le monde physique ne cesse jamais de changer. Nous non plus. »
Le coût de l’écart et ce qui le comble
Les organisations qui ont commencé à réduire l’écart entre les plans et les constructions réelles constatent que les résultats vont au-delà de l’efficacité. Ils sont fondamentaux.
Une entreprise d’ingénierie qui consacrait auparavant 60 heures à la reconstruction manuelle d’un mur dans Revit génère désormais un modèle précis de l’existant en 2 heures et l’importe sous forme de composants natifs et modifiables. Une équipe de maintenance de turbomachines a constaté une réduction de 75 % de la durée des arrêts de production après avoir virtualisé les travaux de pré-installation.
Un opérateur pétrolier et gazier a découvert une troisième option pour l’emplacement des équipements, une option qui lui a permis d’économiser près de 3 millions de dollars en dépenses d’investissement et 14 semaines sur le calendrier du projet, car la plateforme lui a permis d’itérer sur des scénarios en quelques jours au lieu de commander des mois de travail de modélisation.
Ce ne sont pas des résultats exceptionnels. Ils deviennent courants lorsque le délai de décision se réduit.
On sait déjà clairement à quoi ressemblera la prochaine plateforme : elle s’intègre directement aux environnements d’ingénierie, permet de prendre des décisions avant le début de la construction, fonctionne sur l’ensemble du cycle de vie des actifs et évolue sans créer de nouvelle complexité.
La distinction, telle que la formule Besner, est celle entre une bibliothèque et un réseau électrique.
Lorsque les données de la réalité sont accessibles via un visualiseur, elles répondent aux questions de ceux qui savent où chercher. Lorsqu’elles deviennent une infrastructure – intégrées aux environnements d’ingénierie, connectées aux systèmes de maintenance, intégrées aux outils déjà utilisés par les équipes – elles influencent les décisions avant même que quiconque n’ait à les poser.
L’écart entre la réalité et la construction n’est pas un problème technologique à résoudre. La technologie existe. La question est de savoir si les entreprises industrielles sont en mesure d’en tirer profit ou de continuer à financer les corrections liées à des hypothèses.
Prevu3D est la plateforme opérationnelle de modélisation de l’existant pour les équipes industrielles. Elle transforme les données de capture de la réalité en environnements 3D connectés sur lesquels les équipes d’ingénierie, d’exploitation et de conformité peuvent agir à distance.