L’IA physique et le nouveau calcul énergétique de l’industrie manufacturière

Pour la plupart des gens, la transition énergétique évoque des images de panneaux solaires, d’éoliennes et de véhicules électriques. Bien que ces mesures soient efficaces, elles négligent le secteur qui, à lui seul, est le plus grand consommateur d’énergie de la planète : l’industrie. Le secteur industriel représentait près de 40 % de la demande énergétique finale mondiale, soit la part la plus importante parmi tous les secteurs d’utilisation finale.¹ Et bien que l’industrie s’électrifie, le rythme reste insuffisant : les taux d’électrification mondiaux stagnent autour de 20 %, ce qui signifie qu’environ 80 % de la demande dépend encore des combustibles fossiles.²

Par ailleurs, l’industrie concentre à elle seule près des deux tiers de la croissance totale de la demande énergétique, ce qui en fait un levier clé pour les efforts d’efficacité énergétique.³ Dans ce contexte, une nouvelle génération de technologies — notamment l’IA physique — s’impose comme un catalyseur majeur de l’électrification, de l’efficacité énergétique et de la sécurité énergétique, grâce à une moindre dépendance aux combustibles fossiles, dans l’ensemble des secteurs et tout particulièrement dans l’industrie manufacturière.

L’IA physique marque un tournant décisif pour la technologie industrielle, en faisant sortir l’IA des environnements numériques pour l’intégrer dans les usines, les bâtiments et les réseaux électriques. En combinant détection, connectivité et inférence en temps réel, les machines sont désormais capables de percevoir, de prendre des décisions et d’agir de manière autonome dans le monde physique.

La mise en œuvre de l’IA physique se déroule en trois étapes. La première, qui comprend l’automatisation de type « pick-up-and-place », la maintenance prédictive et la détection industrielle, est déjà largement déployée. La deuxième, qui fait actuellement l’objet d’un projet pilote à grande échelle, est axée sur la conception assistée par l’IA, la surveillance avancée des processus et les jumeaux numériques. La troisième, plus avancée, repose sur une collaboration entre plusieurs robots et des opérateurs humains, ainsi que sur des simulations de type « modèle du monde », dans lesquelles l’IA intègre suffisamment les contraintes physiques pour piloter de manière autonome des environnements industriels entiers (voir graphique 2).. Une part du chiffre d’affaires des principaux acteurs de l’automatisation industrielle, comprise entre un pourcentage à un chiffre élevé à un faible pourcentage à deux chiffres, intègre désormais des fonctionnalités d’IA, et cette dernière est présente dans une large part des nouveaux produits lancés.⁴

Des entretiens menés auprès de grandes entreprises du secteur des technologies industrielles révèlent une course à la maîtrise de la pile physique de l’IA, la gestion de l’énergie constituant une priorité majeure. Par exemple, Siemens* se positionne comme le pilier de « l’IA au service du monde réel ». Son robot humanoïde sur roues, testé dans un environnement industriel d’électronique en conditions réelles, a démontré des taux de réussite élevés dans l’exécution autonome de tâches logistiques telles que le tri, le transport et la manutention de conteneurs.⁵

Le futur « Digital Twin Composer » de l’entreprise combine la simulation Omniverse de Nvidia* avec des données d’ingénierie en temps réel, permettant de créer des environnements industriels de type métavers à grande échelle, dans lesquels des agents IA simulent des modifications de processus avec une précision physique avant toute mise en œuvre réelle.⁶ Les premiers projets pilotes ont déjà permis une quasi-validation des conceptions et une réduction significative des dépenses d’investissement.

Le géant industriel français Schneider Electric* utilise également les GPU de Nvidia et la plateforme Omniverse pour créer des jumeaux numériques de systèmes électriques de pointe. Ces modèles de simulation permettent de visualiser les besoins énergétiques à tous les niveaux, du réseau électrique public jusqu’aux puces individuelles, facilitant ainsi une planification fine de la distribution d’énergie et de la résilience des installations.⁷ Le conglomérat industriel japonais Hitachi* utilise déjà des agents d’IA pour diagnostiquer avec une grande précision les défaillances d’équipements industriels, dans des délais très courts. Dans les réseaux électriques, l’inspection assistée par l’IA a permis d’améliorer significativement l’efficacité opérationnelle.⁸ Le spécialiste français des câbles et du transport d’électricité Nexans* utilise des approches similaires, en combinant IA et capteurs déployés sur l’ensemble de l’infrastructure du réseau afin d’améliorer la prévision des pannes et l’optimisation en temps réel des flux d’énergie.⁹

Bien que ces cas d’utilisation soient différents, ils reposent tous sur des plateformes de jumeaux numériques permettant de générer des simulations à partir de données industrielles réelles, sur de l’IA en périphérie intégrée aux machines et équipements pour favoriser une adaptation en temps réel sur les sites de production, ainsi que sur des agents IA autonomes capables de modéliser rapidement les processus de production à partir de données issues de l’ensemble de l’entreprise. Chaque couche d’IA permet de réduire la consommation d’énergie et les déchets, et de rapprocher la production d’un avenir « zéro émission nette » (voir Graphique 3).

Si l’IA permet un traitement rapide des données et l’inférence, on peut considérer que le « cerveau » des systèmes — puis les actionneurs des robots — en constituent les « muscles ». Les actionneurs, qui transforment l’énergie en mouvement, sont un aspect moins souvent évoqué mais en plein essor de l’efficacité énergétique dans les usines. Chaque robot industriel, chaque bras collaboratif, chaque humanoïde est, en fin de compte, un ensemble de systèmes de contrôle du mouvement, comprenant notamment des actionneurs, des moteurs, des réducteurs et des variateurs). La performance énergétique de ces composants devient rapidement un axe prioritaire en matière d’investissement.

Les moteurs électriques des articulations robotiques affichent un rendement d’environ 80 % pris isolément, mais celui-ci chute à près de 40 % lorsqu’on intègre les réducteurs et les systèmes de transmission.¹⁰ À l’échelle d’un parc mondial d’environ 4,3 millions de robots industriels,¹¹les pertes énergétiques cumulées deviennent significatives. La planification des mouvements optimisée par l’IA constitue un puissant levier d’efficacité, au même titre que les mises à niveau matérielles. Par exemple, grâce à des jumeaux numériques connectés à des robots industriels Fanuc*, les ingénieurs ont réussi à réduire la consommation d’énergie de 74,8 % lors d’opérations de « pick-and-place ».¹²

Les humanoïdes, qui peuvent comporter des dizaines d’actionneurs ainsi que d’autres composants consommateurs d’énergie, représentent un véritable défi énergétique. Par exemple, l’Optimus de Tesla, le Digit d’Agility Robotics et l’Apollo d’Apptronik chez Mercedes-Benz* n’offrent qu’une autonomie de deux à quatre heures par charge, en raison des pertes liées aux actionneurs, de la dissipation thermique et de la faible densité énergétique des batteries.¹³

Ces facteurs réduisent la productivité, l’efficacité et, au bout du compte, la viabilité économique des humanoïdes dans les environnements industriels réels. Cependant, les solutions techniques se multiplient de plus en plus rapidement. Les actionneurs à entraînement quasi direct (QDD) de nouvelle génération offrent des rapports couple/poids trois à cinq fois supérieurs à ceux des entraînements harmoniques classiques,¹⁴ tandis que les nouvelles technologies d’engrenages magnétiques et les moteurs sans balais à haut rendement permettent d’atteindre des rendements supérieurs à 90 % pour ces actionneurs.¹⁵

Les entreprises qui apportent une solution au problème énergétique des actionneurs – grâce à une conception avancée des moteurs, à l’électronique de puissance et à l’optimisation des mouvements pilotée par l’IA – se forgent un avantage technologique décisif au cœur de la prochaine ère industrielle.

Le secteur industriel représente 40 % de la demande énergétique finale, ce qui en fait une cible idéale pour des technologies telles que l’IA physique, qui promettent d’améliorer l’efficacité énergétique et de réduire le gaspillage. Mais il ne s’agit pas seulement d’adopter l’IA : la prochaine génération de leaders industriels se distinguera par sa capacité à déployer efficacement l’IA physique, en combinant des « cerveaux » intelligents avec des « muscles » particulièrement énergivores.

Au niveau des usines, les « muscles » de l’IA physique – actionneurs, moteurs et systèmes robotiques – constituent des facteurs déterminants de la demande énergétique, ce qui renforce la nécessité de mettre en place des processus industriels et des technologies de mouvement plus efficaces. À mesure que l’industrie s’électrifie et que l’automatisation s’appuie de plus en plus sur l’IA, la consommation d’électricité apparaît comme un facteur clé de compétitivité.

Parallèlement, les « cerveaux » – semi-conducteurs, modèles d’IA et logiciels de contrôle – déterminent l’efficacité avec laquelle cette énergie est utilisée, ce qui sous-tend la demande en puces à faible consommation, en systèmes de contrôle avancés et en logiciels d’optimisation. Les systèmes d’IA physique nécessitent des données opérationnelles de haute qualité issues du monde réel afin d’optimiser leurs performances en conditions réelles. De nombreuses entreprises établies, fortes de leurs données et de leurs plateformes de production, tirent parti de cette dynamique en nouant des partenariats avec des leaders technologiques de l’IA pour se doter d’un avantage concurrentiel.

Mais la productivité issue de l’IA peut également s’appliquer à d’autres domaines qui soutiennent les opérations industrielles, notamment la distribution et la gestion de l’énergie via des réseaux intelligents, le stockage et l’électronique de puissance, qui permettent un approvisionnement en électricité fiable et flexible. À mesure que l’intégration de l’IA s’accélère, l’exposition de longue date de la stratégie « Smart Energy » à l’ensemble de la chaîne de valeur énergétique permettra à l’équipe d’identifier les entreprises les mieux positionnées pour intégrer et déployer des technologies d’IA, afin d’optimiser les flux énergétiques et leur trajectoire de croissance future.

*Toutes les sociétés mentionnées dans cet article sont citées uniquement à titre indicatif pour illustrer la stratégie d'investissement à la date indiquée. Les sociétés ne sont pas nécessairement détenues dans la stratégie et leur intégration future n'est pas garantie. Ceci ne constitue aucune recommandation d'achat ou de vente ni aucun conseil d'investissement, et aucune conclusion ne doit être tirée quant à l'évolution future de ces sociétés.

Notes de bas de page

¹ Site web de l’AIE, « Industrie — Efficacité énergétique 2025.
² AIE, perspectives énergétiques mondiales 2025
³ AIE, Rapport sur le marché de l’efficacité énergétique, novembre 2025. La consommation finale totale en 2024 s’élevait à plus de 450 EJ et a augmenté d’environ 25 EJ depuis 2019. Le secteur industriel en représente la part la plus importante, à près de 40 %. Le secteur industriel a enregistré sa plus forte croissance depuis 2019, représentant à lui seul près des deux tiers de la hausse totale de la demande mondiale d’énergie.
⁴ Recherche interne Robeco ; informations communiquées à l’occasion de la Hannover Messe 2025. Produits intégrant l’IA : part du chiffre d’affaires des principaux acteurs de l’automatisation industrielle comprise entre un pourcentage à un chiffre élevé à un faible pourcentage à deux chiffres.
⁵ Recherche interne Robeco ; informations fournies par la direction de Siemens ; informations communiquées à l’occasion de la Hannover Messe 2025. Un robot humanoïde sur roues a exécuté de manière autonome des tâches de préparation de commandes, de transport et de manutention dans une usine en fonctionnement.
⁶ Recherche interne Robeco ; annonce concernant le « Digital Twin Composer » de Siemens, 2025. Lancement prévu mi-2026 via Siemens Marketplace ; développé sur NVIDIA Omniverse.
⁷ Recherche interne Robeco ; informations fournies par Schneider Electric, AVEVA et NVIDIA. Jumeau numérique « du réseau à la puce » modélisé à l’aide du logiciel ETAP.
⁸ Recherche interne Robeco ; informations fournies par la direction d’Hitachi. Des outils de diagnostic basés sur l’IA déployés sur les équipements industriels et les réseaux électriques.
⁹ Recherche interne Robeco ; informations fournies par la direction de Nexans. Analyses basées sur l’IA pour la prévision des pannes et l’optimisation du réseau en temps réel.
¹⁰ Qviro, analyse technique citée dans Articsledge, « AI Humanoid Robots 2026 », 2026.
¹¹ Fédération internationale de la robotique, World Robotics 2024.
¹² Springer Nature, « Digital Twin-Based Self-Learning Decision-Making Framework for Industrial Robots », IJAMT, juin 2025. FANUC ER-4iA « pick-and-place » : Réduction de la consommation d’énergie de 74,79 % grâce à l’optimisation bayésienne.
¹³ GlobalSpec, « Humanoid Robots Are Tripping Over Their High Energy Demands », septembre 2025. Autonomie actuelle : 2 à 4 heures par charge.
¹⁴ Intel Market Research, « Humanoid Robot Rotary Actuator Market Outlook 2025–2032 », 2025. Actionneurs QDD : Rapport couple/poids 3 à 5 fois supérieur à celui des entraînements harmoniques.
¹⁵Étude de marché d’Intel, 2025. Les moteurs sans balais et les technologies d’engrenages magnétiques permettent d’atteindre un rendement des actionneurs supérieur à 90 %.
¹⁶ McKinsey & Company, « Turning humanoid supply chain constraints into billion-dollar wins », avril 2026.