Huawei et l’IA autonome : des agents pour piloter l’industrie

Dans une cimenterie, une variation apparemment minime de la température, du combustible ou de la composition des matières premières peut avoir des conséquences sur la qualité du produit final et sur la facture énergétique. C’est sur ce terrain très concret que Huawei veut démontrer l’intérêt de l’IA agentique : non pas seulement produire une analyse à la demande, mais assister des décisions opérationnelles à partir des données du site.

Présentée en octobre 2025 lors du Huawei Cloud AI Summit à Shanghai, cette stratégie repose sur une chaîne complète, de l’infrastructure de calcul aux modèles d’IA, en passant par la préparation des données et les outils de déploiement. Huawei avance notamment des résultats obtenus avec le Conch Group dans la production de ciment : une prédiction de la résistance du clinker dépassant 90 % de précision et une réduction annoncée de 1 % de la consommation de charbon grâce à l’optimisation de la calcination.

Ces chiffres illustrent une ambition plus large. Huawei cherche à installer des agents d’IA dans les flux de travail d’entreprises confrontées à des procédés complexes, dans l’industrie comme dans les services. La promesse est celle d’outils capables d’observer une situation, d’en tirer une recommandation ou une action, puis d’ajuster leur comportement lorsque les données évoluent.

Qu’est-ce qu’une IA agentique dans une entreprise ?

Le terme « IA agentique » désigne des systèmes conçus pour mener une tâche à plusieurs étapes. Là où une application classique exécute une règle prédéfinie ou répond à une requête isolée, un agent peut combiner plusieurs fonctions : collecter des informations, analyser un contexte, élaborer un plan, utiliser des outils logiciels et vérifier le résultat obtenu.

Dans un cadre industriel, cette autonomie ne signifie pas qu’une machine agit sans objectif ni limite. L’entreprise définit les données accessibles, les règles de fonctionnement, les indicateurs à optimiser et, selon les cas, les validations humaines nécessaires. L’intérêt d’un agent est surtout de traiter en continu un volume d’informations qu’il serait difficile de suivre manuellement, puis de relier ces données à une décision opérationnelle.

Huawei distingue ainsi ses systèmes agentiques des applications d’IA traditionnelles par leur capacité à s’adapter aux besoins changeants de l’entreprise. Cette différence est particulièrement importante dans les environnements de production, où les réglages ne dépendent pas d’une seule variable et où l’expérience accumulée des opérateurs joue historiquement un rôle déterminant.

Le cas Conch : prévoir la qualité du clinker pour ajuster la calcination

Le clinker est un matériau intermédiaire essentiel à la fabrication du ciment. Sa résistance est un indicateur de qualité majeur, mais elle dépend d’un procédé de cuisson et de calcination complexe. Les ajustements des paramètres de production ont longtemps reposé sur une expertise acquise au fil des années, voire des décennies.

Selon Huawei et le Conch Group, leur collaboration a abouti à un modèle d’IA présenté comme le premier pour l’industrie du ciment. Le système est destiné à prédire la résistance du clinker à 3 jours et à 28 jours. Huawei annonce à la fois une précision de prédiction dépassant 90 % et un écart inférieur à 1 MPa pour ces prévisions.

L’objectif ne consiste pas uniquement à mieux anticiper un indicateur de qualité. Le modèle propose également des paramètres clés pour la calcination. D’après Huawei, ces recommandations ont permis de réduire de 1 % la consommation de charbon, dans le respect des objectifs d’efficacité énergétique du site. À l’échelle d’une industrie énergivore, un gain de cette ampleur peut avoir une portée économique et environnementale tangible, à condition qu’il soit reproductible dans le temps et d’un site à l’autre.

Xu Yue, assistant du directeur général de Conch Cement, a évoqué une transition vers une conduite davantage fondée sur les données. Dans cette logique, l’IA intervient à trois niveaux : le contrôle de la qualité, l’optimisation de la production et la gestion des équipements.

Il convient toutefois de lire ces résultats comme des performances communiquées par les organisations impliquées dans le projet. Leur interprétation dépend notamment du périmètre exact du déploiement, de la durée d’observation, des conditions de production et de la comparaison retenue avec les méthodes précédentes.

Pourquoi l’infrastructure devient un enjeu décisif

Un agent ne se résume pas à un modèle de langage. Pour analyser des données industrielles, interroger des systèmes d’entreprise et répondre avec une faible latence, il faut une infrastructure capable de déplacer et de traiter rapidement de très grands volumes de données. C’est particulièrement vrai pour les modèles dits Mixture of Experts, ou MoE.

Un modèle MoE répartit les requêtes entre plusieurs sous-réseaux spécialisés, appelés experts. Cette architecture peut accroître les capacités du modèle sans activer l’ensemble de ses paramètres à chaque requête. Son efficacité dépend néanmoins de la circulation des données entre les composants : si les accélérateurs attendent les transferts, la puissance de calcul disponible est sous-exploitée.

Huawei Cloud répond à cet enjeu avec les supernœuds CloudMatrix384, reliés par un réseau à haut débit nommé MatrixLink. L’architecture associe capacités de calcul généralistes et capacités de calcul dédiées à l’IA. L’entreprise indique qu’elle cible ainsi les goulets d’étranglement des modèles MoE, notamment lors du parallélisme entre experts.

Huawei affirme que cette approche réduit les périodes d’inactivité des NPU, des processeurs conçus pour accélérer les calculs liés aux réseaux de neurones, lors des transferts de données. Selon l’entreprise, la vitesse d’inférence est alors améliorée de 4 à 5 fois par rapport à des modèles concurrents. L’inférence correspond à la phase où un modèle déjà entraîné génère une réponse, une prédiction ou une décision à partir de nouvelles données.

Des données industrielles aux modèles spécialisés

Le modèle le plus performant ne produit pas automatiquement un résultat utile dans une entreprise. Il doit être alimenté par des données pertinentes, connaître les termes et les règles du secteur concerné, puis être évalué à partir de critères liés au métier. Un système destiné à une cimenterie ne répond pas aux mêmes exigences qu’un outil de finance ou qu’une application de tourisme culturel.

Huawei Cloud décrit pour cette raison un pipeline de données couvrant la collecte, l’organisation et la gestion des informations. L’entreprise met en avant un entraînement incrémentiel : le modèle est amélioré progressivement à mesure que les données et les paramètres sont ajustés. Selon Huawei, ce flux de travail peut améliorer le rendement des modèles de 20 à 30 %.

La plateforme d’évaluation intelligente évoquée par Huawei doit, elle, faciliter l’alignement des systèmes sur les normes propres à chaque industrie. Ce point est essentiel : dans une application professionnelle, une réponse convaincante en apparence ne suffit pas. Elle doit être suffisamment précise, rapide et compatible avec les procédures existantes pour pouvoir être utilisée.

Les agents d’entreprise ne fonctionnent pas comme les assistants grand public

Un assistant destiné au grand public est généralement évalué sur sa capacité à répondre à une question, générer un texte ou accomplir une demande ponctuelle. Un agent d’entreprise doit aller plus loin. Il doit s’insérer dans une organisation déjà équipée de logiciels, de bases de données, de règles d’accès et de procédures de contrôle.

Cela implique plusieurs contraintes : accéder aux bonnes données sans divulguer celles qui sont sensibles, comprendre les étapes d’un processus métier, conserver une trace des opérations et répondre de façon fiable dans des situations parfois inhabituelles. Dans un cadre industriel, une suggestion erronée peut avoir une conséquence sur la qualité, les coûts ou la disponibilité d’un équipement.

Huawei Cloud présente sa plateforme Versatile comme une réponse à ces besoins. Elle rassemble des ressources de calcul pour l’IA, des modèles, des plateformes de données et des capacités liées à l’écosystème logiciel. L’ambition est de permettre aux entreprises de développer des agents adaptés à leurs conditions de production, puis de les déployer et de les administrer dans la durée.

Cette approche traduit un déplacement du débat. La question n’est plus seulement de savoir si un modèle peut accomplir une tâche lors d’une démonstration. Elle devient : peut-il être intégré à un processus réel, avec les contraintes de sécurité, de disponibilité, de contrôle et de mesure de la performance que cela suppose ?

Du ciment au tourisme culturel, des usages ancrés dans les données

Huawei a également présenté un projet avec le Shaanxi Cultural Industry Investment Group dans le tourisme culturel. Les partenaires ont intégré une plateforme de convergence entre données et IA de Huawei Cloud afin de constituer des ensembles de données réunissant des informations sur l’histoire et le patrimoine.

D’après Huawei, cette collaboration a contribué à mettre en place un espace de données national fiable pour le secteur. Les applications envisagées vont de la vérification d’actifs à l’aide à la gestion créative. Le modèle de tourisme culturel Boguan est cité comme exemple d’outils guidés par l’IA destinés à améliorer l’expérience des utilisateurs.

Le rapprochement entre une cimenterie et le tourisme culturel peut sembler surprenant. Pourtant, les deux cas partagent un même principe : l’IA doit être nourrie par les données spécifiques d’un domaine et reliée à un objectif opérationnel clairement défini. Dans un cas, il s’agit de qualité et d’énergie. Dans l’autre, de valorisation, de gestion et d’accès à un patrimoine informationnel.

Ce qu’il faut surveiller pour l’IA autonome industrielle

Les annonces de Huawei illustrent la montée en puissance d’une IA qui ne se limite plus à produire du contenu ou à répondre à des questions. Dans les entreprises, les agents sont appelés à assister des opérations composées de nombreuses étapes et à intervenir dans des environnements où les décisions doivent être mesurables.

La première question à suivre est celle de la gouvernance. Plus un système dispose de capacité d’action, plus il faut définir précisément son périmètre, les validations requises et les responsabilités en cas d’erreur. La seconde concerne la qualité des données : un agent ne peut pas compenser durablement des informations incomplètes, incohérentes ou mal gouvernées.

Enfin, les indicateurs de résultat seront déterminants. Pour convaincre au-delà des démonstrations technologiques, les fournisseurs devront établir que les gains annoncés se maintiennent dans des conditions réelles, qu’ils peuvent être répliqués et qu’ils justifient l’investissement nécessaire en infrastructure, en intégration et en formation des équipes. Dans cette perspective, le cas du Conch Group fournit à Huawei une vitrine industrielle concrète, mais il rappelle aussi que la valeur de l’IA autonome se joue dans l’exécution quotidienne, pas dans la seule promesse d’autonomie.