Dynatomics : Larry Page mise sur l’IA pour réinventer la production industrielle

La prochaine grande bataille de l’intelligence artificielle pourrait ne pas se jouer seulement dans les moteurs de recherche, les assistants conversationnels ou les bureaux. Elle pourrait aussi se dérouler sur les lignes de production, là où se décident les volumes fabriqués, la disponibilité des pièces, la consommation d’énergie et les délais de livraison. C’est sur ce terrain que Larry Page, cofondateur de Google, entend positionner Dynatomics.

Présentée comme une jeune entreprise d’IA implantée dans la Silicon Valley, Dynatomics ambitionne d’aider le secteur manufacturier à moderniser ses opérations. L’idée est simple en apparence : exploiter les données déjà produites par les usines et les chaînes logistiques pour mieux prévoir, décider et automatiser. La réalité est plus exigeante. Dans l’industrie, une recommandation erronée ne se traduit pas seulement par une réponse peu pertinente à l’écran, elle peut immobiliser une machine, créer une rupture de stock ou dégrader la qualité d’un produit.

Ce que l’on sait du projet Dynatomics

Au 7 mars 2025, Dynatomics se présente comme un projet consacré à l’application de technologies d’intelligence artificielle au monde de la fabrication. La vision attribuée à Larry Page consiste à rendre les entreprises industrielles plus efficaces et plus réactives, à travers des systèmes capables d’analyser de grandes quantités de données opérationnelles.

Les ambitions évoquées couvrent plusieurs fonctions centrales d’une entreprise manufacturière : prévoir la demande, ajuster les niveaux de stock et automatiser des processus. Ces usages correspondent à des problèmes très concrets. Une entreprise qui anticipe mieux les commandes peut, en théorie, produire au bon rythme. Une autre qui connaît précisément ses besoins en composants peut limiter le capital immobilisé dans les entrepôts, sans prendre le risque de manquer de pièces.

Les informations disponibles ne permettent toutefois pas encore d’identifier un produit commercial précis, des clients, des contrats ou des résultats industriels mesurables. Il faut donc distinguer l’orientation du projet, clairement tournée vers l’IA industrielle, de ses performances futures, qui restent à démontrer.

Comment l’IA peut-elle transformer une usine ?

L’intelligence artificielle appliquée à la fabrication ne désigne pas un unique logiciel. Elle recouvre plusieurs outils, fondés sur l’apprentissage automatique, l’analyse de données, la vision par ordinateur ou l’optimisation mathématique. Leur point commun : repérer des tendances dans des volumes d’informations difficiles à traiter manuellement.

La prévision de la demande est l’un des usages les plus connus. Un système peut croiser l’historique des commandes, les cycles saisonniers, les informations de distribution et les capacités disponibles. Son objectif n’est pas de prédire l’avenir avec certitude, ce qui est impossible, mais de fournir des scénarios plus robustes pour planifier les achats et la production.

La gestion des stocks est étroitement liée à cette prévision. Trop de stock coûte cher : il faut entreposer les pièces, les assurer et immobiliser de la trésorerie. Trop peu de stock fragilise la production, car l’absence d’un seul composant peut arrêter l’assemblage d’un produit. Une IA peut calculer des seuils d’approvisionnement plus adaptés, à condition que les données sur les délais des fournisseurs et les inventaires soient à jour.

Autre domaine souvent cité : la maintenance prédictive. À partir de signaux émis par des machines, tels que la température, les vibrations ou les arrêts inhabituels, des modèles peuvent identifier un comportement anormal. Les équipes de maintenance peuvent alors intervenir avant une panne plus coûteuse. Cette approche ne supprime pas le travail humain, elle aide surtout à mieux prioriser les contrôles et les interventions.

Enfin, l’automatisation peut concerner des tâches de planification, de contrôle de cohérence ou de gestion administrative. Dans ce cas, la prudence est essentielle : les décisions ayant un impact sur la sécurité, la qualité ou les cadences doivent pouvoir être comprises, vérifiées et corrigées par des personnes compétentes.

Pourquoi la fabrication est un défi particulier pour l’intelligence artificielle

Le potentiel de l’IA dans l’industrie est important, mais son déploiement est rarement immédiat. Les usines rassemblent souvent des équipements de générations différentes, des logiciels qui ne communiquent pas toujours entre eux et des procédures adaptées à chaque site. Avant même de construire un modèle, il faut donc relier, nettoyer et sécuriser les données.

La qualité des informations constitue un point décisif. Si un inventaire est incomplet ou si les capteurs d’une machine transmettent des relevés imprécis, l’algorithme risque d’apprendre à partir d’une image déformée de la réalité. Une IA peut repérer des corrélations, mais elle ne remplace ni la connaissance du procédé industriel ni la responsabilité des équipes qui l’exploitent.

La question de la fiabilité est également centrale. Une entreprise peut tolérer qu’un outil de recommandation se trompe occasionnellement sur une suggestion de texte. Dans une ligne de production, une erreur peut avoir des conséquences matérielles et financières. Les outils industriels doivent donc être testés dans des conditions réelles, avec des mécanismes de contrôle et la possibilité de revenir à une décision humaine.

L’enjeu environnemental fait aussi partie des promesses associées à l’IA industrielle. Une production mieux planifiée peut réduire les rebuts, les transports inutiles et la surconsommation de matières premières. Mais l’effet dépendra des usages concrets. Numériser un processus ne garantit pas, à lui seul, une baisse de l’empreinte carbone : il faut mesurer les gains réalisés et prendre en compte les ressources nécessaires aux infrastructures informatiques.

Larry Page face à un marché déjà très disputé

La présence de Larry Page donne à Dynatomics une visibilité particulière. Cofondateur de Google, il a participé à l’essor d’une entreprise devenue l’un des acteurs majeurs du numérique. Son intérêt pour un projet tourné vers l’industrie témoigne aussi de l’élargissement du marché de l’IA : après les services en ligne et les outils de productivité, les entreprises technologiques cherchent à appliquer leurs capacités de calcul et d’analyse aux activités physiques.

Dynatomics arrive néanmoins dans un domaine où les acteurs établis sont nombreux. Des groupes industriels tels que Siemens et GE, ainsi que de jeunes pousses spécialisées, développent déjà des solutions de logiciels, d’automatisation, de capteurs et d’analyse pour les usines. Microsoft et Amazon renforcent également leur présence dans l’IA, notamment à travers leurs infrastructures de cloud computing et leurs services destinés aux entreprises.

Pour Dynatomics, le défi ne consistera donc pas seulement à disposer de modèles performants. L’entreprise devra convaincre des industriels de confier des données sensibles à ses outils, de les intégrer à des systèmes existants et de modifier parfois des habitudes de travail profondément installées.

Des moyens annoncés, mais beaucoup de questions ouvertes

La publication d’origine évoque des investissements que Larry Page prévoirait de consacrer à Dynatomics, pour un montant dépassant 500 millions de dollars. Une telle enveloppe donnerait à une jeune entreprise des capacités importantes pour recruter, développer des logiciels et mener des expérimentations avec des partenaires industriels.

Pour autant, un budget élevé ne suffit pas à résoudre les problèmes d’adoption. L’industrie se caractérise par des cycles de décision longs, des exigences strictes en matière de sécurité et une grande diversité de métiers. Entre un prototype convaincant et un outil déployé à grande échelle dans plusieurs usines, le chemin peut être long.

Dynatomics devra aussi préciser sa place dans la chaîne de valeur. Souhaite-t-elle fournir un logiciel aux fabricants, concevoir des systèmes autonomes, aider à créer des produits optimisés pour la production ou accompagner directement les sites industriels ? Ces modèles économiques n’impliquent ni les mêmes compétences, ni les mêmes relations avec les clients.

Emploi, sécurité et souveraineté des données

L’automatisation suscite inévitablement des interrogations chez les salariés. Les outils d’IA peuvent réduire le temps consacré à certaines tâches répétitives de planification, de saisie ou de contrôle. Ils peuvent aussi faire évoluer les métiers vers la supervision, l’interprétation des alertes, la maintenance et la gestion des données. La formation des équipes sera donc un facteur déterminant pour éviter que l’IA ne soit perçue comme une technologie imposée de l’extérieur.

La protection des données est un autre sujet majeur. Les informations de production, les plans de pièces, les coûts, les fournisseurs et les cadences constituent des actifs stratégiques. Une solution d’IA doit définir clairement qui accède à ces données, où elles sont stockées, comment elles sont protégées et dans quelles conditions elles peuvent être réutilisées.

Les questions éthiques et réglementaires ne se limitent pas à la confidentialité. Lorsqu’un algorithme recommande de modifier une cadence ou de prioriser une commande, l’entreprise doit pouvoir expliquer la décision et en assumer les conséquences. La traçabilité, les procédures de validation et le maintien d’un contrôle humain sont particulièrement importants dans les secteurs où la fiabilité des produits est critique.

Ce qu’il faut surveiller pour Dynatomics

Les prochains mois devront permettre de mesurer le passage de l’ambition à l’exécution. Plusieurs signaux seront particulièrement révélateurs : la présentation d’un produit clairement identifié, l’annonce de premiers clients ou partenaires, la publication de cas d’usage chiffrés et la capacité à démontrer des gains reproductibles sur le terrain.

Il faudra également observer la manière dont Dynatomics aborde la durabilité. Réduire les déchets, les stocks inutiles ou les arrêts de production est une promesse attractive, mais elle devra être étayée par des indicateurs concrets. Dans l’industrie, les résultats les plus crédibles sont ceux qui améliorent simultanément la qualité, les coûts, les délais et l’usage des ressources.

Avec Dynatomics, Larry Page mise sur une idée forte : l’IA pourrait devenir un outil de conception et de pilotage aussi important pour les fabricants que les logiciels ont pu l’être pour les entreprises de services. Le potentiel est réel, mais la réussite dépendra moins d’effets d’annonce que de la capacité à résoudre, dans des usines bien réelles, des problèmes précis et mesurables.