À Monaco, SNCF Gares & Connexions et Akila expérimentent une gare capable de croiser ses données, de suivre ses équipements, d’anticiper les flux de voyageurs et de simuler son évolution. Derrière la démonstration technologique apparaît une question beaucoup plus stratégique pour les entreprises : comment rendre leurs opérations physiques intelligibles par l’intelligence artificielle ?

Le monde physique, prochain territoire de l’IA

Et si le principal obstacle à l’intelligence artificielle dans les entreprises n’était plus l’IA elle-même, mais le monde réel ? Depuis l’arrivée de ChatGPT, l’attention s’est largement concentrée sur les modèles, les assistants conversationnels et, plus récemment, les agents. Pourtant, une part considérable de l’activité économique repose encore sur des usines, des bâtiments, des entrepôts, des gares, des hôpitaux et de nombreuses infrastructures. Leurs données restent dispersées entre des logiciels, des capteurs, des documents et des systèmes qui communiquent difficilement entre eux.

Une intelligence artificielle ne peut pas optimiser ce qu’elle ne peut ni voir, ni contextualiser, ni relier.

Lors d’une rencontre organisée en collaboration avec les Conseillers du Commerce Extérieur de la France à Monaco, plusieurs acteurs de l’écosystème économique et numérique étaient réunis, en présence de l’ambassadeur de France à Monaco. Fabrice Morenon, directeur général de SNCF Gares & Connexions, et les équipes d’Akila y ont présenté le jumeau numérique déployé à la gare Monaco–Monte-Carlo.

Au-delà de la représentation 3D spectaculaire de la gare, c’est surtout une nouvelle manière d’exploiter une infrastructure qui se dessine.

« L’IA ne peut pas agir sur ce qui n’est pas numérisé. »

Prenons une gare. Elle dispose de plans, de contrats, d’ascenseurs, de systèmes électriques, de ventilation, de caméras, de capteurs, de logiciels de maintenance, de données énergétiques et d’informations sur les flux de voyageurs. La donnée existe donc déjà en grande partie. Mais elle est fragmentée. Un plan peut se trouver dans une archive. Les informations d’un ascenseur sont détenues par son système de supervision. Les consommations énergétiques proviennent d’autres équipements. Les informations contractuelles résident ailleurs. Les caméras et capteurs produisent leurs propres flux.

Pour un être humain, ces éléments appartiennent intuitivement au même environnement. Pour une machine, ils restent indépendants tant que leurs relations n’ont pas été établies. Le jumeau numérique permet précisément de reconstruire ce contexte et de rendre le monde physique intelligible par l’IA.

Monaco : rendre la gare intelligible par la machine

Dans le dispositif présenté, différentes sources sont progressivement intégrées : documents, plans, logiciels, équipements techniques, données IoT et informations provenant de systèmes tiers. Ces données sont structurées grâce à une ontologie, c’est-à-dire un modèle permettant de représenter les objets et surtout les relations qui les unissent. Un ascenseur n’est alors plus simplement une ligne dans une base de données. Il appartient à une zone précise de la gare. Il possède des caractéristiques techniques. Il produit des informations de fonctionnement. Il est soumis à un programme de maintenance. Son indisponibilité peut affecter certains parcours voyageurs. Cette contextualisation constitue une différence fondamentale. L’objectif n’est plus seulement de stocker davantage de données, mais de permettre aux systèmes d’IA de comprendre comment elles sont reliées.

La démonstration réalisée à Monaco l’a rendu très concret. Depuis une représentation tridimensionnelle de la gare, les opérateurs peuvent parcourir les espaces, sélectionner certains équipements et accéder aux informations associées. Sur un ascenseur, par exemple, la plateforme peut recevoir le statut communiqué par le fabricant. Une anomalie peut déclencher une alerte. Dans certaines zones techniques, des capteurs permettent de suivre température et humidité. Les consommations électriques peuvent également être analysées. La technologie relie ainsi le modèle numérique à la réalité opérationnelle.

Connaître, observer, anticiper

La présentation a surtout mis en évidence trois générations de jumeaux.

  • Le premier est le jumeau de connaissance. Il rassemble ce que l’organisation sait déjà : plans, contrats, registres, documents et caractéristiques techniques.
  • Le deuxième est le jumeau opérationnel. Aux données historiques s’ajoutent les informations remontant des systèmes en fonctionnement. Il devient alors possible d’observer ce qui se passe réellement dans l’infrastructure.
  • Le troisième niveau est plus ambitieux : le jumeau cognitif. Il ne s’agit plus seulement de répondre à la question « Que se passe-t-il ? », mais progressivement à une autre : « Que pourrait-il se passer ? »

Le passage est essentiel : connaître, observer, simuler, décider. C’est probablement à ce stade que le jumeau numérique devient particulièrement intéressant pour les dirigeants.

Simuler avant d’investir

La gare Monaco–Monte-Carlo constitue un cas particulièrement parlant. Que se passera-t-il si le trafic voyageurs augmente dans les dix ou quinze prochaines années ? Certaines zones deviendront-elles insuffisantes ? Faudra-t-il modifier des accès, déplacer des équipements ou réaliser de nouveaux investissements ?

Le jumeau permet d’utiliser les données actuelles pour construire différents scénarios. Les flux de voyageurs peuvent être simulés. Les mouvements d’air peuvent être modélisés. Des scénarios concernant la température, la ventilation ou la sécurité peuvent être testés. L’objectif est notamment de réfléchir aux besoins futurs de la gare à l’horizon 2035 ou 2040. La simulation devient alors un instrument d’aide à la décision d’investissement. Au lieu de réaliser une transformation puis d’en mesurer les conséquences, l’organisation peut virtuellement tester différentes hypothèses avant d’engager ses CAPEX.

La plateforme développée par Akila s’appuie sur les technologies NVIDIA Omniverse et Metropolis. NVIDIA indique que SNCF Gares & Connexions utilise ces technologies pour simuler notamment les flux de voyageurs, les mouvements d’air, la température ou certains scénarios d’évacuation.

La valeur ne réside pas dans la 3D

C’est pourtant ailleurs que se situe l’enseignement le plus intéressant de cette expérimentation. Un jumeau numérique impressionne visuellement. Mais sa valeur économique ne vient pas de sa représentation graphique. Elle vient des décisions qu’il permet d’améliorer.

Un exemple présenté pendant la démonstration concerne les surfaces de la gare. Certaines valeurs utilisées dans différents contrats auraient été reconduites au fil du temps sans être systématiquement remises à jour. La consolidation des données dans le jumeau numérique aurait permis d’identifier un potentiel d’économie de l’ordre 10 % sur certains contrats, notamment de nettoyage. Autre exemple : l’énergie. L’analyse des consommations permet d’identifier les équipements réellement responsables des principaux usages électriques. NVIDIA publie des résultats plus élevés dans son étude de cas consacrée à SNCF Gares & Connexions et Akila. Le groupe fait état d’une réduction de 20 % de la consommation énergétique, de 50 % des temps d’arrêt et des délais de réponse, ainsi que de 100 % de la maintenance préventive réalisée à temps.. Ces indicateurs sont publiés pour le déploiement présenté par NVIDIA et ne doivent donc pas être automatiquement interprétés comme les seuls résultats spécifiques à la gare de Monaco.

Cette distinction est importante. La technologie ne produit pas mécaniquement une économie de 10, 15 ou 20 %. Elle crée une capacité nouvelle d’observation et d’analyse. La valeur dépend ensuite des décisions prises par l’organisation.

Anticiper les flux plutôt que les subir

La gestion des voyageurs constitue une autre illustration. Selon Fabrice Morenon, le système développé permet désormais de compter les trains avec une fiabilité annoncée comprise entre 99 et 100 %. La computer vision est également utilisée pour analyser les flux de personnes dans certaines zones.

L’intérêt dépasse largement le comptage. Lorsque ces informations sont historisées puis croisées avec le modèle spatial de la gare, elles deviennent une matière première pour anticiper l’évolution des usages. Le dispositif ouvre également des perspectives en matière de sécurité. La détection d’un franchissement des voies a, par exemple, été évoquée comme cas d’usage potentiel. Les simulations peuvent aussi étudier la circulation de l’air ou le comportement d’un environnement lors d’un départ d’incendie.

Nous ne sommes donc plus seulement dans le smart building traditionnel. La combinaison de données temps réel, de vision par ordinateur, de simulation et d’IA rapproche progressivement l’infrastructure d’un système capable de percevoir certaines évolutions de son environnement et d’aider les opérateurs à y répondre.

Posséder ses bâtiments mais pas leurs données ?

Une question posée pendant les échanges a déplacé la discussion sur un terrain beaucoup plus stratégique. Comment gérer l’hétérogénéité des protocoles de communication et des équipements ? Derrière le problème technique apparaît rapidement une question de gouvernance : à qui appartiennent les données produites par un bâtiment ?

Une entreprise peut être propriétaire d’une infrastructure tout en dépendant de multiples fournisseurs pour accéder aux informations générées par ses propres équipements. Tant que ces données servaient essentiellement à la maintenance d’un système isolé, cette dépendance pouvait sembler secondaire. Avec l’IA, elle change de dimension.

La donnée devient la matière première permettant de comprendre, d’optimiser et éventuellement d’automatiser les opérations. Les entreprises devront donc probablement intégrer de plus en plus explicitement dans leurs appels d’offres des exigences concernant l’ouverture des systèmes, l’interopérabilité, la propriété des données, leur portabilité et les conditions d’accès.

À cela s’ajoute la souveraineté : où les données sont-elles hébergées ? Qui peut les traiter ? Quels systèmes d’IA peuvent y accéder ? Comment les actions sont-elles tracées ? Pour les infrastructures critiques, ces questions deviennent aussi importantes que les performances techniques du modèle.

Le facteur humain derrière le jumeau numérique

Un autre échange de la soirée mérite attention. Interrogés sur la principale difficulté rencontrée lors du projet monégasque, les intervenants n’ont pas désigné l’algorithme, les capteurs ou la modélisation 3D. Ils ont au contraire souligné le rôle de l’engagement de la direction et l’adhésion des équipes.

Le projet aurait bénéficié d’un choix stratégique porté au plus haut niveau et correctement introduit auprès des collaborateurs, limitant ainsi les difficultés de conduite du changement. Le constat dépasse largement le cas de Monaco.

Les organisations peuvent disposer d’excellentes technologies et de données abondantes sans réussir leur transformation. La capacité à créer une direction commune, à associer les équipes opérationnelles et à redéfinir les processus reste déterminante. La technologie est une condition de la transformation. Elle n’en constitue pas à elle seule le moteur.

Après l’IA générative, la Physical AI ?

NVIDIA utilise désormais largement le concept de Physical AI pour désigner les systèmes capables de percevoir, comprendre et agir dans le monde physique. Le projet de Monaco s’inscrit dans cette évolution et associe jumeau numérique, simulation, vision par ordinateur et agents d’IA.

Cette évolution mérite l’attention des entreprises. Nous avons consacré beaucoup d’énergie à rendre les connaissances de l’organisation accessibles aux modèles génératifs. Documents, bases de connaissances et données métiers alimentent progressivement copilotes et agents.

Une nouvelle étape pourrait maintenant consister à rendre les opérations elles-mêmes lisibles par l’IA. Usines, entrepôts, bâtiments, infrastructures énergétiques, hôpitaux, centres commerciaux ou réseaux de transport pourraient être concernés.

Après la course aux modèles commence peut-être une autre compétition : celle de la contextualisation numérique du réel.

Ce que les dirigeants peuvent retenir du cas Monaco

Pour une entreprise, la première question n’est donc probablement pas : « Devons-nous construire un jumeau numérique ? » Elle est plus fondamentale : quelles décisions importantes pourrions-nous prendre différemment si nous disposions d’une représentation fiable, contextualisée et en temps réel de nos opérations ?

Cette question conduit immédiatement à d’autres : quelles données possédons-nous réellement ? Où sont-elles ? Quels fournisseurs en contrôlent l’accès ? Nos systèmes sont-ils interopérables ? Quelle qualité de données pouvons-nous garantir ? Quels processus pourraient être simulés avant d’engager une décision coûteuse ? Le cas Monaco montre également qu’un projet de ce type ne doit pas être évalué uniquement à l’aune de sa sophistication technologique. Sa valeur se mesure à travers des indicateurs opérationnels : consommation énergétique, disponibilité des équipements, coûts de maintenance, temps d’intervention, qualité de service, sécurité ou optimisation des investissements.

C’est peut-être là que réside la transformation la plus importante. Le jumeau numérique n’est plus seulement le double virtuel d’un bâtiment. Il peut devenir une infrastructure de décision, située à l’intersection des données, de l’IA et des opérations. La question pour les dirigeants évolue donc. Il ne s’agit plus seulement de savoir quelle intelligence artificielle adopter, mais de déterminer si leur organisation produit et gouverne les données qui permettront demain à cette intelligence artificielle de comprendre réellement son fonctionnement.

À Monaco, la gare fournit un laboratoire particulièrement concret de cette évolution. Mais les économies d’énergie, l’amélioration de la maintenance ou l’anticipation des flux ne proviennent pas du jumeau numérique seul.

Elles apparaissent lorsque l’organisation transforme une nouvelle capacité d’observation et de simulation en décisions.