Des sociétés informatiques coréennes de taille moyenne développent des modèles d’intelligence artificielle spécialisés pour la production et la logistique en exploitant les données d’atelier et le savoir opérationnel, privilégiant les sLLMs et les DSLMs, les entraînements sur site et les déploiements edge pour des raisons de sécurité, de coût et de performance.
Vers des modèles sectoriels plutôt que des LLM généralistes
Les entreprises citent un mouvement de l’IA qui va au‑delà de la course à la performance des grands modèles linguistiques généralistes vers des systèmes adaptés à des industries et tâches spécifiques. Les sLLMs (small LLMs) et DSLMs (domain‑specific language models) sont de plus en plus recherchés pour leur capacité à intégrer une terminologie spécialisée, une logique métier complexe et des contraintes de sécurité et réglementaires propres aux secteurs.
Gartner a retenu les DSLMs parmi ses Top Strategic Technology Trends pour 2026 et prévoit que plus de la moitié des modèles génératifs utilisés par les entreprises seront spécifiques à un domaine d’ici 2028. Dans son rapport “Domain-Specific Language Models: GenAI as a Precision Tool” (mars 2026), Gartner estime par ailleurs que les DSLMs et les applications qui en découlent pourraient générer une croissance significative et être développés jusqu’à 50 % moins cher que des LLM généralistes, en identifiant la fabrication, le commerce de détail et les services financiers comme industries d’adoption précoce. Strategy& classe aussi les modèles domain‑specific parmi les éléments de l'”physical AI”, estimant qu’ils peuvent améliorer la fiabilité des robots et des systèmes autonomes tout en réduisant les besoins de calcul et la latence.
Plusieurs acteurs coréens — CJ OliveNetworks, Asiana IDT, KOLON BENIT et POSCO DX — développent des modèles et services spécialisés en s’appuyant sur les données et l’expertise accumulées sur les sites de fabrication et de logistique. Ils évoquent le développement de modèles propriétaires, le fine‑tuning, l’entraînement sur données sectorielles et l’usage de techniques comme la retrieval‑augmented generation (RAG).
IA manufacturière et données d’atelier : clé de la précision
Les entreprises interrogées estiment que la compréhension et l’exactitude d’un modèle pour un site de production reposent avant tout sur les données d’atelier. Sont cités comme intrants essentiels : données de procédé et d’équipement, données de production et de qualité, connaissances d’atelier, documents et autres données non structurées, vidéos et CCTV, ainsi que les données issues des systèmes d’entreprise (ERP, MES, WMS).
CJ OliveNetworks souligne le besoin de réponses précises basées sur des données structurées interconnectées — ordres de production, articles, tags d’équipement, conditions de procédé, normes qualité — et met en garde contre les erreurs de modèles généralistes qui, selon elle, pourraient provoquer des perturbations de production ou des risques qualité. KOLON BENIT pointe la fragmentation des données : les systèmes SCADA, DCS et PLC génèrent de gros volumes, mais les données d’équipement, de qualité, de production et de coût restent éclatées dans des systèmes séparés ; collecter, connecter et analyser ces données doit précéder toute production de valeur par l’IA, ce qui explique selon elle le grand nombre de projets d’AI transformation (AX) restés au stade de PoC pour des raisons de scalabilité et de fragmentation des données.
KOLON BENIT indique aussi que certains cas d’usage — détection de dangers en vidéo en temps réel, virtual sensing pour grandeurs physiques non mesurables directement, traçage des causes racines de défauts, exécution automatique d’une “Golden Recipe” commandant l’équipement sans tolérance à l’hallucination, et standardisation des critères décisionnels d’opérateurs expérimentés — ne peuvent être résolus par des LLM généralistes.
Déploiement sur site, latence et sécurité
La nécessité de performances temps réel et d’exigences de sécurité spécifiques à l’industrie motive l’entraînement et l’exploitation sur site, l’inférence en périphérie et le déploiement dans des réseaux fermés pour empêcher la sortie des données clients et permettre à l’IA de fonctionner dans l’infrastructure propre du client.
POSCO DX indique que, pour l’opération et le contrôle d’équipements où une décision IA se traduit en mouvements physiques, il faut à la fois haute précision et inférence quasi instantanée ; les modèles doivent donc comprendre la structure des équipements, les conditions de procédé et les procédures d’exploitation, et être dimensionnés pour des performances et une taille adaptées au site. L’entreprise positionne l’usine intelligente et autonome et l’IA industrielle comme des axes clés de son activité et souligne l’importance de modèles domain‑specific légers capables de prendre des décisions stables dans des délais contraints.
Asiana IDT explique que les sites de fabrication et de logistique demandent une “practical execution intelligence” validée en matière de sécurité, d’exactitude et d’intégration aux systèmes sur site, d’où sa focalisation sur l’IA sectorielle plutôt que sur les LLM généralistes. Elle estime que les LLM généralistes produisent des hallucinations fréquentes et des erreurs sur des formats documentaires complexes, qu’ils peinent à intégrer des flux visuels temps réel (p. ex. détection d’anomalies par CCTV), et que l’utilisation de services cloud externes soulève des risques de fuite d’informations confidentielles et de détérioration des performances par drift lorsque les processus de production évoluent.
Asiana IDT utilise plusieurs solutions internes : EasyVibe, décrit comme un assistant de codage IA en réseau fermé ; ModelOps.Ai, une solution de gestion des performances de modèles automatisant le retraining pour réduire les coûts d’exploitation ; OnDoks, une solution d’intelligence documentaire basée sur l’OCR capable d’extraire précisément tableaux et formulaires complexes ; et ModelWave, présenté comme une plateforme agentique qui relie le savoir métier à la génération d’IA pour fournir des réponses factuelles.
CJ OliveNetworks met également en avant la sécurité comme avantage des modèles spécialisés : empêcher l’accès direct aux bases opérationnelles, restreindre la portée des requêtes selon les permissions, les sites et les rôles. Elle souligne que les architectures edge, où l’inférence est effectuée sur des serveurs proches des équipements d’inspection, minimisent la latence réseau et la dépendance aux systèmes externes. CJ OliveNetworks résume les bénéfices des IA manufacturières spécialisées en quatre axes : sécurité, performance temps réel, précision et continuité — la précision résultant de l’application de structures de données, de règles de procédé et de logiques de requête approuvées, la continuité de l’amélioration des modèles et des outils métier à partir des données de site, des requêtes utilisateurs et des résultats d’inspection.
L’ensemble de ces éléments illustre pourquoi, selon les acteurs et les cabinets cités, la spécialisation, l’efficience des coûts et la conformité réglementaire devraient renforcer le rôle des modèles sectoriels par rapport aux LLM généralistes à mesure que l’IA se déploie dans l’industrie.
