Pourquoi les projets de jumeau numérique échouent et comment l’éviter

Disclosure: M365.FM host Mirko Peters works at iFAKT GmbH. This page describes the company factually; paid partnerships and links are labelled as advertising.

Par Mirko Peters · 2026-11-11

Pourquoi les projets de jumeau numérique échouent : aucune décision à étayer, données de mauvaise qualité, absence de responsable et périmètre trop large. Découvrez cinq solutions et un exemple concret destiné aux responsables de site de production.

Traduit automatiquement par IA à partir de l'article original. Lire l'original en anglais

Les causes de l’échec d’un projet de jumeau numérique relèvent surtout de la gestion, et non du logiciel. Les causes typiques sont l’absence de décision qui dépende du jumeau, des données auxquelles personne ne fait confiance, l’absence de responsable pour le modèle et un périmètre trop large pour la première étape. Ce guide s’adresse aux responsables de site de production à qui l’on a demandé de parrainer un jumeau numérique ou qui ont vu un projet s’enliser. Vous découvrirez les cinq points de défaillance les plus courants, un exemple chiffré, une routine pour les éviter et les erreurs à surveiller.

Points clés

• Les projets de jumeau numérique échouent rarement à cause du logiciel : ils échouent parce qu’aucune décision ne dépend du jumeau, que les données ne sont pas fiables ou que personne n’est responsable du modèle.
• Avant de commencer, nommez la décision que le jumeau doit modifier, la personne qui la prendra et l’échéance. Si vous ne pouvez pas le faire, le projet n’est pas prêt.
• Vérifiez d’abord les données : pour chaque élément dont le jumeau a besoin, identifiez la source, le responsable, le rythme de mise à jour et si deux systèmes concordent.
• Un jumeau est un modèle vivant : sans processus qui le mette à jour lorsque le site évolue, il s’éloigne de la réalité et les utilisateurs cessent de s’en servir.
• Commencez par une seule ligne et une seule décision, démontrez la valeur en quelques semaines, puis élargissez le périmètre.

Pourquoi les projets de jumeau numérique échouent : la réponse courte

Un jumeau numérique est une représentation numérique entretenue d’une ressource physique, mise à jour à partir d’observations, par exemple grâce à des données en direct provenant des machines, quasiment en temps réel. Les termes importants sont « entretenue » et « mise à jour ». Un jumeau numérique n’est pas un modèle ponctuel, et ce n’est pas non plus une maquette 3D ni un ensemble de fichiers de CAO du site. C’est un système qui doit rester fidèle au site, et c’est là que les projets échouent.

Plusieurs sources décrivent le même schéma. Un article présenté à la 2023 Winter Simulation Conference, signé Siyuan Chen et ses coauteurs, examine les défis des jumeaux numériques dans la maintenance industrielle. Il les répartit en défis organisationnels, tels que la culture d’entreprise, les coûts initiaux élevés et la crainte de suppressions d’emplois, en défis méthodologiques, tels que des bénéfices peu clairs et des objectifs métier mal définis, et en défis techniques, tels que la collecte de données auprès d’équipements anciens et l’interopérabilité. L’étude est de petite taille, avec six professionnels du secteur interrogés ; les auteurs reconnaissent donc que leurs conclusions ne sont peut-être pas représentatives de toutes les entreprises.

Les éditeurs de logiciels disent la même chose de leur côté. Simio, éditeur de solutions de simulation, affirme dans un billet de blog que les projets s’enlisent plus souvent à cause des problèmes de données que de la technologie. Informatica, éditeur de solutions de gestion des données, écrit dans son article sur les fondations de données

À partir de ces sources et de la pratique courante des projets, nous regroupons les défaillances en cinq catégories. Ce regroupement est notre propre synthèse, et non une norme.

Défaillance 1 : aucune décision ne dépend du jumeau numérique

Le plus grand défi est que personne ne peut dire à quoi sert le jumeau numérique. « Nous voulons être une usine Industrie 4.0 » est une orientation, pas un cas d’usage. L’étude de Chen cite le manque de clarté des objectifs métier et des bénéfices parmi les défis méthodologiques, et cite l’identification des cas d’usage et l’obtention de l’engagement de la direction parmi les obstacles.

Un test simple peut aider. Posez au sponsor une question directe : quelle décision précise sera prise différemment, par qui et à quelle date, parce que ce jumeau existe ? De bonnes réponses sont concrètes. « Nous choisirons entre un deuxième poste et une nouvelle machine pour la ligne 3 en mars. » « Nous fixerons la taille des tampons avant la construction de la nouvelle disposition. » Une réponse faible serait « nous aurons une meilleure visibilité ».

Si la réponse est vague, le projet n’a aucun signal d’arrêt. Il continuera jusqu’à épuisement du budget, et personne ne pourra alors présenter de résultat.

Erreur 2 : données de mauvaise qualité et socle de données fragile

Le jumeau numérique ne vaut que ce que valent ses données. Simio identifie trois problèmes de données, qui correspondent à ce que constatent les usines :

• Données manquantes. Les temps de traitement, la disponibilité des ressources ou les enregistrements de qualité présentent des lacunes. Simio suggère de commencer par des estimations fondées sur l’expérience pour les paramètres critiques, de consigner les hypothèses et de collecter des données réelles au fil du temps.
• Problèmes de qualité. Les données semblent complètes, mais elles contiennent des valeurs aberrantes, des erreurs de synchronisation ou des valeurs contradictoires d’un système à l’autre. Simio recommande des règles de validation, des contrôles automatisés des valeurs aberrantes et une revue par des experts des processus.
• Problèmes d’intégration. Les données se trouvent dans l’ERP, le MES et les systèmes de qualité, qui ne communiquent pas entre eux. Simio suggère d’échelonner le travail, depuis les exports de fichiers planifiés jusqu’aux liaisons de bases de données, puis aux interfaces plus avancées.

Informatica ajoute les données de référence et un socle de données. Sans un référentiel fiable des actifs, de leur emplacement, de leur historique de maintenance et de leur criticité, un jumeau ne dispose que de chiffres et de peu de contexte, et toute fonction d’IA ou de maintenance prédictive qui s’appuie dessus repose sur une couche de données fragile. L’article avertit que des données erronées peuvent entraîner des alertes de maintenance manquées ou des commandes de pièces de rechange incorrectes.

Pour une usine, la forme concrète de ce problème est simple. Le système d’exécution de fabrication enregistre-t-il les mêmes motifs d’arrêt que le système de maintenance ? Les deux utilisent-ils le même identifiant de machine ? Les actifs physiques du système de gestion de la maintenance correspondent-ils aux lignes du MES, et les temps de cycle de l’ERP correspondent-ils à ce que la ligne produit réellement ? Si deux systèmes se contredisent, le jumeau numérique en retiendra un, et l’on découvrira plus tard lequel était erroné.

Erreur 3 : personne n’est responsable des données ni du modèle

Un jumeau numérique a deux types de responsables, et les deux font souvent défaut. Chaque donnée doit avoir un responsable capable d’affirmer qu’elle est correcte. Le modèle doit avoir un responsable qui le met à jour lorsque l’usine évolue.

L’étude de Chen est claire sur ce point. Elle indique que les défis organisationnels exigent des processus garantissant des mises à jour régulières, et recommande de mettre à jour le modèle chaque fois que le système physique change. Les personnes interrogées ont également souligné l’importance de l’expertise humaine pour maintenir le jumeau, en comprendre les résultats et les vérifier. Un jumeau numérique que personne ne maintient n’est qu’un instantané. Après le premier changement d’implantation ou le premier nouveau produit, il ne correspond plus à l’usine, et les opérateurs qui le remarquent cessent de lui faire confiance.

La même étude note que la plupart des répondants n’utilisent les jumeaux numériques qu’au stade de l’ombre numérique (digital shadow). Un jumeau entièrement connecté et s’auto-actualisant reste un objectif à long terme, et la première version utile est souvent un modèle plus simple, doté d’un responsable clairement identifié.

Erreur 4 : un périmètre trop large pour la première étape

Le piège suivant est l’ambition. Un projet de jumeau numérique qui démarre avec « toute l’usine » doit réconcilier les données de chaque ligne, de chaque système et de chaque équipe avant de montrer quoi que ce soit. Le nombre de données augmente avec chaque ligne, et le nombre de conflits avec lui.

Un périmètre restreint, un projet pilote de jumeau numérique sur une seule ligne, place rapidement le modèle devant de vrais utilisateurs. Une ligne, une décision et un groupe d’utilisateurs suffisent pour vérifier si les données tiennent et si les personnes exploitent la réponse. L’étude de Chen cite l’obtention de l’engagement de la direction et l’instauration de la confiance parmi les obstacles, et un premier résultat rapide et juste aide sur ces deux points.

Erreur 5 : le projet est traité comme un projet informatique

Si la DSI ou une équipe externe construit seule le modèle, les personnes qui connaissent l’usine arrivent tard. Elles constatent que le modèle ignore une étape manuelle, un outil partagé ou une règle informelle. L’article de Chen cite la culture d’entreprise, les problèmes de communication et la crainte de perdre son emploi parmi les défis. Traitez le projet comme une conduite du changement, avec un dossier d’affaires mesurable que l’usine peut vérifier, et faites participer les opérateurs, la maintenance et la planification à la définition de ce que le modèle montre.

Exemple : auditer une ligne avant de passer à l’échelle

Il s’agit d’un calcul illustratif reposant sur des chiffres supposés, et non d’un cas mesuré. Une usine prévoit un jumeau numérique pour 12 lignes. Elle veut décider de la taille des stocks tampons pour la première ligne ; le sponsor demande donc d’abord un audit des données de cette ligne. Le jumeau numérique a besoin de 30 éléments de données par ligne, comme les temps de cycle, les motifs et durées d’arrêt, la composition des commandes, les effectifs et les temps de changement de série.

Résultat de l’audit pour la ligne 1 :

• 11 éléments sont disponibles et fiables.
• 9 éléments existent dans deux systèmes qui ne concordent pas, par exemple les motifs d’arrêt dans le MES et dans le système de maintenance.
• 6 éléments ne figurent que sur papier ou dans la tête des chefs d’équipe.
• 4 éléments n’existent tout simplement pas.

Donc 19 éléments sur 30 nécessitent un travail, et seulement 11 sur 30, soit environ 37 %, sont prêts.

Périmètre large. Si l’usine suppose des chiffres similaires pour les 12 lignes, 12 × 19 = 228 éléments nécessitent un travail. Retenons, comme hypothèse de planification qui nous est propre, qu’un analyste peut corriger 5 éléments par semaine. Le travail sur les données prend alors 228 ÷ 5 = environ 46 semaines, soit près d’un an, avant le premier résultat.

Périmètre restreint. La décision sur les stocks tampons n’a besoin que de 12 des 30 éléments, et l’audit montre que 5 de ces 12 posent problème. À raison de 5 éléments par semaine, cela représente 1 semaine de travail sur les données. La première réponse arrive en quelques semaines, et l’équipe apprend quels problèmes de données pèsent le plus.

Vos chiffres seront différents, mais l’audit montre dans quelle situation vous vous trouvez.

Comment éviter l’échec : un projet pilote de jumeau numérique en six étapes

1. Nommez la décision. Notez la décision que le jumeau numérique change, qui la prend et à quelle date.
2. Auditez les données. Pour chaque élément dont le jumeau numérique a besoin, identifiez la source, le responsable, le rythme de mise à jour et si deux systèmes concordent. Comptez les lacunes.
3. Désignez des responsables. Une personne par domaine de données et une personne pour le modèle. Inscrivez leurs noms dans le plan de projet.
4. Commencez petit. Une ligne ou une étape de process, et uniquement les éléments de données dont la décision a besoin.
5. Planifiez les mises à jour. Définissez comment le modèle évolue lorsque l’usine change, et qui le déclenche. Intégrez cela au déploiement, et non après coup, et formalisez le workflow par écrit.
6. Évaluez par rapport à la décision. Après quelques semaines, vérifiez si la décision a été prise différemment. N’élargissez le périmètre que si la réponse est oui.

Erreurs courantes

• Acheter la plateforme avant de définir le cas d’usage. L’outil ne vous dit pas quoi décider.
• Faire confiance aux données parce qu’elles existent. Une valeur dans une base de données n’est pas la même chose qu’une valeur exacte et à jour.
• Laisser deux systèmes se contredire. Le jumeau numérique en choisira un sans vous le dire.
• Pas de responsable après la mise en service. Un jumeau numérique sans responsable est périmé dès le premier changement.
• Commencer par l’ensemble de l’usine. Le travail sur les données croît plus vite que le bénéfice, et les initiatives de jumeaux numériques perdent leur sponsor.
• Oublier l’atelier. Si les opérateurs et le personnel de maintenance ne font pas confiance au jumeau, ils ne l’utiliseront pas.

Comment les logiciels peuvent aider

L’audit des données comme le modèle ont besoin d’une description unique et cohérente des produits, des étapes de process et des ressources. iFAKT's Polaris Designer est un module d’iFAKT Polaris qui construit un graphe de connaissances produit-process-ressource (PPR) servant de source unique de vérité pour les produits, les étapes de process et les ressources. Une description partagée de ce type résout le problème des données contradictoires, mais elle ne remplace ni la décision, ni les responsables, ni la routine de mise à jour. Le logiciel aide une fois ceux-ci en place.

Prochaine étape

Choisissez une ligne et une décision pour le trimestre prochain, et demandez à votre équipe d’auditer les 10 à 20 éléments de données dont cette décision a besoin. Si l’audit montre que la plupart des éléments ne sont pas prêts, vous aurez compris pourquoi les projets de jumeaux numériques échouent avant d’avoir dépensé le budget, et vous saurez par où commencer.