1. Contexte & Objectifs

Contexte / élément déclencheur

Le GEIST est un groupement d’entreprises industrielles du secteur textile, et plus particulièrement de la blanchisserie industrielle, rassemblant des acteurs majeurs tels qu’Ellis.
Ces entreprises partagent des enjeux communs :

• forte intensité énergétique,

• dépendance au gaz et à l’eau,

• pression réglementaire croissante,

• nécessité d’améliorer la performance opérationnelle sans dégrader la qualité de service.

Face à la diversité des sites (taille, équipements, niveau de maturité technologique), les adhérents du GEIST ont exprimé un besoin clair : structurer une démarche collective et mutualisée autour de l’intelligence artificielle, capable d’optimiser finement les consommations de gaz et d’eau à l’échelle industrielle.

Après une revue approfondie du marché, le groupement a constaté que les solutions existantes ne répondaient pas de manière satisfaisante aux spécificités métier du secteur.
Le choix a donc été fait de passer en mode build, en concevant un outil sur mesure, et de confier ce cadrage stratégique à aiko, cabinet AI-native spécialisé dans la conception de solutions IA à fort impact opérationnel.

Objectifs du projet

Le projet vise à concevoir un outil de prédiction IA :

• capable d’anticiper les consommations de gaz et d’eau avec un haut niveau de précision,

• intégrable dans un produit industrialisable,

• réplicable auprès de l’ensemble des adhérents du GEIST,

• suffisamment flexible pour s’adapter aux contraintes propres à chaque site industriel.

L’enjeu est double :

• générer des gains énergétiques mesurables,

• tout en proposant une expérience d’usage simple et exploitable par des équipes industrielles aux profils variés.

Approche générale aiko

aiko est intervenu en phase amont pour poser les fondations d’un futur socle IA mutualisé, en s’appuyant sur son cadre méthodologique PPDA (People, Process, Data, Algorithm).

L’approche a consisté à :

• consolider les besoins de l’ensemble des adhérents,

• identifier les invariants métier du secteur,

• concevoir une architecture produit capable de couvrir la majorité des cas d’usage,

• préparer le terrain pour un MVP IA à forte valeur ajoutée, actuellement en cours de développement.

Cette mission s’est matérialisée par la rédaction d’un cahier des charges détaillé, servant de référence pour le passage en phase build.

2. Approche aiko

AI Plan — Analyse & Priorisation

L’analyse menée par aiko a été résolument industrielle et terrain.

Les travaux ont inclus :

• de multiples visites de sites industriels,

• l’observation directe du fonctionnement des machines,

• l’étude des cycles de production,

• l’analyse des pratiques actuelles de collecte et d’exploitation des données (données natives machines, capteurs additionnels, systèmes existants).

Cette phase s’est appuyée sur :

• des entretiens semi-directifs,

• un questionnaire structuré,

• une cartographie précise des sources de données disponibles et exploitables.

Le besoin cible a émergé clairement :
concevoir un outil intégrant :

• un backend IA dédié à la modélisation prédictive,

• un frontend ergonomique, permettant une appropriation simple par les équipes opérationnelles.

AI Build — Construction des modèles

La solution conçue repose sur un modèle avancé de machine learning prédictif, spécifiquement adapté aux contraintes industrielles du secteur.

Caractéristiques clés :

• modèle de prévision probabiliste de type Conformalized Quantile Regression,

• granularité temporelle fine,

• capacité à produire des intervalles de confiance exploitables pour la prise de décision opérationnelle,

• architecture pensée pour fonctionner dans des environnements industriels hétérogènes.

Ce choix algorithmique permet d’aller au-delà de la simple prévision moyenne, en fournissant une vision robuste et exploitable des scénarios de consommation.

AI Run — Sprints & Optimisation

À ce stade du projet, la phase AI Run n’a pas encore démarré.
Le travail est actuellement concentré sur la finalisation du build du MVP, avant déploiement progressif sur des sites pilotes.

AI Change — Gouvernance & Adoption

La dimension change sera abordée lors des prochaines étapes du projet.
Le cadrage réalisé intègre déjà les principes de :

• mutualisation inter-adhérents,

• gouvernance de la donnée,

• standardisation des usages,
  afin de préparer un déploiement à l’échelle du groupement.

3. Impact & Résultats

Bien que le projet soit encore en phase de construction, les premiers résultats issus des travaux et des simulations sont particulièrement significatifs :

• –35 % de consommation de gaz,

• –40 % de consommation d’eau,

Ces résultats démontrent le potentiel majeur de l’IA prédictive pour optimiser finement l’utilisation des machines industrielles, réduire l’empreinte énergétique et améliorer durablement la performance des sites.

4. Points différenciants d’aiko

• Approche profondément terrain : compréhension fine des réalités industrielles, au-delà des modèles théoriques.

• Capacité à concevoir un produit mutualisé, tout en respectant les spécificités de chaque environnement.

• Excellence algorithmique, avec des modèles de prédiction robustes et exploitables opérationnellement.

• Vision produit : backend ML performant couplé à une interface pensée pour les utilisateurs métiers.

• Solution agile et multi-environnements, prête à être déployée dans des contextes industriels variés.