Emerson et Databricks relient le tissu de données OT à l’IA d’entreprise
Emerson et Databricks connect les données OT d’AspenTech Inmation aux outils d’analyse et d’IA de l’entreprise. L’opportunité réside dans un contexte plus riche ; le défi technique consiste à maint...
Emerson et Databricks ont annoncé une collaboration visant à relier les données opérationnelles industrielles aux outils d’analyse et d’IA d’entreprise. Le communiqué du 19 novembre 2026 porte principalement sur AspenTech Inmation, présenté comme une structure de données pour les technologies opérationnelles, et sur l’accès natif à ces données depuis la Databricks Data Intelligence Platform.
Ce que couvre la collaboration
Selon Emerson, Inmation peut collecter, contextualiser et gouverner les données OT en temps réel et historiques dans des environnements de terrain, de périphérie et de cloud. La nouvelle collaboration vise à rendre ces données contextualisées accessibles aux côtés des données commerciales et d’entreprise dans Databricks. Emerson indique également que les utilisateurs pourront accéder aux capacités d’IA industrielle AVA d’AspenTech et aux données Inmation depuis l’environnement Databricks.
L’objectif architectural est simple : éviter de créer un projet distinct d’extraction et de contextualisation des données pour chaque cas d’usage lié à la maintenance, aux performances ou à l’IA. Une couche commune de données opérationnelles pourrait permettre à une équipe d’analyse de combiner l’état des équipements, l’historique des procédés, les ordres de production, les dossiers qualité et les événements de maintenance sans devoir recréer sans cesse les correspondances entre les points de mesure et le contexte des actifs.
Les bénéfices concrets que les usines pourraient en tirer
La maintenance prédictive en est l’exemple le plus évident, mais les cas d’usage les plus intéressants sont généralement spécifiques. Une équipe pourrait comparer les vibrations des pompes ou le comportement des vannes au mode de fonctionnement et à la qualité du produit, vérifier si certaines séquences d’alarmes précèdent une baisse du débit de production, ou associer la consommation d’énergie aux programmes de production. L’intérêt dépend de la préservation des horodatages, des unités d’ingénierie, des codes qualité et des relations entre les actifs, et non du simple transfert de grandes quantités de données de mesure vers un lakehouse.
Les équipements de contrôle existants restent une source importante de ce contexte opérationnel. Une usine de production peut utiliser des contrôleurs tels que le contrôleur Emerson DeltaV MQ, des modules d’interface tels que le module d’E/S virtuelles DeltaV et des cartes classiques telles que le module d’entrées analogiques KJ3002X1-BC1. Ce sont des exemples de la couche installée dont peuvent provenir les informations de procédé ; l’annonce ne précise pas que ces produits exacts disposent d’une connexion native directe à Databricks.
La frontière du système de commande doit rester explicite
La publication traite de l’accès, de l’analytique, des workflows d’IA et des agents, mais ne définit pas l’autorité de commande en boucle fermée. Cette distinction est importante. Une recommandation générée par une IA d’entreprise n’équivaut pas à une action de commande validée, et un lakehouse ne remplace ni la commande déterministe, ni les verrouillages, ni un système instrumenté de sécurité indépendant.
Les fonctions de sécurité exigent une séparation particulièrement stricte. Un solveur logique tel que le module SIS DeltaV Emerson VS3202 relève d’un cycle de vie de sécurité encadré, avec des exigences définies en matière de gestion des modifications, de diagnostic et d’essais périodiques. Les données d’un SIS peuvent contribuer aux analyses, mais les chemins d’écriture, les identifiants et les recommandations générées par l’IA ne doivent pas contourner la conception de sécurité. Rien dans l’annonce n’établit une telle autorisation.
Questions laissées en suspens par l’annonce
- Topologie des connecteurs : Emerson ne précise pas quels collecteurs, protocoles ou modèles de déploiement assurent l’accès natif, ni si un déploiement Inmation existant nécessite des passerelles supplémentaires.
- Latence et exhaustivité : aucun chiffre n’est fourni concernant la latence entre événement et requête, la mise en mémoire tampon en cas de panne, la résolution des horodatages ou la préservation des indicateurs de qualité à la source.
- Sécurité : les usines doivent toujours définir une procédure documentée couvrant les zones réseau OT, les contrôles d’identité, la gestion des certificats, la journalisation des audits et, lorsque cela est nécessaire, les mesures imposant un fonctionnement unidirectionnel ou en lecture seule.
- Résidence des données : les sites réglementés et répartis géographiquement doivent déterminer où les données brutes, contextualisées et dérivées sont stockées et traitées.
- Cycle de vie et coûts : la version ne précise ni les licences, ni les versions prises en charge, ni les dépendances de mise à niveau, ni la responsabilité opérationnelle des modèles et des agents.
- Opérations déconnectées : on ne sait pas encore clairement quelles fonctions sont disponibles pour les sites isolés du réseau ou en cas de perte de connectivité au cloud.
Une démarche d’adoption judicieuse
Les usines devraient commencer par un cas d’usage en lecture seule, avec des résultats mesurables, plutôt que de transférer les données de toute l’entreprise. Il faut d’abord définir la hiérarchie des actifs, les tags sources, les règles de qualité et le résultat opérationnel attendu. Il faut ensuite mesurer la latence et les lacunes des données en fonctionnement normal, lors des arrêts de maintenance et des interruptions réseau. Ce n’est qu’une fois le pipeline fiable que l’équipe devrait entraîner ou déployer un modèle d’IA.
Au départ, les résultats des modèles devraient être fournis à titre indicatif et comparés aux observations des opérateurs et du personnel de maintenance. Tout passage ultérieur à une action automatisée nécessite une analyse des risques distincte, un modèle d’autorité, un plan de retour arrière et un processus de gestion des modifications. Les équipes chargées des achats devraient également exiger une nomenclature des versions logicielles, des dépendances des connecteurs, des hypothèses relatives à la sortie des données et des procédures de restauration afin que l’architecture puisse être prise en charge au-delà d’un projet pilote.
Ce que cela implique pour la stratégie de données industrielles
Cette collaboration est importante, car elle reconnaît que l’utilité de l’IA d’entreprise dépend de son accès à des données d’usine correctement contextualisées. Inmation pourrait réduire les travaux d’intégration répétitifs, tandis que Databricks fournit un environnement plus vaste pour l’ingénierie des données et l’IA. La valeur technique dépendra de la qualité du contexte OT et de la rigueur de la frontière de contrôle, et non du nombre de tags rendus visibles à une plateforme d’IA.
Pour les responsables des opérations, l’occasion à court terme consiste à améliorer les analyses transversales en réduisant le recours à des intégrations personnalisées. Le risque à court terme est qu’un chemin de données pratique devienne un chemin de contrôle non documenté. Un déploiement réussi devrait donner accès à davantage d’informations opérationnelles sans affaiblir les responsabilités en matière de déterminisme, de cybersécurité et de sécurité des systèmes qui pilotent l’usine.
Source : Emerson, « Emerson and Databricks Bring Industrial and Enterprise AI Together », publié le 19 novembre 2026. Annonce officielle. Analyse éditoriale par PLC ProTech, le 20 novembre 2026.