L’IA agentique au service du contrôle documentaire dans le secteur nucléaire

Depuis l’arrivée de ChatGPT d’OpenAI il y a trois ans, l’intelligence artificielle générative a suscité un engouement considérable. Pourtant, son utilisation reste largement cantonnée à un impact et une valeur individuelle : celle de l’utilisateur qui maîtrise l’art du « prompting », capable de formuler les bonnes questions, de la bonne manière et d’enchaîner les raisonnements pour obtenir un résultat exploitable et pertinent.

Cette approche présente néanmoins deux limites majeures. D’abord, elle crée une dépendance aux virtuoses du prompting : comme ces fichiers Excel truffés de macros VBA que seul leur créateur sait maintenir, les solutions basées sur l’IA Gen disparaissent souvent avec le départ de leurs concepteurs. Ensuite, elle ne répond pas aux enjeux industriels : là où un expert peut mettre des semaines à trouver une donnée technique dans des bibliothèques documentaires, l’IA conversationnelle peut certes accélérer la recherche, mais elle nécessite toujours une intervention humaine constante qui en limite fortement l’impact final.

 

L’IA agentique : de l’outil à la machine-outil 

L’IA agentique marque une rupture fondamentale. Elle ne se contente plus de générer statistiquement du contenu en réponse à une sollicitation. Elle est capable de : 

• Planifier une séquence d’actions complexes 

• Agir sur des systèmes et des données de manière autonome 

• Contrôler la qualité de son propre travail 

• Itérer jusqu’à obtenir un résultat conforme 

• Résoudre des problèmes sans supervision constante 

L’analogie est parlante : si l’IA générative conversationnelle s’apparente à un outil manuel,  aussi performant soit-il entre les mains d’un expert, l’IA agentique ressemble à une machine-outil industrielle. L’opérateur positionne la pièce, la machine exécute l’intégralité du processus, se contrôle elle-même, et l’opérateur récupère le résultat pour l’étape suivante. 

 

Vers l’entreprise agentique 

Cette évolution ouvre la voie à une transformation plus profonde encore : celle de l’entreprise agentique. Demain, plutôt que de jongler entre quinze applicatifs différents, l’utilisateur disposera d’une interface unique. L’IA orchestrera en arrière-plan les flux d’information entre les systèmes, acheminant automatiquement la bonne donnée au bon endroit dans la chaîne de production. 

Ce n’est plus de la science-fiction : cette révolution est déjà en marche dans le secteur nucléaire, avec des applications concrètes et mesurables. 

Le défi : des montagnes de documents à contrôler 

Dans le secteur nucléaire, le contrôle de conformité documentaire représente un enjeu colossal. Les dossiers de suivi d’installation (DSI) peuvent atteindre 40 000 pages qu’il faut examiner une à une. Chaque page contient des informations critiques : références techniques, dates d’intervention, signatures, cases de conformité, valeurs de paramètres… Sur une dizaine de critères différents, tout doit être vérifié, recoupé, validé. 

À l’échelle industrielle, ce sont plus d’un million de dossiers par an qui doivent être contrôlés, incluant des pièces justificatives souvent manuscrites, parfois confidentielles. Le risque d’erreur humaine sur des volumes aussi importants est réel : une date incohérente, une case oubliée, une référence erronée peuvent passer inaperçues malgré toute la rigueur des équipes.

 

La solution : un agent intelligent au service du contrôle qualité 

Face à ce défi, Magellan Partners a développé une solution d’IA agentique capable d’automatiser le contrôle de conformité. Concrètement, l’agent analyse chaque page en environ 30 secondes, ce qui, multiplié par 40 000, représente un traitement considérable – mais entièrement parallélisable. 

L’IA ne se contente pas de « lire » les documents. Elle : 

• Vérifie que les cases de conformité sont correctement cochées 

• Contrôle la cohérence chronologique des dates (pas d’antériorité ou de postériorité incohérente) 

• Valide les références techniques utilisées 

• Compare les valeurs saisies aux normes attendues (par exemple, 6 bars au lieu de 2,6 bars) 

• Détecte les signatures manquantes ou les documents incomplets 

• Génère un rapport de conformité détaillé, page par page, critère par critère 

Contrairement à un contrôle humain qui peut être sujet à la fatigue ou à l’inattention sur des volumes aussi importants, l’IA maintient un niveau de vigilance constant sur l’intégralité du dossier. 

 

De l’artisanat du prompt à l’orchestration industrielle 

Pourquoi l’IA générative classique ne suffisait-elle pas ? Face à la complexité des dossiers nucléaires, une simple interface de chat aurait nécessité des dizaines de « prompts » manuels, limités par la taille des documents. Pour transformer cette expérimentation en levier industriel, nous avons choisi l’orchestration d’agents.

Plutôt qu’un modèle unique, nous avons déployé une équipe d’agents spécialisés : l’un se concentre sur les relations hiérarchiques entre les acteurs signataires du dossier, un autre valide la cohérence interne du dossier, un troisième extrait les valeurs techniques pour les comparer aux normes, tandis qu’un dernier rédige le rapport de synthèse.

Un agent orchestrateur pilote l’ensemble : il découpe dynamiquement les 40 000 pages et distribue chaque segment à l’expert IA concerné. Ce passage de l’artisanat du prompt à l’orchestration garantit un système versatile, capable d’intégrer de nouvelles évolutions réglementaires sans « tout coder en dur », offrant ainsi une agilité inédite sur le terrain.

 

Des résultats mesurables et un ROI démontré 

Sur la base des dossiers testés dans le cadre de ce MVP, les résultats sont probants : l’IA a démontré sa capacité à pré-valider 70% des dossiers, réduisant considérablement la charge de travail théorique des équipes de contrôle. Les 30% restants, sur lesquels l’IA émet un doute, sont systématiquement soumis à un contrôle humain approfondi.

Cette approche présente plusieurs avantages : 

• Gain de productivité : les opérateurs se concentrent sur les dossiers à problème plutôt que de passer des heures sur des documents conformes.
• Détection précoce : l’IA peut analyser un dossier en quelques heures et remonter immédiatement les anomalies, permettant des corrections rapides avant validation finale.
• Traçabilité renforcée : chaque décision de l’IA est documentée, avec un statut global par dossier et un détail par critère et par page.
• Fiabilité mesurée : contrairement aux approches empiriques, le système s’appuie sur des jeux de tests automatisés qui mesurent en continu le taux de succès de l’IA.
• Sécurité et souveraineté des données 

 

Dans un secteur aussi sensible que le nucléaire, la question de l’hébergement des données est cruciale. La solution développée répond à plusieurs niveaux d’exigence : 

• Hébergement local : possibilité de déployer l’IA sur des serveurs physiques dédiés (environ 40 000€ d’investissement pour une machine équipée d’une carte graphique adaptée) 

• Cloud souverain : utilisation de solutions SecNumCloud comme Bleu (partenariat Microsoft) pour les organisations préférant l’externalisation sécurisée 

• Clouds publics : pour les données non critiques, compatibilité avec AWS, Google Cloud ou Azure 

Cette flexibilité permet d’adapter la solution aux contraintes de sécurité spécifiques de chaque organisation, tout en garantissant la conformité aux exigences du secteur nucléaire 

Une approche méthodologique rigoureuse : tester, mesurer, prouver 

Dans un secteur aussi exigeant que le nucléaire, l’adoption de l’IA ne peut reposer sur des promesses ou des impressions. Elle doit s’appuyer sur une démarche scientifique et des preuves tangibles. C’est précisément l’approche adoptée par Magellan Partners pour garantir la fiabilité et la pérennité des solutions déployées. 

La méthodologie repose sur trois piliers fondamentaux : 

• Le benchmark technologique rigoureux : plutôt que de suivre les effets de mode ou les préférences dogmatiques entre Mistral, ChatGPT ou Gemini, chaque modèle d’IA est testé sur le cas d’usage réel. Des jeux de tests automatisés, constitués d’historiques de dossiers dont on connaît les valeurs correctes, permettent de comparer objectivement les performances. Résultat : certains modèles excellent sur l’extraction de dates, d’autres sur la reconnaissance de signatures manuscrites. Le choix se fait sur des critères mesurables, pas sur des a priori.

• La mesure continue de la performance : une fois le modèle sélectionné, son taux de succès est synthétisé par type de document et par type d’erreur. Cette industrialisation des tests permet de suivre dans le temps l’évolution de la fiabilité et d’identifier précisément les points d’amélioration. On ne parle plus d’échantillonnage ou de tests empiriques, mais de mesure systématique sur l’ensemble des dossiers traités.

• La transparence sur les limites : l’IA n’a pas vocation à atteindre 100% de réussite. L’objectif est de définir clairement son périmètre d’efficacité (70%, 80%…) et d’organiser le processus en conséquence. Dans le cas présenté, l’IA a été volontairement paramétrée en mode strict : au moindre doute, elle rejette le dossier vers un contrôle humain. Cette prudence garantit qu’aucune non-conformité critique ne passe inaperçue. 

Amélioration continue sans réentraînement systématique 

L’un des atouts majeurs de l’approche agentique réside dans sa capacité à s’améliorer sans nécessiter un réentraînement complet des modèles – processus coûteux et chronophage. 

Trois leviers d’optimisation sont privilégiés : 

• L’enrichissement par IA classique : l’IA générative est couplée à d’autres technologies éprouvées (vision par ordinateur, OCR avancé, retraitement d’image…). Cette complémentarité permet d’améliorer significativement les résultats, notamment sur les documents manuscrits ou de qualité dégradée.

• L’ajout de bases de connaissances (RAG) : plutôt que de réentraîner le modèle, on lui adjoint des bases de règles et de connaissances complémentaires. Lorsque l’IA se trompe sur un cas particulier, l’opérateur humain explique l’erreur. Cette information est capitalisée dans une base de « détrompeurs » qui sera réinjectée lors des analyses futures. Cette approche, appelée Retrieval-Augmented Generation (RAG), permet de faire progresser le système de 40% à 70%, voire 80% de fiabilité.

• Le réentraînement ciblé : sur des modèles open source comme Llama ou Mistral, hébergés localement, un réentraînement reste envisageable pour des optimisations spécifiques. Mais cette option n’est mobilisée qu’en complément des deux premières, qui offrent généralement un meilleur rapport bénéfice/effort. 

Fiabilité et complémentarité humain-machine 

La philosophie portée par cette approche n’est pas de remplacer l’humain, mais de réorienter son expertise vers les tâches à plus forte valeur ajoutée. 

L’IA agentique prend en charge le contrôle systématique, répétitif, sur des volumes considérables – là où l’attention humaine peut faiblir. Elle détecte les anomalies, les incohérences, les oublis. Mais elle ne prétend pas à l’infaillibilité. 

L’opérateur humain, lui, se concentre sur : 

• Les dossiers complexes ou atypiques rejetés par l’IA 

• La validation finale des décisions critiques 

• L’enrichissement continu du système par son expertise métier 

• L’analyse des tendances et l’amélioration des processus 

Cette complémentarité garantit à la fois l’efficacité industrielle et la sécurité exigée par le secteur nucléaire. Le contrôle humain reste présent, mais il est mieux ciblé, plus efficace, et s’exerce là où il apporte réellement de la valeur. 

Un time-to-market maîtrisé 

Contrairement aux projets d’IA traditionnels souvent longs et incertains, l’approche agentique permet un déploiement rapide. Sur le cas d’usage présenté, le délai entre l’étude initiale et la mise en production a été de six mois, un time-to-market remarquable pour un système traitant plus d’un million de dossiers annuels. 

Cette rapidité s’explique par le choix de ne pas réinventer la roue : utilisation de modèles existants, amélioration itérative par ajout de règles et de connaissances, tests automatisés dès le départ. Une approche pragmatique, ancrée dans la réalité industrielle.