L’intelligence artificielle dans les métaux non ferreux et le recyclage
Trois applications de référence, sélectionnées selon les critères K1–K5 parmi les cas décrits dans des sources publiques de 2021–2026. Le classement reflète l’état des publications et non une image complète des déploiements : les sites qui ne publient pas leurs résultats restent hors du champ de l’examen.
Électrolyse Al · EGA · P2/N22–3 jours → < 1 postedélai de détection des perturbations anodiques par rapport à la pratique antérieure ; 2 592 cuves, dont 30 % laissées comme référence pour l’évaluation des gains
Transformation · examen 2021–20260résultat d’IA publié avec groupe témoin pour une ligne identifiée de laminage, de filage, de fil machine, de tubes ou de feuilles
Métaux et produits métalliques · Eurostat · 202514,3 % UE · 7,2 % PLpart des entreprises (10 personnes et plus) utilisant au moins une technologie d’IA ; les données incluent aussi l’acier
Réalisation : Chambre économique des métaux non ferreux et du recyclage · état au 25.10.2026 · révision tous les 6 mois, prochaine d’ici le 30.04.2027 · préparé avec l’aide d’outils d’IA
Synthèse
Cinq thèses
Le cas d’IA le mieux documenté concerne la métallurgie primaire. Dans l’examen, seule EGA décrit un résultat rapporté à un groupe de cuves de référence [1], dans un programme ayant fait l’objet d’une évaluation externe [2]. Cela ne témoigne pas d’une moindre valeur de l’IA dans la transformation, mais de l’absence de publications dans ce domaine.
Dans le recyclage, la composition de l’alliage est mesurée par le capteur, et l’apprentissage profond tranche là où la forme et le contexte comptent. Le tri des alliages 5xxx/6xxx par LIBS fonctionne à l’échelle de milliers de tonnes sans apprentissage profond – sur la base d’une classification chimiométrique et de règles [6]. Personne n’a encore mesuré la part de l’IA dans le résultat des cascades de capteurs [9][10].
La vision industrielle en ligne est la classe d’IA la plus souvent décrite dans l’examen, mais sans résultats mesurés publiés. Selon le fournisseur de la plateforme, EGA déclare contrôler 100 % des anodes carbonées [14] ; Jiangxi Copper, Ningbo Jintian et Hindalco ont déployé un contrôle par vision des cathodes et des bandes [15][16][41].
Un résultat crédible exige un protocole de mesure, et pas seulement un modèle. Chez EGA : mode conseil, groupe de cuves de référence et confirmation des gains par la direction financière avant l’extension du déploiement [1].
L’année 2027 impose des données qui constituent en même temps la matière première de l’IA. Le passeport de batterie (18.02.2027), la limitation des exportations de déchets hors OCDE (21.05.2027), la première déclaration MACF/CBAM (30.09.2027) et les objectifs de valorisation des métaux contenus dans les batteries (31.12.2027) exigent un bilan massique et la traçabilité des lots [24][25][38].
Méthodologie
Périmètre, évaluation des preuves et sélection du TOP 3
Périmètre : du concentré et de la charge jusqu’au produit, ainsi que le circuit des déchets métalliques – métallurgie, affinage, transformation et recyclage des métaux non ferreux. L’extraction et l’enrichissement du minerai relèvent de l’industrie minière et restent en arrière-plan.
Protocole d’examen
Période : 01.2021–10.2026 ; dernière recherche le 25.10.2026. Sources : rapports annuels, rapports de développement durable et rapports boursiers des entreprises (notamment SEC et CNINFO), communiqués des entreprises, documents de l’ICSOBA et de l’International Copper Conference, revues à comité de lecture, CORDIS, listes du MIIT, rapport du WEF Global Lighthouse Network, EUR-Lex, ISAP, Eurostat, EuroHPC et portail Funding & Tenders. Langues : anglais, chinois, allemand, polonais, russe, espagnol.
Procédure : quatre recherches thématiques (recyclage, production primaire, transformation, orientations 2027), puis six audits factuels indépendants – chaque affirmation a été vérifiée dans le document source consulté directement – ainsi qu’un audit technique et une revue scientifique. Nombre de cas évalués : 36 ; 21 ont été inclus (tableaux TOP 1–3 et « Hors TOP 3 »), 15 exclus (tableau 2) ; en outre, 3 chiffres connus uniquement par des sources secondaires ont été écartés.
La recherche et les audits ont été réalisés à l’aide d’outils d’IA, sans préenregistrement du protocole. Les textes intégraux de TMS Light Metals – principal lieu de publication des travaux sur l’IA dans l’électrolyse de l’aluminium – n’étaient pas accessibles ; les travaux d’EGA de 2024 ne sont connus que par l’index.
Évaluation des preuves selon deux dimensions
Protocole de mesure (P)
P1
groupe témoin avec sélection décrite
P2
groupe de référence déclaré, sans description de la sélection
P3
comparaison « avant-après » ou avec la pratique antérieure
P4
absence d’attribution de l’effet ou absence de chiffres
L
résultat de laboratoire ou prépublication – ne satisfait pas K1
Indépendance de la source (N)
N1
publication à comité de lecture ou évaluation par un tiers avec méthode divulguée
N2
publication de conférence, rapport ou document d’entreprise
N3
fournisseur de technologie ou consultant
†
communiqué d’une agence de presse d’État comme source de substitution pour les entreprises chinoises
Règles
Un chiffre sans mesure définie, ou rapporté uniquement par la presse, n’améliore pas la note. Une source primaire est un document d’entreprise ou d’administration, un acte juridique ou une publication des auteurs du déploiement ; la presse spécialisée n’a servi qu’à repérer les sources.
P2/N2P3/N1P4/N2P4/N3L/N1
Critères de sélection
Condition préalable W0 : la source décrit explicitement une méthode d’IA ou d’apprentissage automatique. Chaque critère a été noté sur une échelle de 0 à 2 avec une pondération égale ; en cas d’égalité, la note K2 la plus élevée l’emporte, puis la note K3.
K1Échelle industrielle0 – laboratoire ou pilote unique · 1 – un site · 2 – plusieurs sites ou plus de 1 000 unités
K2Attribution de l’effet0 – P4 · 1 – P2 ou P3 · 2 – P1
K3Source0 – presse ou fournisseur uniquement · 1 – rapport d’entreprise ou agence d’État · 2 – publication des auteurs du déploiement ou évaluation par un tiers
K4Transférabilité0 – solution unique · 1 – méthode décrite · 2 – méthode disponible commercialement ou reproduite sur un autre site
K5Importance pour la chaîne de valeur0 – marginale · 1 – qualité ou coût d’un maillon · 2 – énergie, émissions ou circuit du métal à l’échelle du secteur
Tableau 1. Matrice des notes par classe d’application
Classe d’application
W0
K1
K2
K3
K4
K5
Total
Résultat
Électrolyse Al – capteurs logiciels et détection des perturbations
oui
2
1
2
2
2
9
TOP 1
Tri des déchets métalliques – cascade de capteurs avec IA
oui
2
0
1
2
2
7
TOP 2
Vision et prédiction en ligne
oui
2
0
1
2
1
6
TOP 3
Détection des courts-circuits en électroraffinage du cuivre
non
2
0
1
1
2
6
non retenu – les sources n’indiquent pas d’IA
Flottation – modèle hybride et MPC
oui
2
1
2
1
1
7
hors périmètre (mines) – contexte
Modèles de langage sectoriels et agents
oui
1
0
1
1
1
4
orientation 2027
Le TOP 3 présente le niveau de preuve le plus faible des trois classes retenues : son rang résulte du nombre de déploiements indépendants (K1) et de la disponibilité de la technologie (K4), non de la force de la preuve. La détection des courts-circuits en électroraffinage a la même somme (6), mais ne remplit pas la condition W0 – les sources n’indiquent aucune méthode d’IA – et n’est donc pas classée.
Figure 1. Chaîne de valeur des métaux non ferreux et emplacement des applications TOP 1–3
Schéma illustratif original. Contour vert : maillons comportant des applications TOP 1–3 ; flèches vertes : circuit secondaire. Les étiquettes indiquent les classes de méthodes les plus souvent décrites dans les 21 cas inclus.
TOP 1
Électrolyse de l’aluminium
Capteur logiciel et détection des perturbations dans les cuves d’électrolyse
Un modèle entraîné sur des données horaires de la cuve complète la mesure peu fréquente de la température du bain et signale les anodes nécessitant une intervention, ce qui raccourcit la durée de la perturbation qui réduit le rendement Faraday.
Site
Périmètre
Méthode
Résultat
Évaluation
EGA – Jebel Ali et Al Taweelah (EAU)
1 572 cuves à Jebel Ali et 1 020 cuves sélectionnées à Al Taweelah ; 30 % laissées comme référence pour l’évaluation des gains
Random Forest (classification et régression), optimisation bayésienne ; plus de 30 paramètres agrégés toutes les heures ; capteur logiciel de température du bain (mesure par thermocouple toutes les 48 h), erreur moyenne de 4,4 °C
détection des perturbations anodiques en moins d’un poste au lieu de 2–3 jours (par rapport à la pratique antérieure) ; gains « audités » de 3 050–9 070 t de métal – fourchette dépendant de la technologie des cuves, sans période et sans indication de l’auditeur
réseau RBF sur les courants d’anodes individuelles pour détecter une anode mal positionnée (2018) ; modèle de l’effet d’anode à basse tension calibré par des mesures de CF₄ (2020)
pas de résultats d’usine ; les effets d’anode à basse tension représentent jusqu’à 50 % des émissions de PFC pour une partie des conceptions de cuves
Les valeurs de [1] appellent des précisions : le rappel (recall) de 75 % et la précision de 35 % proviennent d’une validation rétrospective sur trois mois de données pour 57 cuves sélectionnées par échantillonnage stratifié, et non d’une mesure prospective ; la publication ne décrit pas la sélection du groupe de référence. L’aluminerie d’Al Taweelah a été endommagée en mars 2026 ; selon Reuters (26.08.2026), 315 des 1 262 cuves ont été redémarrées et le retour à la pleine production est prévu au premier trimestre 2027 [31] – les résultats du tableau sont antérieurs à cet événement. L’exclusion du cas Chalco Guizhou est justifiée dans le tableau 2.
Figure 2. Cuve d’électrolyse avec couche de données et boucle en mode conseil
Schéma illustratif établi d’après [1], sans respect des proportions. Température du bain indicative, dépendant de la composition (excès d’AlF₃). La boucle se ferme par l’intermédiaire de l’opérateur – le modèle ne pilote pas directement la cuve.
Pour la direction
Mécanisme de valeur : une perturbation anodique détectée plusieurs jours plus tôt dure moins longtemps, et chaque heure de perturbation réduit le rendement Faraday ; l’effet se cumule sur des milliers de cuves.
Pour une consommation d’énergie d’environ 13 500 kWh/t (CC), une hausse du rendement Faraday de 1 point de pourcentage correspond à environ 140 kWh/t, et une baisse de tension de 10 mV à environ 32 kWh/t.
Selon l’entreprise, le programme Industrie 4.0 d’EGA a généré des gains d’environ 100 millions USD depuis 2021 ; ce chiffre concerne l’ensemble du programme, et non un modèle isolé [7]. Les sources ne divulguent ni les investissements ni le délai de retour sur investissement.
Condition d’entrée : un historian contenant des données horaires sur plusieurs années et des ingénieurs procédés qui vérifient les alertes.
Pour l’ingénieur
Phénomène
pic anodique (spike) – protubérance sous l’anode qui se rapproche du métal ou le touche : la distance anode–cathode diminue, le courant de l’anode et la température augmentent, le rendement Faraday baisse. L’effet d’anode correspond à une baisse de la concentration en Al₂O₃ sous environ 1,5–2 % en masse, à un saut de tension (ou à un régime à basse tension) et à l’émission de CF₄ et de C₂F₆ – un autre problème, d’autres modèles.
Données
tension de cuve, courants d’anode (chute de tension sur la tige), dosage de l’alumine, événements d’exploitation ; étiquettes issues de l’historique des perturbations ; thermocouple toutes les 48 h comme variable cible du capteur logiciel. L’erreur de 4,4 °C doit être rapportée à la surchauffe du bain (généralement 5–15 K), qui est parfois la grandeur cible appropriée.
Modèle
ensemble d’arbres (Random Forest) – stable avec peu d’événements et facile à expliquer ; optimisation bayésienne
Métriques
rappel de 75 % pour une précision de 35 % (F1 ≈ 0,48) – environ 2 fausses alarmes en moyenne pour une perturbation réelle ; selon les auteurs, le sondage de l’anode après une alarme est peu coûteux, le rapport des coûts n’est pas indiqué. Rapporter la charge de contrôle par poste, la distribution de l’avance de l’alarme et la PR-AUC, et non l’« exactitude ».
Conversion
WCC [kWh/t] ≈ 2980 · U [V] / η ; hypothèses η ≈ 94 %, U ≈ 4,26 V ; énergie CC aux barres de la cuve, énergie CA supérieure d’environ 2–3 % en raison des pertes des redresseurs
Validation
découpage temporel des données (pas de découpage aléatoire – fuite d’information) ; test hors période d’apprentissage séparément pour chaque technologie de cuve ; mode fantôme avant le mode conseil ; KPI fixés à l’avance ; groupe de référence avec sélection décrite
Intégration
tableau de bord en salle de contrôle, alerte vocale et SMS, ordre de travail pour l’équipe de la série ou dans la GMAO, lien avec le planning de changement des anodes ; passage en boucle fermée uniquement après la phase en mode conseil
Latence
décision à l’échelle de quelques minutes à une heure – l’inférence centralisée suffit
Pour reproduire
nombre d’événements étiquetés et proportion des classes, période et découpage des données, fréquence de réentraînement, mode de sélection des cuves de référence
Limites. Le gain de métal dans [1] est donné sous forme de fourchette entre technologies de cuves, sans période – il ne faut ni le convertir en valeur annuelle ni l’additionner. Les résultats concernent des cuves de 230–465 kA ; le transfert vers une autre technologie exige un réentraînement et un groupe de référence propre.
TOP 2
Recyclage
Cascade de capteurs avec apprentissage profond dans le tri des déchets d’aluminium
Les rayons X séparent les matériaux selon leur numéro atomique effectif, un réseau de neurones appliqué à l’image écarte les pièces moulées et les contaminants, et la spectroscopie laser attribue chaque morceau à une série d’alliages. Seule la combinaison de ces étapes fournit une charge pour les tôles et les profilés.
Entité
Rôle de l’IA
Échelle et résultat
Évaluation
Novelis – Berea (États-Unis) avec EverestLabs
IA et robotique pour le tri, le suivi et l’analyse des déchets d’aluminium (RecycleOS) ; pilote
depuis 09.2024, plus de 2 millions de contaminants identifiés et plus de 1 million retirés – chiffre sans dénominateur (tonnage, durée, variation de pureté), qui ne mesure pas l’efficacité ; part de matière recyclée dans les produits laminés plats de Novelis : 63 % (FY25)
à partir d’une charge 100 % Twitch, 40 % d’aluminium corroyé ont été séparés sous forme d’alliages 5xxx et 6xxx ; résultat d’essais, sans pureté et sans base définie
apprentissage profond sur des images RGB en aval d’un séparateur XRT
jusqu’à 2 000 éjections par minute ; retire de la fraction d’alliages corroyés les pièces moulées faiblement alliées que le XRT ne distingue pas de celle-ci ; pour les canettes de boisson (UBC), jusqu’à 33× la productivité du tri manuel, pureté d’au moins 98 %
capacité totale estimée à environ 240 millions de livres par an (environ 109 000 t) après la mise en service du site de Lebanon (05.2026) ; pureté non divulguée
Aucune source ne mesure le gain de pureté ou de rendement apporté par l’étape d’apprentissage profond par rapport à une cascade XRT + LIBS sans IA ; la part de l’IA dans le résultat de la cascade reste indéterminée. La couche de capteurs sans apprentissage profond fonctionne à l’échelle industrielle : à Neuf-Brisach, Constellium a refondu plus de 6 000 t de déchets triés par LIBS en familles 5xxx et 6xxx, avec une pureté supérieure à 95 % (état au 4ᵉ trimestre 2024) [6] ; Hydro trie avec la technologie HySort, notamment à Dormagen (36 000 t par an) et à Nowa Sól [13].
Figure 3. Cascade de tri des déchets d’aluminium : XRT, apprentissage profond, LIBS
Schéma illustratif établi d’après [9], [10], [12]. En pratique, chaque station est un trieur distinct avec éjection en vol en bout de convoyeur ; le convoyeur commun est une simplification. Ordre des stations selon l’essai TOMRA et Novelis ; composition des fractions indicative.
Pour la direction
La valeur réside dans l’écart entre le prix des déchets en mélange et celui d’une charge d’alliage connu : les déchets triés peuvent retourner dans le même produit au lieu de finir dans des pièces moulées.
Un produit à teneur garantie en déchets post-consommation (p. ex. Hydro CIRCAL, au moins 75 %) exige le tri par alliage comme condition d’approvisionnement [13].
Lors de la commande d’une cascade avec IA, exiger la mesure de la pureté et du rendement par fraction, ventilée selon la contribution de chaque station – les fournisseurs ne publient pas ces données aujourd’hui.
Les sources ne divulguent ni les investissements ni le délai de retour sur investissement.
Pour l’ingénieur
Préparation
broyage, séparation magnétique et par courants de Foucault, criblage ; singularisation des morceaux – condition de la mesure d’un objet individuel
Décision
dans la cascade, chaque station décide séparément ; la fusion au niveau de l’objet (LIBS + RGB-D sur une seule station, [12]) est un résultat de laboratoire
Capteurs
le XRT ne reconnaît pas la série d’alliage ; le XRF détecte mal Mg et Si ; le LIBS mesure Mg, Si et Li, mais seulement la couche superficielle – les impulsions de nettoyage éliminent les revêtements
Étiquettes
jeu de référence de morceaux analysés par OES (à étincelle) ou par LIBS portatif ; XRF uniquement pour Cu, Zn, Fe, Mn ; concordance entre annotateurs ; revalidation après changement de fournisseur de déchets ; en dernier ressort, analyse du métal liquide à la fusion
Latence
exemple : un convoyeur à 3 m/s et 0,4 m jusqu’à l’éjecteur laissent environ 130 ms pour la mesure, l’inférence et l’éjection ; inférence de l’ordre de 10–20 ms
KPI
pureté de la fraction, rendement (récupération du métal dans la bonne fraction), t/h, part des morceaux sans décision
Pour reproduire
composition et origine de la charge, granulométrie, vitesse du convoyeur, fréquence LIBS, méthode de mesure de la pureté
Limites. Les chiffres de TOMRA concernent des essais et constituent une déclaration du fournisseur. Le résultat de Novelis concerne un pilote sur un seul site. Aucune source ne divulgue le matériel de calcul en périphérie (edge).
TOP 3
Élaboration, affinage et transformation
Vision industrielle et prédiction en ligne – de l’anode à la bande
Une caméra associée à un modèle en ligne remplace le contrôle par échantillonnage par le contrôle de chaque pièce, et un modèle prédictif signale l’état de la ligne avant la perturbation. C’est la classe d’IA la plus souvent décrite dans l’examen – et la moins bien documentée par des chiffres.
Site
Étape
Application
Résultat
Évaluation
EGA (EAU)
anodes carbonées (électrolyse Al)
vision IA en périphérie, réseau entraîné sur 100 000 images
selon le fournisseur de la plateforme : contrôle de 100 % des anodes au lieu de 1,5–2,5 %, réponse 10 à 13 fois plus rapide
plus de 50 modèles d’IA et de ML dans l’année ; modèles de fiabilité sur plus de 700 équipements critiques ; contrôle visuel de surface des cathodes à Birla Copper Dahej
« IA + vision industrielle » pour la détection automatique des défauts aux étapes clés ; projet inscrit sur la liste MIIT des usines « de niveau d’excellence » (2024)
Figure 4. Inspection de bande en ligne : caméra, modèle en périphérie, carte des défauts, boucles qualité
Architecture de référence établie à partir des cas [14]–[17] et [41], schéma illustratif ; ne représente aucun site particulier. La résolution et la latence se choisissent en fonction de la vitesse de la ligne et du plus petit défaut critique figurant dans la spécification du client.
Pour la direction
Le contrôle de chaque pièce change l’économie des réclamations : le défaut est rattaché à la bobine et à une position, et la décision est prise avant l’expédition.
Les sources primaires ne mentionnent aucun transformateur ayant publié un effet mesuré de l’IA pour une ligne identifiée.
Lors de la commande d’un système, exiger des indicateurs par classe de défaut et une réception sur les données du site (essais FAT et SAT), et non des déclarations générales.
Les sources ne divulguent ni les investissements ni le délai de retour sur investissement.
Pour l’ingénieur
Acquisition
caméras linéaires en dessus et en dessous ; pixel ne dépassant pas 1/3 du plus petit défaut critique ; pour les surfaces brillantes d’Al et de Cu, éclairage diffus ou coaxial ; l’émulsion et l’huile génèrent de fausses alarmes ; sur bande à chaud, protections et refroidissement
Latence
fréquence de ligne de la caméra = vitesse / pixel, p. ex. 20 m/s pour 0,2 mm donne 100 kHz ; marquage en moins de 1 s ; consignes en minutes et en heures
Modèle
détection et classification des défauts ; compléter les classes rares par des images synthétiques et l’apprentissage actif ; poste de revue des images par l’opérateur comme source d’étiquettes
KPI
rappel pour les défauts critiques à un nombre donné de fausses alarmes par kilomètre de bande ; couverture de 100 % de la surface
Intégration
métadonnées des défauts (identifiant de bobine, position, classe, confiance) via OPC UA (Machine Vision, OPC 40100) ou MQTT ; images dans un stockage objet ; position fournie par l’automatisme de niveau 2 ; généalogie selon ISA-95 (B2MML) ; en cas de défaillance du modèle, tronçon marqué dans le MES comme « sans inspection »
Prédiction
pour les lignes de fil machine et les presses – modèles d’états anormaux sur les données de procédé ; aide au réglage des consignes comme dans le projet Constellium Valais
Limites. Les indicateurs d’EGA pour le contrôle des anodes proviennent du fournisseur de la plateforme cloud. Les chiffres de Ningbo Jintian (rendement +2 %) proviennent uniquement d’une interview de presse et n’ont pas été retenus. Le projet Constellium Valais est une prépublication sans statut de production confirmé.
Freeport-McMoRan : jumeau numérique avec apprentissage automatique, instructions prédictives pour les opérateurs dans les concentrateurs des deux Amériques
Ningbo Powerway : cinq agents numériques d’IA à l’échelle de l’entreprise, utilisés aussi en production ; graphe de connaissances sur le procédé des alliages ; plateforme multi-agents de R&D
système à base de règles, comparaison « avant-après », chiffres physiquement impossibles – p. ex. 2,2 t d’Al par jour pour une cuve de 230 kA qui, à 100 % de rendement Faraday, produit environ 1,85 t [5]
K3
Codelco – Chuquicamata, Ministro Hales
la source décrit une « analytique avancée et des algorithmes mathématiques », pas de l’IA
W0
Freeport – lixiviation (214 millions de livres de Cu par an)
l’entreprise attribue le résultat à l’« analyse de données », pas à l’IA
W0
Tongling Jinguan – courts-circuits en électroraffinage du cuivre ; système ESCD
thermographie et jumeau numérique ; les sources n’indiquent pas d’IA [32][33]
W0
Constellium (LIBS), Hydro HySort, Gerhard Lang, STEMIN
tri par capteurs sans mention d’IA – traité comme contexte dans le TOP 2
W0
Aurubis – échantillonnage à Lünen et à Hambourg ; capteurs à Olen
automatisation, robotique et maintenance prédictive sans mention d’IA
W0
Boliden Kokkola – nettoyage des anodes
vision industrielle sans mention d’IA
W0
Hindalco – détection du culot de billette sur la presse
vibrations et automate PLC, pas d’IA
W0
Apple – ligne Cora et robots de démontage
le rapport ne mentionne pas d’IA ; électronique grand public
W0
Siemens Industrial Copilot
aucun client cité nommément dans les métaux non ferreux
Chine : la liste MIIT des usines intelligentes « de niveau d’excellence » (2024) comprend 10 sites de métaux non ferreux, notamment l’électrolyse d’aluminium Yunnan Wenshan (« commande fondée sur l’IA »), l’usine d’élaboration du cuivre de Jiangxi Copper et Ningbo Jintian (« IA + mégadonnées ») [16].
Architecture
Une ossature commune aux trois applications
Les cas du TOP 3 diffèrent par leurs capteurs, mais partagent la même organisation en couches. Dans les publications, c’est le plus souvent la couche de mesure de la valeur qui fait défaut.
Figure 5. Architecture de référence de l’IA dans un site de métaux non ferreux
Schéma illustratif établi d’après les cas [1], [8], [14]–[19], [41]. La couche 7 n’est décrite explicitement que dans la publication d’EGA [1].
Pologne et UE
Où en est le secteur
En 2025, 14,3 % des entreprises des divisions C24–C25 utilisaient l’IA dans l’UE et 7,2 % en Pologne [28]. Dans les seuls procédés de production, ces proportions étaient de 2,98 % dans l’UE et de 2,42 % en Pologne ; Eurostat ne publie pas d’intervalles de confiance pour ces valeurs, il convient donc de ne pas interpréter l’écart en leur absence.
Figure 6. Part des entreprises (10 personnes et plus) utilisant au moins une technologie d’IA, 2024 et 2025
Source : Eurostat, jeux de données isoc_eb_ai (ensemble) et isoc_eb_ain2 (par section NACE), mise à jour 15.06.2026 [28]. Les divisions C24–C25 couvrent conjointement la production de métaux – y compris le fer et l’acier – et celle de produits métalliques, et ne sont pas représentatives des seuls métaux non ferreux ; Eurostat ne publie pas de données pour le groupe 24.4.
Orientations 2027
Ce que changera l’année 2027
Dix orientations. Pour chacune, le type de fondement est indiqué : droit contraignant, appel à propositions, objectif de politique publique, prévision de l’équipe ou annonce de fournisseur.
Figure 7. Échéances 2026–2028 importantes pour les données et l’IA dans les sites de métaux non ferreux
Sources [23]–[27], [29], [34], [38]. Dates du règlement sur l’IA (AI Act) selon le règlement (UE) 2026/1744 ; règlement « machines » – date après rectificatif (JO L 169 du 04.07.2023). Les obligations de signalement des vulnérabilités prévues par le règlement sur la cyberrésilience (CRA) s’appliquent depuis le 11.09.2026.
Droit contraignant18.02.2027 · 31.12.2027
Passeport de batterie et bilan massique
Le passeport (art. 77) incombe à l’opérateur économique qui met la batterie sur le marché ; les recycleurs sont concernés par les objectifs de valorisation de Co, Cu, Ni et Pb (90 %) et de Li (50 %) d’ici le 31.12.2027. À partir de 2028 (au plus tôt le 18.08.2028), les fabricants de batteries industrielles de plus de 2 kWh, de batteries de véhicules électriques et de batteries SLI documentent la part de Co, Pb, Li et Ni valorisés à partir de déchets (art. 8) – ces données proviennent du recyclage. Le 11.09.2026, la Commission a confirmé qu’elle ne modifiait pas ces objectifs [24].
À préparer : identifiants de lot de la charge au produit, modèle de bilan massique, interface Asset Administration Shell (IEC 63278).
Droit contraignant01.02.2027 · 30.09.2027
MACF (CBAM) et suppression progressive de l’allocation à titre gratuit
La déclaration MACF est déposée par le déclarant MACF autorisé pour les importations ; le mécanisme couvre notamment l’aluminium, mais ni le cuivre, ni le zinc, ni le plomb [25]. Pour les producteurs de l’UE, ce qui compte, ce sont les données d’émissions des fournisseurs de charge hors UE et la suppression progressive de l’allocation à titre gratuit de quotas du SEQE-UE (EU ETS) pour les secteurs couverts par le MACF sur la période 2026–2034 [37].
À préparer : mesure de l’énergie et des émissions au niveau de l’installation et du procédé, piste d’audit pour les modèles d’estimation des émissions.
Droit contraignant21.05.2027
Exportations de déchets hors OCDE
À partir du 21.05.2027, l’exportation de déchets non dangereux vers des pays non membres de l’OCDE n’est autorisée qu’à destination des pays figurant sur la liste de la Commission ; le projet de liste a été soumis à consultation du 18.09 au 16.10.2026 [38]. Davantage de déchets métalliques resteront dans l’UE – l’importance du tri au niveau de l’alliage augmente.
À préparer : prévision de l’offre de déchets métalliques par fraction et par qualité, capacités de tri.
Appel à propositions02.02.2027
Modèles hybrides et flexibilité énergétique de l’électrolyse
À Essen, TRIMET a transformé 120 cuves afin de moduler de ±25 % la puissance appelée par la série [35] ; la grandeur critique est l’épaisseur du bain figé (talus) sur les parois, que le modèle doit estimer. L’appel Horizon Europe MAT-PROD-32 finance les énergies renouvelables et la gestion de l’énergie dans les industries de procédés [29].
À préparer : séries temporelles à haute résolution sur 2–3 ans ; limites de sécurité de la cuve fixées par les ingénieurs procédés.
Prévision de l’équipe2026–2027
Tri par IA dans les lignes industrielles
Les fournisseurs étendent leurs plateformes d’apprentissage profond à de nouvelles fractions, notamment les composites cuivre–acier dans les ferrailles d’acier [10]. L’avantage reviendra au site qui mesurera de manière indépendante la pureté et le rendement.
À préparer : échantillons de référence, validation à la fusion, exigence de déclaration des indicateurs par fraction dans la commande.
Annonce de fournisseurdepuis 2026
Agents d’IA sous supervision
Les fournisseurs de systèmes de contrôle-commande introduisent des agents d’IA pour l’analyse des données de procédé [39] ; en 2026, Horizon Europe a financé l’IA dans les industries de procédés, y compris les agents (appel clôturé). Principe : l’agent propose, l’humain approuve les actions qui influent sur le procédé.
À préparer : API contrôlées vers l’historian, le MES et la GMAO ; registre des applications d’IA ; un responsable pour chaque agent.
Droit contraignant03.04.2027 · 11.12.2027
Cybersécurité OT, condition de l’IA
La modification de la loi polonaise sur le système national de cybersécurité (KSC ; Dz.U. 2026 poz. 252, en vigueur depuis le 03.04.2026) accorde aux entités essentielles et importantes 12 mois pour se conformer aux obligations du chapitre 3 [34] ; le règlement sur la cyberrésilience (CRA) s’applique pleinement aux fabricants d’équipements et de logiciels à partir du 11.12.2027 [26].
À préparer : segmentation selon l’IEC 62443, inventaire des équipements et des modèles, clauses de mise à jour dans les commandes.
Annonce de fournisseur20.01.2027 · 02.08.2028
Jumeau numérique de l’atelier – d’abord un pilote
Des plateformes de jumeaux numériques d’usine ont été annoncées en 2025 [40], sans références dans les métaux non ferreux. L’IA en tant que composant de sécurité d’une machine sera évaluée selon le règlement « machines » (applicable à partir du 20.01.2027) ; les obligations du règlement sur l’IA (AI Act) pour ces systèmes s’appliquent à partir du 02.08.2028 [23][26].
À préparer : modèles 3D des halls, données des ponts roulants ; puissance de calcul des usines d’IA PIAST-AI (Poznań) ou Gaia (Cracovie).
Objectif de politique publiqueChine · 2027
Chine : l’IA, composante de la politique industrielle
Le plan « IA + fabrication » du MIIT (279号, 12.2025) prévoit d’ici 2027 1 000 agents industriels, 100 jeux de données et 500 scénarios types, dont des modèles sectoriels pour les métaux non ferreux ; le plan pour l’aluminium (03.2025) impose aux nouvelles capacités une consommation maximale de 13 000 kWh/t (CA, pour l’aluminium liquide) [36].
Droit contraignantdepuis le 02.02.2025 · 02.12.2027
Maîtrise de l’IA et règlement sur l’IA en usine
L’article 4 du règlement sur l’intelligence artificielle (AI Act) exige des mesures favorisant la maîtrise de l’IA par le personnel. Les applications typiques du TOP 3 ne relèvent pas des systèmes à haut risque de l’annexe III ; l’annexe I devient pertinente lorsque l’IA constitue un composant de sécurité d’une machine (à partir du 02.08.2028) [23]. En 2025, 92,8 % des entreprises polonaises des divisions C24–C25 n’utilisaient pas l’IA [28].
À préparer : formations par rôle ; politique d’utilisation des modèles à usage général sans transmission de données de procédé.
Limites des conclusions
Limites de l’examen et ce qui modifierait l’évaluation
Limites de l’examen
Biais de publication : les entreprises divulguent les déploiements réussis, tandis que les pilotes infructueux restent non publiés ; l’absence de cas négatifs ne signifie pas qu’il n’en existe pas.
Les résultats déclarés par les entreprises et les fournisseurs n’ont pas fait l’objet d’une vérification indépendante, sauf indication contraire.
L’examen favorise les sites dotés d’une communication développée ; le Global Lighthouse du WEF est un programme sur candidature.
Les sources chinoises sont accessibles principalement via des agences de presse et des listes officielles, ce qui réduit la comparabilité.
L’évaluation a été menée sans préenregistrement du protocole.
Ce qui modifierait l’évaluation
Un transformateur publie un résultat de vision ou de prédiction avec groupe témoin – le TOP 3 monte dans le classement ou est remplacé.
Une mesure indépendante de la pureté d’une cascade avec IA confirme un gain par rapport au LIBS seul – le TOP 2 s’en trouve renforcé.
La détection des courts-circuits en électroraffinage du cuivre est décrite comme une méthode d’IA avec résultat – elle devient candidate au TOP 3.
Des données sur des déploiements infructueux de capteurs logiciels apparaissent – le TOP 1 s’en trouve affaibli.
Glossaire
Notions
Capteur logiciel (soft sensor)
modèle estimant une grandeur mesurée rarement ou à un coût élevé (p. ex. la température du bain) à partir de grandeurs mesurées en continu.
Pic anodique et effet d’anode
le pic est une protubérance de l’anode qui se rapproche du métal (perte de rendement Faraday) ; l’effet d’anode résulte de l’épuisement de l’Al₂O₃ (saut de tension, émission de PFC).
MPC
commande prédictive à base de modèle : optimisation des consignes sur un horizon temporel sous contraintes de procédé.
Modèle hybride
combinaison des équations physiques du procédé et de l’apprentissage automatique ; se comporte généralement mieux hors du domaine des données d’apprentissage, à condition que la partie physique soit correcte.
LIBS
spectroscopie d’émission induite par laser : composition élémentaire de la couche superficielle du morceau (quelques µm) en quelques millisecondes – d’où la sensibilité aux revêtements ; le Dynamic LIBS utilise des impulsions de nettoyage.
XRT
transmission de rayons X à deux énergies : distingue les matériaux selon leur numéro atomique effectif, indépendamment de l’épaisseur du morceau.
Rappel (recall) et précision
part des événements réels détectés et part des alarmes justifiées parmi l’ensemble des alarmes.
Inférence en périphérie (edge)
exécution du modèle sur un ordinateur au pied de la ligne – avec une latence courte et prévisible, sans dépendance au réseau ni au cloud.
Groupe de référence
unités sans déploiement, comparées aux unités avec déploiement sur la même période – base de l’attribution de l’effet.
Sources
Bibliographie
Format : auteur ou institution, année, titre, éditeur ; adresse ; type de source. Adresses consultées le 25.10.2026.
[1]Aljabri N. et al. (2022). Advanced Process Control with Smart Smelter Sensors at EGA. Travaux ICSOBA 51, p. 1049–1060. icsoba.org· conférence · N2
[2]World Economic Forum (2025). Global Lighthouse Network 2025, p. 44. reports.weforum.org· évaluation par un tiers · N1
[3]Côté P., Guérard S. et al. (Rio Tinto) (2018). Travaux ICSOBA, AL02. icsoba.org· conférence · N2
[4]Allano B. et al. (Rio Tinto) (2020). Smelter 4.0. Travaux ICSOBA, AL02. icsoba.org· conférence · N2
[12]Díaz-Romero D. J. et al. (2023). Resources, Conservation & Recycling 190, 106865. doi:10.1016/j.resconrec.2023.106865 doi.org· revue · N1
[13]Hydro (25.09.2024). Hydro and PADNOS start advanced aluminium scrap sorting operations in the U.S. ; pages des sites de Dormagen et de Nowa Sól. hydro.com· entreprise · N2
[15]People’s Daily / Xinhua (09.03.2026). Usine de cuivre de Guixi, Jiangxi Copper. en.people.cn· agence d’État · N2†
[16]MIIT (2024). Liste des projets d’usines intelligentes « de niveau d’excellence », lot I, n° 229 ; Ningbo Jintian, rapport annuel 2025, p. 19–21. miit.gov.cn· administration et entreprise · N2
[23]Règlement (UE) 2024/1689 (règlement sur l’IA, AI Act), tel que modifié par le règlement (UE) 2026/1744. eur-lex.europa.eu· acte juridique
[24]Règlement (UE) 2023/1542 relatif aux batteries, art. 8, art. 77, annexe XII ; COM(2026) 470. eur-lex.europa.eu· acte juridique
[25]Règlement (UE) 2023/956 (MACF/CBAM), modifié par le règlement (UE) 2025/2083. eur-lex.europa.eu· acte juridique
[26]Règlement (UE) 2024/2847 (règlement sur la cyberrésilience, CRA) ; règlement (UE) 2023/1230 sur les machines et son rectificatif. eur-lex.europa.eu· acte juridique
[27]Règlement (UE) 2023/2854 (règlement sur les données, Data Act). eur-lex.europa.eu· acte juridique
[28]Eurostat (2026). isoc_eb_ai, isoc_eb_ain2, mise à jour du 15.06.2026. ec.europa.eu· statistique publique
[29]Commission européenne, portail Funding & Tenders : HORIZON-CL4-2027-02-MAT-PROD-32-two-stage (52,5 millions EUR ; échéances 02.02.2027 et 02.09.2027). ec.europa.eu· appel à propositions
[30]MIIT (03.2025). Liste des cas typiques d’application de l’IA dans la nouvelle industrialisation ; Keji Ribao, repris le 11.06.2026 : modèle « 绿铝云慧鉴 ». finance.sina.com.cn· administration et presse d’État · N2†
[31]Reuters (26.08.2026). EGA restarts quarter of Al Taweelah smelter (repris par Kitco). kitco.com· agence de presse · contexte
[32]Lindthaler M., Filzwieser A. (2025). Digitalized state-of-the-art short-circuit detection (ESCD). 12th International Copper Conference, Springer. doi:10.1007/978-3-032-00102-3_23 doi.org· conférence
[34]Loi polonaise du 23.01.2026 modifiant la loi sur le système national de cybersécurité et certaines autres lois, Dz.U. 2026 poz. 252. api.sejm.gov.pl· acte juridique
[35]TRIMET Aluminium SE (2019). Geschäftsbericht 2018/19 : « virtuelle Batterie », Essen. trimet.eu· entreprise · contexte antérieur à la période examinée
[39]ABB (17.04.2026). Communiqué de presse : IA agentique dans Genix Datalyzer et My Measurement Assistant+. new.abb.com· fournisseur · N3
[40]NVIDIA (06.01.2025 ; 28.10.2025). Mega Omniverse Blueprint ; Siemens, premier fournisseur de logiciels de jumeau numérique compatibles avec le blueprint. nvidianews.nvidia.com· fournisseur · N3
[42]Tongling Jingda Special Magnet Wire (2026). Rapport annuel 2025, p. 11–12 ; MIIT (2023), liste des usines de démonstration, n° 52. static.cninfo.com.cn· entreprise · N2
[43]Ningbo Powerway Alloy Material (2026). Rapport annuel 2025, p. 11–12. static.cninfo.com.cn· entreprise · N2
À propos de l’étude
Version, usage de l’IA, intérêts, corrections
Version 0.9, état au 25.10.2026. Chaque cas du registre porte la date de sa dernière vérification ; révision de l’ensemble tous les 6 mois, prochaine d’ici le 30.04.2027.
Utilisation d’outils d’IA pour l’élaboration de l’étude
La recherche de sources en six langues, les résumés de documents et la première version du texte ont été réalisés avec le concours d’outils d’IA – de grands modèles de langage fonctionnant comme agents de recherche et d’analyse.
Chaque chiffre et chaque date ont été vérifiés dans le document source consulté directement. Les six audits factuels, l’audit technique et la revue scientifique ont également été réalisés à l’aide d’outils d’IA ; les divergences ont été tranchées d’après la source primaire.
Le périmètre, les critères K1–K5, les évaluations des preuves P/N et la formulation définitive ont été arrêtés après relecture éditoriale.
Aucune donnée des membres de la Chambre ni aucune donnée non publique des sites n’a été transmise aux outils d’IA – l’étude repose exclusivement sur les sources publiques de la bibliographie.
Les figures sont des schémas illustratifs élaborés à partir des sources, et non des images générées par l’IA.
Les erreurs, y compris l’attribution erronée d’un chiffre à une source, peuvent être signalées à l’adresse indiquée ci-dessous ; les corrections sont portées au registre avec une nouvelle date de vérification.
La Chambre regroupe des entreprises dont certaines sont citées dans l’étude ou utilisent les technologies décrites. L’étude n’a pas été financée par des fournisseurs de technologie.
Évaluations : P1–P4 – protocole de mesure ; N1–N3 – indépendance de la source ; L – laboratoire ou prépublication ; † – agence d’État comme source de substitution.
Nous utilisons des cookies nécessaires au fonctionnement du site. Avec votre consentement, nous pouvons également utiliser des cookies analytiques afin de comprendre comment le site est utilisé. Vous pouvez tout accepter, refuser les cookies facultatifs ou définir vos préférences. Pour en savoir plus, consultez notre Politique de confidentialité et de cookies.