Fondée en 2019, Diskover développe des solutions avancées d’intelligence artificielle appliquées à l’industrie manufacturière et aux processus d’entreprise. De la maintenance prédictive à la plateforme générative SMeCo, son CEO Riccardo Di Nisio présente un modèle qui intègre données, automatisation et capital humain dans le cadre de l’évolution vers l’Industrie 5.0.
Docteur Di Nisio, Diskover a été fondée en 2019 avec une mission très claire : introduire l’intelligence artificielle au sein des entreprises. Que signifiait concrètement cet objectif à l’époque, et que signifie-t-il aujourd’hui ?
En 2019, parler d’intelligence artificielle en entreprise signifiait encore, dans la plupart des cas, évoluer dans un cadre essentiellement théorique ou expérimental. Notre ambition était au contraire extrêmement concrète : nous voulions intégrer l’IA aux processus opérationnels quotidiens et en faire un véritable outil d’aide à la décision, plutôt qu’un simple exercice académique.
Aujourd’hui, cette approche a évolué. Il ne s’agit plus seulement d’introduire des algorithmes, mais de construire de véritables architectures intelligentes capables de connecter les données, les personnes et les processus. L’intelligence artificielle devient ainsi une infrastructure invisible mais centrale, qui oriente en permanence les décisions de l’entreprise.
Vous avez choisi l’industrie manufacturière comme premier domaine d’application. Quelle logique stratégique a guidé ce choix ?
L’industrie manufacturière est le domaine dans lequel la donnée se transforme le plus directement en valeur économique. Chaque inefficacité se traduit par un coût, tandis que chaque amélioration contribue à accroître les marges. Cela nous a permis de démontrer très rapidement l’impact de nos solutions.
Il s’agit également d’un secteur caractérisé par une grande complexité opérationnelle : machines, cycles de production, variables environnementales. Un contexte idéal pour appliquer des modèles prédictifs et générer des avantages concurrentiels tangibles.
Plus concrètement, que font exactement vos systèmes de maintenance prédictive et de predictive quality ?
Nous intervenons à deux niveaux. D’une part, nous surveillons l’état des équipements grâce à des capteurs et à des systèmes d’acquisition de données à haute fréquence ; d’autre part, nous utilisons des algorithmes de machine learning pour interpréter ces données et identifier des schémas anormaux.
Cela nous permet d’anticiper d’éventuelles défaillances ou dérives qualitatives au sein du processus de production. Concrètement, l’entreprise ne se contente plus de réagir au problème : elle l’anticipe. Il en résulte une réduction significative des arrêts de production, une plus grande stabilité des processus et une diminution substantielle des rebuts.
Vous avez également développé des solutions propriétaires et brevetées. Quelle place la recherche occupe-t-elle dans cette démarche ?
La recherche est fondamentale. Nos solutions, telles que la technologie Rewind, sont précisément nées de la nécessité d’adapter des modèles théoriques à des environnements industriels réels, souvent extrêmement complexes.
Il ne s’agit pas simplement d’appliquer des algorithmes existants, mais de concevoir des frameworks capables de fonctionner dans des environnements de production hétérogènes, avec des données imparfaites et des variables difficiles à maîtriser.
Le fait d’avoir travaillé avec des acteurs de premier plan, tant au niveau national qu’international, nous a permis d’affiner ces technologies et de les rendre évolutives et déployables à grande échelle.
De nombreuses PME continuent de percevoir la maintenance prédictive comme un coût. Pourquoi ?
C’est avant tout une question de culture d’entreprise. On a souvent tendance à raisonner en termes de coût immédiat, sans prendre suffisamment en compte le risque et le coût d’opportunité. Un arrêt de production non planifié peut avoir un impact économique considérable, mais il est souvent perçu comme un événement occasionnel.
La maintenance prédictive constitue au contraire un investissement qui permet de réduire drastiquement cette incertitude. Un changement de mentalité est donc nécessaire : il faut passer d’une logique réactive à une approche préventive et stratégique.
En 2023, vous avez intégré l’IA générative. Qu’est-ce qui a rendu cette évolution possible ?
La disponibilité d’une base de données structurée. Sans données organisées et fiables, l’IA générative risque de produire des résultats dont la valeur opérationnelle reste limitée. Nous disposions déjà d’une infrastructure consolidée dans le domaine prédictif.
L’introduction de l’IA générative nous a permis de franchir une nouvelle étape : il ne s’agit plus seulement de prévoir, mais également de générer des contenus, d’automatiser des processus et de soutenir directement les activités opérationnelles.
SMeCo est le résultat de cette évolution. De quoi s’agit-il exactement ?
SMeCo est une plateforme qui intègre l’IA prédictive et l’IA générative avec un objectif précis : orchestrer la complexité informationnelle des entreprises.
Aujourd’hui, les entreprises utilisent de multiples systèmes — ERP, CRM, logiciels de gestion — qui produisent des données fragmentées. Cette situation nécessite un travail manuel considérable pour collecter, traiter et interpréter les informations. SMeCo s’intercale entre ces différents systèmes, assure leur cohérence, automatise les flux et restitue des informations déjà structurées.
Vous parlez d’un « orchestrateur » plutôt que d’un simple logiciel. Pourquoi cette distinction est-elle importante ?
Parce que nous n’ajoutons pas un niveau de complexité supplémentaire : nous réduisons la complexité existante. Nous ne demandons pas aux entreprises de remplacer leurs systèmes, mais nous les faisons dialoguer entre eux.
En ce sens, SMeCo devient un point central de convergence, qui simplifie l’accès aux données et les transforme en actions concrètes.
Le modèle human-in-the-loop occupe une place centrale. Comment se traduit-il dans la pratique quotidienne ?
Pendant la nuit, le système exécute une série d’activités : il analyse les données, génère des rapports, prépare des documents et apporte son soutien aux activités commerciales et administratives.
Lorsque l’opérateur arrive dans l’entreprise, il dispose d’un dashboard regroupant des tâches déjà traitées et préalablement validées par le système. Son rôle consiste alors à vérifier, affiner et approuver les résultats.
Cette approche permet de réorienter le travail humain, en le libérant des tâches répétitives pour le concentrer sur des activités à plus forte valeur cognitive, nécessitant davantage de jugement et d’expertise.
La question de la connaissance au sein de l’entreprise est également centrale. Comment SMeCo intervient-il dans ce domaine ?
L’un des principaux problèmes auxquels les entreprises sont confrontées tient au fait que leur savoir-faire demeure souvent implicite, réparti entre les individus et difficilement transférable. SMeCo permet de structurer cette connaissance : chaque interaction, chaque validation et chaque document contribue à enrichir une base de données partagée.
De cette manière, le savoir individuel devient un patrimoine collectif de l’entreprise, ce qui permet de réduire la dépendance à l’égard de certaines personnes clés et d’accroître la résilience organisationnelle.
Peut-on dire que cette approche préfigure l’Industrie 5.0 ?
Oui, car elle place la collaboration entre l’humain et la machine au cœur du modèle. Il ne s’agit plus seulement d’automatisation, mais d’intégration intelligente.
Toutefois, la technologie ne suffit pas à elle seule. Il est indispensable de développer une véritable culture de gouvernance de l’intelligence artificielle : savoir quand l’utiliser, comment l’utiliser et dans quels objectifs.
Quel est aujourd’hui le principal défi pour les entreprises italiennes ?
La prise de conscience. De nombreuses entreprises ont accès à des technologies avancées, mais n’ont pas encore développé de vision stratégique quant à la manière de les utiliser.
C’est pourquoi nous accordons également une grande importance à la formation : il s’agit d’aider les personnes à comprendre la valeur des données et à les exploiter efficacement.
En définitive, quelle est la contribution distinctive de Diskover ?
Notre valeur réside dans notre approche pragmatique. Nous n’introduisons pas la technologie pour la technologie : nous développons des solutions fondées sur les données réelles des entreprises.
Notre objectif est de les accompagner dans une transformation profonde : transformer les données en décisions, les décisions en processus et les processus en avantage concurrentiel durable.
