Arrow et le forage par IA : ce que l'apprentissage par la pratique dit du déploiement ADNOC-SLB

ADNOC et SLB ont annoncé le déploiement de leur plateforme d'IA pour le forage, DrillOps, associée à un centre d'opérations en temps réel, sur plus de 120 appareils onshore et offshore des Émirats arabes unis. Les chiffres publiés sont inhabituellement précis pour ce type d'annonce : 30 à 40 % de réduction de l'effort d'ingénierie par appareil, une capacité de supervision multipliée par deux à trois pour chaque ingénieur, un temps de réponse aux incidents raccourci de quatre à douze heures, et jusqu'à deux jours de temps d'arrêt évités. La plateforme est hébergée dans le cloud souverain du groupe.

En 1962, l'économiste Kenneth Arrow publie « The Economic Implications of Learning by Doing » dans la Review of Economic Studies. Sa thèse, construite à partir de données sur la production d'avions et de navires pendant et après la Seconde Guerre mondiale, est que la productivité d'un processus ne progresse pas principalement par l'accumulation de capital, mais par l'accumulation d'expérience : chaque unité produite enseigne quelque chose que la précédente n'avait pas révélé, et ce savoir se diffuse à travers l'organisation qui produit. La productivité est alors fonction du volume cumulé produit, non du temps écoulé ni du seul investissement technique.

Le cas ADNOC-SLB illustre ce mécanisme avec une netteté rare dans l'IA industrielle. Les gains de 30 à 40 % ne sont pas apparus lors d'un pilote limité à quelques puits — où l'effort de configuration, d'intégration et de correction des faux positifs aurait probablement dépassé les gains obtenus. Ils se matérialisent une fois la plateforme exposée à la diversité réelle d'une flotte de 120 appareils : géologies différentes, équipes différentes, incidents différents. C'est cette diversité d'exposition, et non la seule durée d'utilisation, qui produit l'apprentissage au sens d'Arrow.

Un second niveau d'apprentissage, qu'Arrow ne pouvait pas anticiper en 1962, s'ajoute ici : SLB n'apprend pas seulement au bénéfice d'ADNOC, mais capitalise cette expérience de déploiement à travers l'ensemble de ses clients — AGR, PETRONAS Carigali, Kuwait Oil Company, Aker BP, pour ne citer que les partenariats publics de 2026. L'apprentissage par la pratique n'est plus seulement interne à la firme qui opère la flotte, il est aussi externe, porté par le fournisseur de la plateforme lui-même, qui revend à chaque nouveau client une courbe d'expérience déjà entamée ailleurs. C'est un déplacement structurel par rapport au modèle d'Arrow : l'unité d'apprentissage pertinente n'est plus la firme, mais le couple opérateur-fournisseur.

Cette distinction a une implication directe pour toute direction industrielle — aéronautique, énergie, luxe — qui structure aujourd'hui son propre programme IA. Un pilote interne isolé n'accède qu'à la courbe d'apprentissage la plus lente, celle d'une seule organisation découvrant seule ses propres cas d'usage. Un déploiement adossé à un fournisseur qui a déjà opéré à l'échelle ailleurs importe une partie de la courbe d'apprentissage déjà parcourue. Le choix du partenaire pèse alors autant que le choix de l'échelle de déploiement.

La prudence s'impose néanmoins sur la lecture de ces chiffres : ils proviennent d'une communication conjointe ADNOC-SLB, non d'un audit indépendant, et ADNOC ne précise pas la méthode de calcul de l'effort d'ingénierie évité ni la période de référence retenue. Les ordres de grandeur (30-40 %, 2-3x, 4-12 heures, jusqu'à deux jours) sont cohérents entre eux et avec les gains habituellement documentés dans la littérature sur les courbes d'apprentissage industrielles, mais ils restent des chiffres d'entreprise, à traiter comme tels.

Pour Cardan-AI, le signal le plus solide de ce cas n'est donc pas le chiffre précis, mais sa structure : les gains de productivité liés à l'IA n'apparaissent souvent qu'au-delà d'un seuil d'échelle et de diversité d'exposition, ce qui rend les comparaisons pilote-contre-pilote entre entreprises largement non pertinentes — et devrait inciter les directions à budgéter la bascule à l'échelle dès la conception du programme, plutôt que de la traiter comme une option à décider après coup.