알림 목록

Zone d'analyse : ville métropolitaine d'Ulsan

Zones clés : Zone industrielle automobile de Buk-gu, Zone industrielle de construction navale de Dong-gu, Zone industrielle pétrochimique de Nam-gu

Ordre du jour : Alignement entre la Déclaration sur les villes intelligentes et les résultats en matière de productivité, de qualité, de sécurité et d’énergie sur les sites de production

Période idéale : Accélération des infrastructures + Transformation des usines - Écart de preuves

Date de référence : 28/08/2026

Version : Norme d’amélioration AX Golden Time Intelligence v3.2 régionale
 

En 2025, Ulsan a attiré un projet de centre de données dédié à l'IA, d'une valeur de 7 000 milliards de wons, mené par SK-AWS, et a placé le slogan « Ulsan, capitale de l'IA » au cœur de son administration municipale en 2026. La stratégie de la ville en matière d'IA a évolué, passant d'une approche axée sur l'éducation et la recherche à un modèle de ville industrielle combinant infrastructures informatiques à grande échelle et industrie manufacturière. Cependant, aucun élément de preuve publique ne permet d'établir un lien concret entre les investissements dans les centres de données et l'amélioration des taux d'adoption de l'IA, de la productivité, de la réduction des défauts, de la sécurité ou de l'efficacité énergétique des usines automobiles, navales et pétrochimiques d'Ulsan. Si la construction de centres de données et les projets d'IA dans les usines suivent des voies distinctes entre 2026 et 2028, Ulsan pourrait réussir à mettre en place une infrastructure d'IA, mais la transition des sites industriels risquerait de dépendre de la demande externe en matière de cloud. Si  le statut de « ville de l'IA » d'Ulsan est confirmé en termes d'investissements dans les infrastructures, son impact sur les résultats industriels reste à démontrer.

En 2026, Ulsan a alloué un budget de 117,8 milliards de wons au soutien des PME et à la promotion de l'innovation, soit une augmentation de 26 % par rapport à l'année précédente, incluant le programme PME AX. Le champ d'application de la politique d'IA s'étend désormais des grandes entreprises et des instituts de recherche aux PME locales et aux entreprises partenaires. Cependant, les données publiques disponibles ne permettent pas de confirmer le nombre d'entreprises accompagnées ayant dépassé le stade de la preuve de concept (PoC) pour appliquer durablement l'IA à leurs lignes de production, ni d'évaluer l'évolution de la productivité, des ventes et de l'emploi. Si le soutien se limite au conseil, à l'équipement et à la démonstration entre 2026 et 2028, l'écart en matière de données, de ressources humaines et de processus entre les grandes entreprises et leurs partenaires se creusera davantage.  Bien que la politique de diffusion d'Ulsan Manufacturing AX soit confirmée, son taux de conversion au sein des sites de production des PME reste incertain.

Ulsan s'est fixé pour objectifs, au cours des cinq prochaines années, de former 500 spécialistes de l'IA appliquée à la convergence industrielle, de mener 150 démonstrations sur le terrain auprès de grandes entreprises et de soutenir 500 startups deep tech. Parallèlement, l'école doctorale Novatus de l'UNIST prévoit de former environ 100 spécialistes en IA par an. L'écosystème de l'IA industrielle s'est développé selon une structure combinant développement des talents, startups et démonstrations auprès de grandes entreprises. Cependant, les critères de transition – allant de 150 démonstrations à une application en production, en passant par des contrats rémunérés, des revenus récurrents et l'expansion vers des entreprises partenaires – n'ont pas été divulgués. Si les objectifs restent axés sur les talents, les startups et le nombre de démonstrations pendant les deux à trois prochaines années, les changements concrets dans les usines seront masqués par les apports de l'écosystème.  Bien que les fondements de l'IA industrielle d'Ulsan soient en cours de construction, les preuves de sa transition vers la production restent insuffisantes.

Le ministère du Commerce, de l'Industrie et de l'Énergie a porté le budget du programme « Industrie AX » pour 2026 à 1 134,7 milliards de wons, soit une augmentation de 100,8 % par rapport à l'année précédente, et a augmenté celui du projet d'usine intelligente à 220 milliards de wons. La période 2026-2028, où l'expansion des investissements nationaux dans l'industrie manufacturière intelligente converge avec les structures industrielles automobile, navale et pétrochimique d'Ulsan, devrait être marquée par un afflux important de financements extérieurs. Cependant, les données publiques d'exploitation intégrant la sécurisation des projets nationaux phares et les performances d'application par processus dans les usines d'Ulsan n'ont pas encore été vérifiées. Si des normes de données d'usine, des référentiels de performance et une structure de diffusion pour les entreprises partenaires ne sont pas établis durant cette période, le budget national accru risque d'être épuisé par des projets de démonstration isolés.  Le moment crucial pour le secteur manufacturier d'Ulsan ne réside pas dans l'insuffisance du budget de l'IA, mais plutôt dans les deux à trois prochaines années, qui permettront de déterminer le rythme de transition entre la démonstration et la production.

Thèse du « temps d'or » — Le critère permettant de déterminer si Ulsan est une ville mondiale de l'IA n'est ni le montant des investissements dans les centres de données, ni le nombre de projets de démonstration d'IA. Le critère d'évaluation est l'impact de l'IA sur les temps d'arrêt, les défauts, les coûts, la consommation d'énergie et les accidents du travail dans les usines, et la diffusion de ces changements aux entreprises partenaires.

Ulsan est une ville industrielle où se concentrent l'industrie automobile (Buk-gu), la construction navale (Dong-gu) et les industries pétrochimiques et énergétiques (Nam-gu et Ulju-gun). L'application de l'IA ne se limite pas à un seul processus, mais englobe l'ensemble de la chaîne de valeur, de la conception à l'énergie, en passant par l'approvisionnement, la production, la qualité, la logistique, les installations, la sécurité et l'énergie. Cependant, aucune donnée de référence officielle ne permet de comparer le nombre d'usines, de processus, les taux de conversion des données des installations et les taux d'application de l'IA dans ces trois grands secteurs industriels, selon les mêmes critères. De plus, si les activités commerciales évoluent séparément par secteur entre 2026 et 2028, le taux de conversion de toutes les usines d'Ulsan ne peut être calculé a posteriori.  Si l'ampleur industrielle d'Ulsan est clairement établie, le dénominateur de la transition vers l'IA reste incertain.

L'usine Hyundai Motor d'Ulsan, HD Hyundai Heavy Industries et ses importantes installations pétrochimiques constituent des entreprises clés, dotées d'une infrastructure performante en matière d'automatisation, de capteurs et de gestion de la production. Le secteur manufacturier d'Ulsan est passé d'usines à forte intensité de main-d'œuvre à une structure combinant des usines hautement automatisées et de vastes réseaux de coopération. Toutefois, le niveau de transparence concernant le pourcentage de processus ayant migré de l'automatisation existante vers la prédiction basée sur l'IA et le contrôle autonome, ainsi que les performances qui en résultent, varie d'une entreprise à l'autre. Si la distinction entre les équipements d'automatisation et les processus d'IA n'est pas faite sur les deux ou trois dernières années, les investissements numériques existants sont comptabilisés deux fois comme de nouvelles réalisations en matière d'automatisation.  Bien que l'infrastructure numérique de l'usine d'Ulsan soit solide, l'ampleur de sa transition vers l'IA ne peut être évaluée séparément.

Le centre de données d'IA SK-AWS, présenté comme un investissement de 7 000 milliards de wons, figurait parmi les cinq projets prioritaires de la ville d'Ulsan pour 2025. Les actifs d'IA d'Ulsan, initialement déployés au niveau des universités locales et du secteur public, se sont étendus à l'infrastructure informatique à grande échelle des fournisseurs de cloud mondiaux. Cependant, aucune donnée publique ne permet d'évaluer l'impact de cet investissement sur les achats locaux, l'emploi local, l'utilisation des ressources informatiques par les entreprises manufacturières locales, ainsi que sur la consommation d'électricité et d'eau et les recettes fiscales. Même si les travaux de construction se poursuivent entre 2026 et 2028, sans clients concrets des usines locales, l'ampleur de l'investissement et celle de la transformation industrielle resteront dissociées. Si l'importance économique du centre de données d'IA est avérée, son impact sur les usines d'Ulsan demeure incertain.

Le plan de ville intelligente d'Ulsan a présenté 21 projets, dont l'intelligence artificielle appliquée à l'information spatiale et les jumeaux numériques, pour un coût total de 294,2 milliards de wons sur la période 2022-2026. L'utilisation des données urbaines s'est étendue aux transports, à la sécurité et à la gestion du territoire. Cependant, aucune structure permettant d'analyser conjointement les données de la ville intelligente avec celles des complexes industriels et des processus d'entreprise n'est actuellement disponible. Si les plateformes Urban AX et Industrial AX sont développées séparément au cours des deux à trois prochaines années, l'influence réciproque entre les transports, la logistique, la gestion des catastrophes, l'énergie et l'exploitation des usines risque d'être négligée. Bien que  l'intelligence artificielle se soit développée à Ulsan dans les secteurs urbain et industriel, la connexion entre ces deux systèmes reste à confirmer.

Les centres de données dédiés à l'IA, l'UNIST, le Technoparc d'Ulsan, les installations de R&D et de production des grandes entreprises, ainsi que les programmes de soutien aux PME témoignent de la concentration des ressources en IA à Ulsan. L'écosystème de l'IA s'est développé en une structure qui centralise la recherche, les talents, les capacités de calcul et les besoins de production dans une seule et même région. Cependant, le taux de conversion – des résultats de la recherche transformés en prototypes (PoC) en usine en contrats de production et en revenus pour les startups – n'est pas public. Même si le nombre d'institutions et de projets augmente entre 2026 et 2028, si ce taux de conversion reste faible, cette concentration ne sera qu'une simple liste parallèle de ressources.  Bien qu'Ulsan possède les composantes de l'IA industrielle, un écosystème commercial fonctionnel reste à démontrer.

Au cours des cinq prochaines années, 150 démonstrations sur le terrain, menées par de grandes entreprises, créeront des points de contact à grande échelle permettant aux start-ups et aux instituts de recherche d'accéder à des sites de production réels. Le développement technologique passe de la validation en laboratoire à la validation sur le terrain, s'appuyant sur des données industrielles et les conditions d'utilisation des équipements. Cependant, les critères publics d'évaluation des contrats de production, de la réplication dans d'autres usines, de l'application aux entreprises partenaires et des revenus de maintenance après la démonstration restent à définir. Si le nombre de démonstrations augmente rapidement entre 2026 et 2028, il deviendra impossible de distinguer les preuves de concept finalisées de la production en exploitation.  Malgré l'expansion des points de contact sur le terrain à Ulsan, le fossé entre l'écosystème de démonstration et l'écosystème de production persiste.

L'école doctorale Novatus de l'UNIST forme environ 100 spécialistes en IA par an, tandis que la ville d'Ulsan s'est fixé pour objectif de former 500 talents en IA à l'intersection de l'industrie et de l'industrie en cinq ans. La politique de gestion des talents a évolué, passant d'une formation générale en IA à la formation de profils capables de comprendre les processus des secteurs automobile, naval et énergétique. Cependant, aucun suivi public n'a été effectué pour vérifier l'emploi des diplômés dans les entreprises d'Ulsan, leur ancienneté, leurs projets de terrain ou leur contribution à la productivité. Si le nombre de diplômés est uniquement comptabilisé sur deux ou trois ans, les talents locaux se trouvent déconnectés du marché du travail externe et les acquis de la formation ne reflètent plus les performances des usines.  Bien qu'un écosystème de développement des talents existe, les compétences professionnelles restant dans les usines d'Ulsan demeurent incertaines.

Le Fonds de croissance régionale de 50 milliards de wons de la ville d'Ulsan et l'objectif de créer 500 startups deep tech visent à financer la commercialisation des technologies développées. L'écosystème de l'IA industrielle évolue d'une approche axée sur les subventions vers une structure d'investissement et de développement. Cependant, le suivi public des données relatives aux ventes des entreprises financées par le fonds dans leurs usines d'Ulsan, aux investissements ultérieurs, aux taux de survie et à l'implantation locale n'en est qu'à ses débuts. Même si le nombre de startups augmente entre 2026 et 2028, les entreprises pourraient se délocaliser vers la région métropolitaine de Séoul ou vers les marchés étrangers si l'obtention de clients industriels tarde à se concrétiser.  Si les bases du financement des startups sont solides, le lien commercial avec la demande industrielle locale reste à établir.

L'intelligence artificielle (IA) dans le secteur manufacturier évolue, passant d'applications individuelles telles que le contrôle qualité, la maintenance prédictive et la prévision de la demande à une production autonome intégrant équipements, robots et planification de la production. Le ministère du Commerce, de l'Industrie et de l'Énergie a également proposé d'établir plus de 500 usines autonomes dotées d'IA d'ici 2030. Cependant, le nombre d'usines à Ulsan où l'IA contrôle les conditions de production en boucle fermée, au-delà des simples recommandations de processus, n'a pas été communiqué. Si les investissements axés sur des modèles individuels se consolident entre 2026 et 2028, le coût de l'automatisation complète du processus augmentera.  Bien que des applications concrètes de l'IA dans le secteur manufacturier soient visibles à Ulsan, la production autonome reste encore à venir.

L'industrie automobile évolue, passant d'une approche centrée sur les moteurs à combustion interne à une industrie intégrant véhicules électriques, véhicules autonomes, robots, batteries et services de données. Le champ d'application de l'IA s'étend désormais au-delà de l'efficacité des processus pour englober la concurrence des données dans les logiciels embarqués et tout au long du cycle de vie du produit. Les données relatives à l'écosystème industriel régional, reliant les données de production de l'usine d'Ulsan aux données d'exploitation et de maintenance des véhicules, ne sont pas divulguées. Si l'IA appliquée à l'usine et l'IA appliquée aux produits sont dissociées au cours des deux à trois prochaines années, Ulsan risque de rester un centre de production tandis que les logiciels à forte valeur ajoutée se concentreront dans d'autres régions. On  estime que le principal point faible de l'écosystème industriel automobile d'Ulsan réside dans l'intégration des données relatives aux produits et aux processus, plus encore que dans l'automatisation de la production.

L'industrie de la construction navale est confrontée à des défis simultanés liés à la complexité de la conception, de la production, du soudage, de la peinture, de la logistique et de la mise en service, ainsi qu'à une pénurie de main-d'œuvre qualifiée. L'IA et les robots passent de l'automatisation d'équipements individuels à une optimisation intégrée reliant la conception des navires aux opérations des chantiers navals. Cependant, aucune donnée publique ne permet de confirmer l'impact de l'application de l'IA aux chantiers navals d'Ulsan sur les calendriers de projets, les reprises, la productivité et les accidents. Si le recours au travail temporaire et à l'externalisation s'impose pour gérer le carnet de commandes entre 2026 et 2028, les données de la période faste ne seront pas capitalisées et ne constitueront pas un atout pour l'automatisation à long terme. Bien que  les opportunités d'application de l'IA dans la construction navale d'Ulsan soient importantes, aucun élément probant ne permet d'établir un lien entre la période faste et une transformation structurelle.

Face à la surproduction mondiale, aux réglementations carbone et à la pression sur les coûts, l'industrie pétrochimique évolue d'une simple augmentation des volumes de production vers des produits à haute valeur ajoutée, l'efficacité énergétique, la sécurité et l'optimisation carbone. Le rôle de l'IA s'étend également, passant de la maintenance prédictive des équipements à l'optimisation simultanée du rendement des procédés, de l'énergie, des émissions et de la sécurité. Cependant, la viabilité de l'utilisation conjointe des données de procédés, d'énergie, de tuyauterie et de sécurité entre les entreprises du complexe pétrochimique d'Ulsan n'a pas encore été validée. Si l'optimisation est menée uniquement entreprise par entreprise pendant deux ou trois ans, les synergies en matière d'énergie, de matières premières et de sécurité à l'échelle du complexe seront limitées.  Le complexe pétrochimique d'Ulsan est considéré comme moins prêt pour l'optimisation conjointe que pour une application au niveau des entreprises individuelles.

La ville d'Ulsan poursuit une stratégie de ville axée sur l'IA, s'appuyant sur le Centre de promotion du capital IA et le Comité d'intelligence artificielle d'Ulsan, et intégrant des centres de données à grande échelle à l'IA industrielle. Le cadre de réponse s'est étendu des projets d'informatisation individuels à la gouvernance de l'IA au niveau municipal. Cependant, aucun tableau de bord intégrant et publiant les indicateurs de productivité sectoriels, les taux d'adoption de l'IA par les usines, les taux de diffusion des fournisseurs et les taux de retour sur investissement de l'IA n'a été mis en place. Même si le nombre d'organisations, de comités et de projets augmente entre 2026 et 2028, l'écart entre les déclarations et la transformation des usines restera impossible à mesurer sans indicateurs communs de résultats industriels.  Bien que la gouvernance de la réponse d'Ulsan ait été renforcée, le système de gestion des résultats de la production reste à consolider.

Le budget de 117,8 milliards de wons alloué en 2026 au soutien des PME et à la promotion de l'innovation comprend des mesures d'accompagnement pour les PME et l'écosystème des startups. L'aide apportée aux PME a évolué, passant d'un soutien financier et commercial général à une structure intégrant l'IA et l'innovation numérique. Cependant, les données publiques disponibles ne permettent pas de distinguer clairement la répartition du budget alloué aux PME, les entreprises bénéficiaires, celles en pleine transformation de leur production et les gains de productivité induits. Si l'on interprète le budget total important sur deux à trois ans comme un indicateur de performance des PME, les ressources et les effets réels investis dans la transformation du secteur manufacturier risquent d'être surestimés.  Bien que l'orientation de la réponse en faveur des PME soit confirmée, le lien entre le financement des PME et leurs résultats reste à établir.

Le Centre de contrôle intégré des complexes industriels intelligents et écologiques a posé les fondements de la gestion de la sécurité des complexes industriels grâce à un investissement de 13 milliards de wons entre décembre 2022 et novembre 2025. La prise en charge des complexes industriels est passée d'inspections de sécurité individuelles à une structure intégrant la surveillance des canalisations souterraines et des risques au sein du complexe. Cependant, les données publiques disponibles ne permettent pas de confirmer l'évolution des délais de détection des accidents et des fuites, des temps d'arrêt et des capacités de réponse conjointe depuis la mise en service du centre. Une fois les travaux de construction prévus pour 2026-2028 achevés et les installations opérationnelles, l'utilisation des données de sécurité pour les opérations en usine sera restreinte. Bien que  l'infrastructure de traitement des données des complexes industriels soit désormais opérationnelle, les résultats concrets en matière de réduction des risques restent à confirmer.

Les objectifs d'Ulsan – 500 startups deep tech, 500 talents en IA pour la convergence industrielle et 150 démonstrations sur le terrain – intègrent startups, talents et démonstrations dans une stratégie unique. La structure de réponse est passée de programmes de soutien individuels à un écosystème complet pour startups. Cependant, l'ensemble du processus – depuis la démonstration d'une startup au sein d'une grande entreprise jusqu'à son expansion auprès de PME partenaires et l'obtention de revenus récurrents – n'a pas été divulgué. Si les résultats de chaque objectif entre 2026 et 2028 sont gérés séparément, la stratégie globale se retrouve fragmentée en trois réalisations indépendantes.  Bien que la réponse globale d'Ulsan ait été conçue, sa faisabilité opérationnelle reste à démontrer.

Le ministère du Commerce, de l'Industrie et de l'Énergie a porté le budget du programme de transformation industrielle à 1 134,7 milliards de wons pour 2026 et celui du programme d'usines intelligentes à 220 milliards de wons. Ulsan possède des pôles industriels dans les secteurs de l'automobile, de la construction navale et de la pétrochimie, qui constitueront des centres de demande directe pour le développement du programme national de transformation industrielle. Cependant, aucune donnée régionale intégrée n'est disponible concernant le nombre de projets sélectionnés pour Ulsan, les montants des investissements ou les taux d'utilisation des lignes de production dans le cadre du programme national d'usines intelligentes. Face à l'intensification de la concurrence pour les projets nationaux entre 2026 et 2028, la position dominante d'Ulsan ne peut être garantie uniquement par ses pôles industriels. Bien  qu'Ulsan présente une forte adéquation structurelle avec la politique nationale de transformation industrielle, sa part de marché et ses résultats concrets restent à confirmer.

L'objectif national est de disposer de plus de 500 usines de fabrication autonomes dotées d'IA d'ici 2030, dont 26 sont prévues pour 2024. Cela marque la phase initiale de la transition de l'industrie manufacturière nationale basée sur l'IA, passant d'un nombre limité d'usines de pointe à une diffusion à grande échelle. Aucune donnée comparative officielle n'est disponible concernant la position des usines d'Ulsan parmi ces 26 sites ou les 500 prévues. Si d'autres régions manufacturières parviennent à se doter de plateformes et de fournisseurs communs dans les deux à trois prochaines années, Ulsan pourrait prendre du retard dans l'écosystème de la fabrication autonome, malgré la taille de ses grandes usines.  La position nationale d'Ulsan est considérée comme un leader en termes d'échelle industrielle, mais un manque de données subsiste quant au nombre d'usines de fabrication autonomes.

Les principales entreprises manufacturières mondiales fondent leur compétitivité sur la combinaison de normes de données de processus, de jumeaux numériques, de logiciels industriels et de personnel sur site, plutôt que sur des modèles d'IA. Ulsan dispose également de capacités d'automatisation pour les grandes entreprises, de systèmes de contrôle complexes pour l'industrie et d'un vivier de talents en IA. Cependant, aucune donnée ne compare l'interopérabilité des données de processus, la réutilisation des modèles et les normes communes entre entreprises partenaires avec celles des principales régions internationales. Si les systèmes monopolistiques des entreprises se renforcent entre 2026 et 2028, seule l'intelligence artificielle interne des grandes entreprises progressera, au détriment de l'écosystème collaboratif régional.  La compétitivité mondiale d'Ulsan repose sur l'équilibre entre les capacités internes des grandes entreprises et les capacités de diffusion de l'ensemble de la région.

Le centre de données dédié à l'IA, dont la valeur dépasse les 7 000 milliards de wons, témoigne de l'ampleur des investissements régionaux dans les infrastructures d'IA. La participation des fournisseurs de cloud mondiaux connecte les infrastructures informatiques, réseau et énergétiques au marché international. En revanche, les conditions d'utilisation, les coûts, la sécurité, la protection des technologies nationales clés et les normes d'exportation de données pour les entreprises manufacturières locales n'ont pas encore été finalisés publiquement. Si, dans les deux à trois prochaines années, le centre de données adopte une structure opérationnelle axée sur la demande externe en IA, son accessibilité pour les usines d'Ulsan pourrait être limitée, indépendamment du montant de l'investissement.  Ulsan est considérée comme un chef de file en matière d'infrastructures d'IA, mais son système d'utilisation des données de production reste encore à confirmer.

En reliant les 7 000 milliards de wons investis dans les centres de données d'IA au budget de 117,8 milliards de wons alloué au soutien des PME en 2026, l'ampleur du capital investi dans la stratégie d'IA d'Ulsan révèle une disparité significative entre les infrastructures de grande envergure et le soutien aux entreprises locales. Bien que ces deux chiffres ne soient pas directement comparables en termes de ratio, compte tenu de leurs différences de nature et d'horizon temporel, ils mettent en évidence un décalage structurel entre les investissements dans les infrastructures et l'expansion des usines. Le mécanisme par lequel les investissements dans les centres de données se traduisent par une réduction des coûts de calcul, un meilleur accès aux données et une productivité accrue de l'IA pour les PME reste à définir. Si ce lien n'est pas établi entre 2026 et 2028, les investissements massifs et le soutien aux entreprises locales resteront des politiques distinctes.  Le principal problème de la « ville de l'IA » d'Ulsan réside dans le déséquilibre entre le montant des investissements dans les infrastructures et le volume de conversions d'usines.

Lier les objectifs de 500 talents en IA pour la convergence industrielle, 500 startups deep tech et 150 démonstrations sur le terrain ne garantit pas automatiquement des opportunités de démonstration ni le placement de talents pour chaque startup. Les périodes et les thématiques cibles étant différentes, les calculs de ratios mécaniques sont également invalides. Aucune donnée ne relie les talents, les entreprises, les démonstrations et les contrats de production au sein d'un projet unique. Si l'on se contente d'accumuler les résultats de chaque objectif sur deux ou trois ans, un décalage apparaît : les talents sont formés et les entreprises créées, mais il est impossible de trouver des clients industriels. Bien que  l'ampleur des objectifs de l'écosystème d'Ulsan ait été présentée, la densité de ces connexions reste indéterminée.

L’objectif de l’UNIST de former environ 100 spécialistes en IA par an est en adéquation avec son objectif de 500 sur cinq ans. Bien que le plan de formation soit confirmé, il n’est pas lié aux besoins spécifiques en emploi des industries automobile, navale et pétrochimique d’Ulsan. De plus, les données relatives à l’emploi local des diplômés, à leur ancienneté et à la performance de leurs projets ne sont pas divulguées. Si la demande industrielle évolue plus rapidement que le programme de formation entre 2026 et 2028, des pénuries de personnel persisteront pour certains postes, même si les objectifs sont atteints.  Le plan de formation en IA d’Ulsan est jugé cohérent sur le plan quantitatif, mais son adéquation aux besoins des emplois en usine reste à confirmer.

Les 13 milliards de wons alloués au Centre de contrôle intégré du complexe industriel vert intelligent et les 294,2 milliards de wons au Plan de ville intelligente témoignent des investissements déjà réalisés dans l'infrastructure de données des complexes urbains et industriels. L'initiative AX d'Ulsan était déjà en cours, notamment sous la forme de systèmes de contrôle, de jumeaux numériques et d'informations spatiales, avant même son annonce officielle. Cependant, les résultats concrets, tels que le lien entre les investissements et la réduction des accidents, les économies d'énergie et les temps d'arrêt des équipements, n'ont pas encore été vérifiés. Si de nouveaux investissements en IA sont ajoutés au cours des deux à trois prochaines années, des redondances fonctionnelles pourraient apparaître sans que le retour sur investissement numérique réel des investissements précédents soit évalué.  Bien que le volume total des investissements en IA à Ulsan soit en augmentation, la productivité des actifs existants reste compromise par un manque de données.

Lier l'objectif de 150 démonstrations sur le terrain au soutien de l'IA pour les PME offre la possibilité de diffuser les résultats des démonstrations à grande échelle aux entreprises partenaires. Cependant, des indicateurs tels que le nombre d'entreprises partenaires participantes par démonstration, le nombre d'usines répliques, les contrats payants et les revenus récurrents n'ont pas été divulgués. Le nombre de démonstrations représentant les points de contact technologiques et le nombre de diffusions représentant les changements industriels, ces deux notions ne sont pas identiques. Si ces deux chiffres ne sont pas distingués entre 2026 et 2028, l'augmentation du nombre de preuves de concept (PoC) est surestimée, car elle est confondue avec la diffusion de l'IA en usine.  Le plus grand écart numérique dans l'IA manufacturière d'Ulsan réside entre le nombre de démonstrations et le nombre de processus de production.

La première lacune réside dans l'absence de référentiel pour l'usine . Bien qu'Ulsan possède trois grands secteurs industriels et des usines de grande envergure, la part de chaque étape (collecte de données, analyse par IA, recommandation automatique et contrôle autonome) dans le processus global n'est pas précisée. Il s'agit d'une structure sans dénominateur commun pour la transition. Avec la multiplication des projets de démonstration et de mise en œuvre entre 2026 et 2028, il devient difficile de distinguer les processus aux applications communes de ceux qui ne le sont pas.  La principale lacune d'Ulsan Manufacturing AX est l'absence d'un taux d'application réel par rapport à la taille totale de l'usine, plutôt que le nombre de projets d'IA.

La seconde lacune réside dans l'absence de suivi de la transition entre la preuve de concept (PoC) et la production . Bien qu'Ulsan ait annoncé un objectif de 150 démonstrations sur le terrain, les modalités de fonctionnement des lignes de production et les critères de paiement des contrats après la conclusion des démonstrations n'ont pas été divulgués. La vérification technologique et les résultats industriels sont dissociés en deux étapes distinctes. Si le nombre de démonstrations devient l'indicateur de performance fixe pendant deux à trois ans, la différence entre les enseignements tirés des démonstrations infructueuses et ceux tirés des modèles commercialisés disparaît. Le niveau de  maturité de l'IA industrielle est jugé non confirmé en fonction du taux de conversion en production plutôt que du nombre de démonstrations.

Le troisième obstacle réside dans la frontière des données entre les grandes entreprises et leurs fournisseurs . Si les entreprises leaders disposent d'infrastructures, de personnel, de données et de capacités de sécurité, les fournisseurs sont confrontés à des difficultés accrues liées aux coûts de collecte de données et à une pénurie de personnel spécialisé. Bien que la qualité, les délais de livraison et les coûts soient interdépendants au sein d'une même chaîne d'approvisionnement, les systèmes d'IA restent distincts pour chaque entreprise. Si les grandes entreprises développent leurs capacités d'IA en premier, entre 2026 et 2028, les fournisseurs risquent de ne pas pouvoir répondre aux exigences plus élevées en matière de données et de qualité. Le fossé au sein de l'écosystème industriel d'Ulsan réside dans le décalage entre l'optimisation interne des grandes entreprises et l'optimisation de l'ensemble de la chaîne d'approvisionnement.

Le quatrième problème réside dans le manque de connectivité entre les centres de données d'IA et les sites de production . Bien qu'une infrastructure informatique à grande échelle soit en place, les conditions relatives à la sécurité des données d'usine, aux coûts, à la latence, à la protection des technologies clés et au fonctionnement des modèles ne sont pas vérifiées publiquement. Même si les centres de données et les usines sont situés dans la même région, ils ne forment pas automatiquement un écosystème d'IA unique. Si les structures contractuelles et opérationnelles restent figées autour de la demande externe pendant deux ou trois ans, les exigences d'accessibilité pour les entreprises manufacturières locales sont reléguées au second plan.  L'infrastructure est prête, mais la maturité des applications industrielles reste à prouver.

Le cinquième problème réside dans le manque de transparence concernant les résultats des usines . L'impact de l'IA se traduit par une baisse de la productivité, des défauts, des temps d'arrêt des équipements, de la consommation d'énergie, de la sécurité et des délais de livraison. Si les chiffres individuels peuvent être limités par le secret commercial, les statistiques régionales, anonymisées ou basées sur des indices, sont également indisponibles. En l'absence de données de performance pour la période 2026-2028, les politiques seront évaluées uniquement sur la base du nombre d'entreprises et de projets pilotes soutenus.  Bien que des changements puissent être observés au sein de certaines usines d'Ulsan, ils restent à confirmer par des données à l'échelle de la ville.

Le centre de données SK-AWS AI et l'infrastructure existante des complexes industriels et des complexes industriels intelligents et écologiques renforcent les fondements du calcul, de la mise en réseau et du contrôle. L'infrastructure technologique d'Ulsan a évolué vers une structure où le cloud mondial et les plateformes urbaines/industrielles coexistent avec les serveurs des usines individuelles. Cependant, les taux d'utilisation réels, les coûts de service, la latence et les niveaux de sécurité des usines locales restent à confirmer. Une fois le modèle d'exploitation du centre de données finalisé entre 2026 et 2028, les conditions d'utilisation initiales seront fixées, garantissant ainsi une accessibilité industrielle à long terme.  L'infrastructure informatique est actuellement en phase de construction à grande échelle, tandis que son accessibilité pour la production locale demeure incertaine.

L'objectif de recruter 500 experts en IA à l'intersection de l'industrie avec UNIST Novatus jette les bases d'un approvisionnement en personnel spécialisé. La formation des talents a évolué, passant de l'analyse de données générale à un modèle à l'intersection de l'industrie qui prend en compte les problématiques des processus de fabrication. Cependant, la demande par fonction dans les secteurs de l'automobile, de la construction navale et de la pétrochimie, ainsi que le taux de rétention des diplômés au niveau régional, n'ont pas été communiqués. Si les grandes entreprises, les centres de données et les startups se disputent les mêmes talents au cours des deux à trois prochaines années, la pénurie de main-d'œuvre dans les petites et moyennes entreprises (PME) s'aggravera en premier.  Bien que les plans d'approvisionnement en talents soient confirmés, la répartition par secteur et le taux de rétention au niveau régional restent à confirmer.

Les procédés des secteurs automobile, naval et pétrochimique englobent des technologies nationales fondamentales, des secrets commerciaux et des informations de sécurité. Les données industrielles évoluent d'une ouverture accrue vers une structure d'apprentissage collaboratif au sein de zones de confiance restreintes. Les normes d'Ulsan relatives aux données interentreprises, à l'autorité, à la pseudonymisation, à l'apprentissage fédéré et à la responsabilité des modèles ne sont pas étayées par des preuves publiques. Si les systèmes indépendants mis en place par chaque entreprise se généralisent entre 2026 et 2028, l'obtention de données d'entraînement pour les modèles d'IA régionaux communs deviendra difficile.  Le niveau de préparation des données est jugé élevé au sein des grandes entreprises, mais faible en termes d'utilisation conjointe à l'échelle régionale.

Le Centre de promotion des capitaux pour l'IA, le Comité de l'intelligence artificielle, le Plan AX pour les PME et la Stratégie pour les startups constituent le socle institutionnel de la mise en œuvre. À Ulsan, l'administration de l'IA s'est étendue, passant de services individuels à des organisations dédiées et à un système de mise en œuvre public-industriel-académique. Toutefois, une gouvernance ouverte intégrant et gérant les critères d'arrêt de projet spécifiques, la vérification des performances, les droits d'accès aux données, les transitions professionnelles et les responsabilités en matière de sécurité reste à confirmer. Avec la multiplication des projets prévue pour les deux à trois prochaines années, l'ambiguïté des responsabilités – plus que le nombre d'institutions – se transformera en risque opérationnel.  Il apparaît que si le cadre de mise en œuvre institutionnel est prêt, le cadre de responsabilité industrielle en matière d'IA, lui, fait encore défaut.

Le budget de soutien aux PME pour 2026 s'élève à 117,8 milliards de wons, soit une augmentation de 26 % par rapport à l'année précédente, et l'IA est désormais intégrée à ce dispositif. La politique s'étend désormais des grandes entreprises et des instituts de recherche aux PME régionales. Cependant, le nombre d'entreprises, les processus, la productivité, l'emploi et le chiffre d'affaires ayant bénéficié de ce soutien n'ont pas été communiqués séparément. Si seule l'augmentation du budget total pour la période 2026-2028 est mentionnée, la transition effective vers les lignes de production intégrant l'IA sera un mélange de soutien financier, de distribution et d'aide à l'innovation en général.  Bien que l'élargissement du champ d'application de la politique aux PME soit confirmé, son impact concret sur les résultats en production reste à démontrer.

Les 150 démonstrations sur le terrain, centrées sur de grandes entreprises, permettent aux startups et aux fournisseurs d'IA d'accéder à des données de processus réelles. Les entreprises technologiques bénéficient ainsi des conditions nécessaires pour passer du statut de bénéficiaires de projets de recherche à celui de fournisseurs capables de résoudre les problèmes des entreprises manufacturières. Toutefois, les conditions relatives aux coûts des démonstrations, aux droits de propriété intellectuelle, à l'accès aux données, aux achats ultérieurs et à l'expansion vers d'autres clients n'ont pas été divulguées. Si des démonstrations gratuites, adaptées aux grandes entreprises, sont répétées pendant deux ou trois ans, les fournisseurs peuvent certes accumuler des technologies, mais sans pour autant garantir des revenus récurrents.  Bien que l'expansion des startups soit confirmée lors du contact avec le terrain, elle reste incertaine en termes de formation de marché.

L'IA industrielle influence les tâches des travailleurs et leur exposition aux risques en modifiant les arrêts de production, les accidents du travail, la consommation d'énergie et la qualité. Les effets à long terme de l'IA industrielle se manifestent non seulement sur la productivité des entreprises, mais aussi sur la sécurité au travail, les changements d'emploi et la stabilité de l'emploi. Les données publiques d'Ulsan établissant un lien entre les accidents, les emplois qualifiés, l'emploi et la reconversion professionnelle avant et après l'application de l'IA n'ont pas été confirmées. Avec l'expansion de l'automatisation entre 2026 et 2028, les gains de productivité et les coûts de transition professionnelle feront l'objet de statistiques distinctes.  Les effets de l'IA sur les travailleurs restent à évaluer, car la sécurité, les fonctions et l'emploi ne sont pas considérés conjointement.

Les investissements dans les centres de données et l'IA industrielle accroissent la demande locale en électricité, en eau, en construction et en services. Les répercussions sur les résidents et les entreprises se manifestent non seulement par des augmentations de l'emploi et des recettes fiscales locales, mais aussi par une pression accrue sur le réseau électrique, l'environnement et les infrastructures. Or, il n'existe pas de données publiques intégrées concernant l'emploi, la consommation d'électricité et d'eau, les recettes fiscales et les coûts environnementaux liés aux centres de données. Si les investissements s'étalent sur deux à trois ans, les bénéfices initiaux escomptés restent fixes, tandis que les coûts d'exploitation peuvent apparaître après la mise en service.  Bien que le déploiement régional d'infrastructures d'IA à grande échelle soit confirmé par les montants investis, la valeur ajoutée locale nette demeure incertaine.

La zone industrielle automobile de Buk-gu se caractérise par de grandes usines de véhicules finis reliées à des réseaux de pièces détachées et de logistique, tandis que la zone de construction navale de Dong-gu se distingue par d'immenses chantiers navals et une structure de coopération et d'externalisation à plusieurs niveaux. Dans la zone pétrochimique de Nam-gu et Ulju-gun, les procédés continus, la tuyauterie, l'énergie et la sécurité sont interconnectés entre les entreprises. Cette structure rend difficile l'évaluation de la transition de ces trois industries à l'aide d'une politique unique d'IA industrielle. Aucun tableau de bord commun à Ulsan, distinguant les unités de processus et les critères de résultats par secteur industriel, n'a été identifié. Comparer un nombre identique de projets pilotes entre 2026 et 2028 fausse l'analyse des difficultés et des effets de diffusion selon les secteurs.  La disparité des performances en matière d'IA au sein d'Ulsan est attribuée à l'absence de normes de mesure reflétant les différences régionales de structure industrielle.

Les districts de Buk-gu, Dong-gu et Nam-gu, où se concentrent les grands sites d'entreprises, diffèrent du district d'Ulju-gun, où sont réparties les PME et les zones industrielles, en termes de capacités en matière de données, de main-d'œuvre et d'investissement dans les infrastructures. Si l'IA des grandes entreprises peut être mise en œuvre grâce à des investissements internes, les petites entreprises dépendent fortement du soutien public et des infrastructures partagées. Les données comparant les taux d'adoption de l'IA, les montants des investissements et les performances des entreprises manufacturières à travers les districts et les comtés sont indisponibles. Si les performances des grandes entreprises font grimper la moyenne d'Ulsan au cours des deux à trois prochaines années, l'écart pour les PME qui n'adoptent pas l'IA sera masqué.  Il est établi que l'indice AX moyen d'Ulsan risque d'être surestimé par les performances des grandes entreprises.

Alors que les centres de données d'IA et les infrastructures de recherche et de démarrage sont concentrés dans certaines régions, la demande manufacturière est dispersée entre divers secteurs industriels. Même si les distances physiques sont faibles, des disparités d'utilisation apparaissent en raison des différences d'accès à la sécurité des données, aux réseaux, aux contrats et au personnel spécialisé. Le temps d'utilisation et les coûts des infrastructures d'IA par les entreprises de chaque région n'ont pas été divulgués. Si les premiers clients et partenaires se fixent entre 2026 et 2028, l'écart de productivité entre les entreprises connectées et non connectées se prolongera.  Il apparaît qu'à Ulsan, l'accessibilité asymétrique à l'IA est davantage liée à la taille des entreprises et à leur contrôle des données qu'à la distance.

Le système de contrôle intégré du complexe industriel intelligent et écologique surveille les risques communs au sein du complexe, mais son objectif et ses données diffèrent de ceux de l'IA de production des usines individuelles. La structure repose sur un système d'intelligence artificielle (IA) de sécurité à l'échelle du complexe industriel et un IA de production interne à l'entreprise, fonctionnant en parallèle. Il n'existe pas de plateforme publique reliant les alertes, l'état des équipements et les calendriers de maintenance des deux systèmes. Si ces systèmes distincts sont maintenus pendant deux à trois ans, le délai entre l'évaluation des risques complexes et la détermination des opérations de production s'allonge.  L'IA dans l'espace industriel d'Ulsan est fragmentée entre le complexe et les usines.

L'investissement dans le centre de données SK-AWS dédié à l'IA est en cours, et le Système de promotion des capitaux pour l'IA a été pleinement lancé en 2026. La période 2026-2028 sera consacrée à la finalisation de la conception, de la construction et des conditions d'exploitation du centre de données, ainsi qu'à la structure d'utilisation par les entreprises manufacturières locales. Les normes relatives aux taux d'utilisation des usines locales, à la sécurité, aux coûts et aux services partagés n'ont pas encore été définies. Une fois le modèle opérationnel initial finalisé, le coût de la prise en compte de la demande manufacturière locale, auparavant moins prioritaire, augmentera.  La première période optimale sera celle précédant la contractualisation de la relation entre l'infrastructure informatique à grande échelle et la demande des usines.

Le budget du ministère du Commerce, de l'Industrie et de l'Énergie alloué à l'automatisation industrielle a été porté à 1 134,7 milliards de wons d'ici 2026, et celui des usines d'IA à 220 milliards de wons. Le programme national d'automatisation industrielle est entré dans une phase de diffusion à grande échelle, passant d'un projet pilote limité à une phase d'expansion massive. Cependant, le calendrier de déploiement régional reliant les projets sélectionnés d'Ulsan, les processus de production et l'expansion des entreprises partenaires reste à confirmer. Si d'autres régions adoptent des normes, des fournisseurs et des références spécifiques à l'industrie entre 2026 et 2028, l'avantage d'Ulsan en matière d'agglomération industrielle pourrait se transformer en un fardeau pour les installations non automatisées existantes.  La seconde période cruciale se situe dans les deux à trois prochaines années, durant lesquelles les ressources du programme national d'automatisation industrielle se consolideront en tant que normes industrielles initiales.

Ulsan vise 150 démonstrations sur le terrain, 500 experts en IA pour la convergence industrielle et 500 startups deep tech au cours des cinq prochaines années. La période 2026-2028 marque la réalisation de la première moitié de ces objectifs et la stabilisation de la méthode d'évaluation des performances. Les critères de conversion de la production, de revenus récurrents et de résultats des usines n'ont pas été divulgués. Si l'évaluation initiale se focalise sur le nombre de démonstrations, la formation et le nombre de startups, il sera difficile par la suite de se concentrer sur la commercialisation.  La troisième phase, dite « période clé », est prévue avant que l'unité de mesure des performances en IA industrielle ne soit fixée aux seules démonstrations.

L'industrie automobile est confrontée aux véhicules autonomes et électriques, la construction navale s'oriente vers l'autonomie et les navires numériques, et la pétrochimie connaît une transition vers la surproduction, les émissions de carbone et les produits à forte valeur ajoutée. Les investissements en IA à Ulsan coïncident avec la transformation simultanée des structures de produits, de procédés et de main-d'œuvre de ces trois industries. Les données relatives aux processus de référence et aux évolutions de l'emploi par secteur industriel sont encore incomplètes. Après la réorganisation des installations, des fonctions et des chaînes d'approvisionnement prévue entre 2026 et 2028, des données et des structures d'IA mal sélectionnées risquent d'être intégrées au système de production à long terme.  Le quatrième « Temps d'or » ne correspond pas au cycle technologique de l'IA, mais plutôt à la période d'achèvement des cycles d'investissement des industries clés d'Ulsan.

12-1. Cas d'application de la stratégie « Golden Time » dans les collectivités locales de base ① — Buk-gu

Le district de Buk-gu abrite l'usine Hyundai d'Ulsan et un important pôle d'écosystèmes de pièces automobiles et de logistique. L'industrie automobile (AX) évolue de l'automatisation des usines vers une structure intégrée produit-processus où véhicules électriques, véhicules autonomes, robots et données de qualité sont interconnectés. Cependant, les données publiques disponibles ne permettent pas de confirmer dans quelle mesure les avantages de l'intelligence artificielle appliquée aux véhicules finis se sont traduits par des améliorations de la productivité, des délais de livraison et de la qualité pour les fournisseurs du district de Buk-gu. Si le système de production de véhicules finis est réorganisé autour des véhicules électriques et des logiciels entre 2026 et 2028, les fournisseurs dont la connectivité des données est faible auront du mal à s'adapter en s'appuyant uniquement sur leurs capacités d'approvisionnement actuelles.  Le district de Buk-gu est considéré comme une région à fort potentiel pour piloter l'AX des grandes usines industrielles, mais la transformation de l'ensemble de la chaîne d'approvisionnement reste encore à confirmer.

Le volume de production, les défauts et les temps d'arrêt dans les usines de véhicules finis sont liés aux données de livraison et de qualité des fournisseurs de pièces. L'unité de base de l'IA en usine n'est pas la ligne de production individuelle, mais la chaîne d'approvisionnement, de la réception des pièces à l'expédition du véhicule fini. Les normes interentreprises en matière de modèles et de données, ainsi que les résultats partagés, n'ont pas été divulgués. Si l'optimisation interne au sein du constructeur automobile se généralise au cours des deux à trois prochaines années, les fournisseurs devront gérer des délais de livraison plus courts et des exigences de qualité plus élevées sans s'appuyer sur l'IA.  Le moment opportun pour les pays du Nord se situe avant que le fossé de données entre le constructeur et ses fournisseurs ne se cristallise en une disparité au sein de la chaîne d'approvisionnement, et non pendant l'automatisation des usines.

12-2. Cas d'application de la stratégie « Golden Time » dans les administrations locales de base ② — Dong-gu

Le district de Dong-gu concentre de nombreuses entreprises, dont HD Hyundai Heavy Industries, des sous-traitants de la construction navale et une main-d'œuvre qualifiée. Le boom de la construction navale et le carnet de commandes bien rempli fournissent des données de terrain à grande échelle pour l'application de l'IA, des robots et des technologies numériques de chantier naval à la production. Cependant, aucune donnée régionale ne permet de confirmer l'impact réel de l'IA sur les délais de construction, les reprises, la qualité des soudures, les accidents de sécurité ou la pénurie de main-d'œuvre. Si les pressions sur la production durant la période faste de 2026-2028 sont absorbées par le recours accru au travail temporaire et à l'externalisation, les données de terrain et les capacités d'investissement disponibles pour la transition seront épuisées avant même le début du ralentissement économique.  Dong-gu est considéré comme une région où la demande de démonstrations en IA et les capacités financières sont présentes, mais les conséquences de la transformation structurelle restent à confirmer.

Les chantiers navals peinent à appliquer systématiquement le même modèle en raison de la conception à la commande, de la taille des chantiers et des processus en plusieurs étapes. L'IA dans la construction navale est conçue pour être plus efficace lorsqu'elle est intégrée aux modifications de conception, aux matériaux, aux séquences de travail et au personnel qualifié, plutôt que par la maintenance prédictive d'un seul équipement. Les données publiques reliant les processus maître d'œuvre et sous-traitant à la productivité spécifique à chaque tâche ne sont pas disponibles. Si des démonstrations individuelles de robots et de systèmes de vision sont menées indépendamment sur une période de deux à trois ans, elles ne sont pas agrégées pour réduire le temps de construction global du chantier.  Le « temps d'or » de Donggu correspond à la période d'évaluation de l'effet intégré qui modifie le délai global d'un projet de construction navale, et non au nombre de technologies démontrées.

Si la structure opérationnelle des centres de données d'IA est dissociée de la production locale, Ulsan pourrait certes devenir un site d'infrastructures informatiques, mais pas une région capable de valoriser les données industrielles. Aucun lien n'a été établi entre l'investissement de 7 000 milliards de wons et les conditions d'utilisation par les entreprises manufacturières. Si la structure des clients pour les contrats à long terme, l'électricité et les services cloud se fige entre 2026 et 2028, la marge de manœuvre pour privilégier l'accès local et intégrer des services spécifiques au secteur manufacturier se réduit.  Le premier inconvénient ne réside pas dans l'attraction des centres de données, mais dans le temps nécessaire pour transformer les infrastructures informatiques en productivité industrielle locale.

Si la validation sur le terrain n'est pas transposée en production, les données de production sont utilisées pour des projets ponctuels et les modèles sont abandonnés sans maintenance. Ulsan a 150 objectifs de validation, mais les critères de commercialisation restent à définir. Si les preuves de concept s'accumulent sur deux ou trois ans, les entreprises supportent le fardeau de la lassitude face à la validation et les coûts liés à la fourniture de données, tandis que les fournisseurs ne génèrent pas de revenus récurrents.  La seconde perte ne dépend pas du budget de validation, mais de la confiance entre l'usine et l'entreprise d'IA, ainsi que du temps nécessaire à la commercialisation.

Si l'écart de vitesse entre le grand conglomérat AX et ses partenaires AX se creuse, les normes de qualité, de livraison et de sécurité de la chaîne d'approvisionnement s'améliorent, mais les capacités de réaction des PME ne peuvent suivre. Bien que le soutien aux PME ait été renforcé en 2026, le taux de conversion réel des usines n'a pas été vérifié. Avec la stabilisation des systèmes des grands constructeurs automobiles, des chantiers navals et des entreprises pétrochimiques entre 2026 et 2028, les coûts d'entrée pour les entreprises partenaires non intégrées augmenteront.  La troisième perte concerne non seulement la productivité des PME individuelles, mais aussi la complétude régionale de la chaîne d'approvisionnement d'Ulsan.

Même si des talents en IA sont formés, si cela ne débouche pas sur des projets concrets au sein des entreprises d'Ulsan ou sur un emploi stable, les acquis de cette formation sont transférés vers d'autres régions. Bien que les objectifs soient d'environ 100 personnes par an et 500 sur cinq ans, les taux d'emploi et de fidélisation restent incertains. Face à l'intensification de la concurrence entre les centres de données, les grandes entreprises et les startups au cours des deux à trois prochaines années, la pénurie de personnel spécialisé en IA industrielle dans les PME va s'aggraver.  La quatrième perte ne réside pas dans le nombre de personnes formées, mais dans le capital humain local possédant à la fois une expertise des processus et des compétences en IA.

Ulsan bénéficie simultanément d'une forte demande manufacturière dans les secteurs de l'automobile, de la construction navale et de la pétrochimie, de talents et de la recherche de l'UNIST, de sites pour de grandes entreprises, d'un soutien aux startups et de centres de données internationaux. Les composantes de l'offre, de la demande et de l'infrastructure de l'IA industrielle coexistent dans une même région. Cependant, aucun système public reliant ces éléments à un objectif commun de production industrielle n'a encore été identifié. Il est encore possible d'évaluer l'interconnexion avant que les structures opérationnelles de chaque élément ne soient figées individuellement entre 2026 et 2028.  Actuellement, l'enjeu est de déterminer le taux de conversion des actifs déjà intégrés plutôt que d'ajouter des actifs d'IA.

Les industries automobile, navale et pétrochimique génèrent d'importantes quantités de données relatives à la qualité, aux équipements, à la sécurité et à l'énergie. Ulsan, région riche en problématiques industrielles concrètes, présente de nombreux atouts pour l'apprentissage de l'IA. Toutefois, la mise en place d'un apprentissage collaboratif régional est freinée par les différences de confidentialité des données et de normes en la matière. À mesure que les structures de données spécifiques à chaque entreprise se complexifient au cours des deux à trois prochaines années, le coût de diffusion des modèles communs aux entreprises partenaires augmentera.  Actuellement, l'enjeu est d'évaluer la faisabilité d'un apprentissage commun à partir des données de processus existantes, plutôt que de créer de nouvelles données.

L'augmentation du budget national alloué à l'industrie AX et le renforcement du soutien aux PME à Ulsan ont eu lieu simultanément. Une structure où les financements externes et locaux augmentent de concert offre les conditions nécessaires pour absorber les coûts fixes initiaux de la production d'IA. Cependant, les données relatives au chevauchement des projets, aux lacunes des processus et à l'impact sur les performances restent à confirmer. Une fois la période d'expansion budgétaire 2026-2028 terminée, il pourrait devenir difficile d'obtenir à nouveau des investissements de même ampleur dans la démonstration et les infrastructures.  Actuellement, l'opportunité réside dans une phase d'expansion budgétaire où diverses sources de financement peuvent être liées à la production plutôt qu'au montant des subventions.

Bien que l'essor de la construction navale, les transitions du secteur automobile et les pressions de restructuration du secteur pétrochimique représentent des situations industrielles distinctes, elles exigent toutes une refonte des données de processus et de la productivité. Ulsan dispose d'un portefeuille de fabrication permettant la comparaison de démonstrations spécifiques à chaque secteur, plutôt qu'une politique d'IA unique et généraliste. Les indicateurs de performance communs à tous les secteurs n'ont pas encore été définis. Si les transitions sectorielles se poursuivent au cours des deux à trois prochaines années, l'opportunité initiale de tirer des enseignements des succès et des échecs mutuels disparaîtra.  Actuellement, cette opportunité n'est pas déterminée par le regroupement des trois secteurs sous une même technologie, mais par le laps de temps pendant lequel ils peuvent être comparés sur la base d'un même résultat.

Exécution d'Industrial AX

Processus de référence → Collecte de données → Démonstration d'IA → Application sur la ligne de production → Qualité, arrêts, coûts, sécurité, consommation d'énergie → Réplication des fournisseurs → Revenus récurrents → Compétitivité industrielle → Processus suivant

Accélération des infrastructures + Transformation des usines : lacunes en matière de données probantes

La désignation d'Ulsan comme ville de l'IA a porté ses fruits grâce aux investissements dans l'organisation, les talents, la démonstration, la finance et les centres de données.

Les changements observés en matière de productivité, de qualité, de sécurité et d'énergie au niveau de l'usine ne se sont pas traduits par des résultats positifs à l'échelle de la ville.

Le risque actuel ne réside pas dans un manque d'investissement dans l'IA, mais plutôt dans une structure où les investissements à grande échelle ne passent pas des phases de démonstration et d'infrastructure à la production en usine.

C’est la période de 2026 à 2028, et non le nom de la ville IA, qui déterminera le statut réel d’Ulsan.

Le résultat final est un écart de preuves concernant l'accélération des infrastructures et la transformation des usines.

1. Nombre total d'usines de fabrication à Ulsan
2. Nombre total de procédés de production par secteur d'activité
3. taux de collecte des données du processus
4. Taux d'application de l'IA dans les usines et les processus
5. Distinction entre l'automatisation et l'application de l'IA
6. Rapport entre les processus recommandés par l'IA et les processus de contrôle autonomes
7. Nombre de débuts et de fins de preuve de concept sur le terrain
8. Taux de conversion de la preuve de concept (PoC) en production
9. Taux de rétention à 12 mois après la mise en production
10. Taux de réplication différents en usine pour un même modèle
11. Temps d'arrêt des équipements avant et après l'application de l'IA
12. Taux de défauts et de retouches avant et après l'application de l'IA
13. Délai de production avant et après l'application de l'IA
14. Intensité énergétique avant et après application de l'IA
15. Accidents et quasi-accidents avant et après l'application de l'IA
16. Projet d'IA conjoint entre une grande entreprise et une entreprise partenaire
17. Taux d'application de l'IA par partenaire
18. Montant du soutien AX aux PME, entreprises bénéficiaires et résultats
19. Nombre d'entreprises manufacturières d'Ulsan utilisant des centres de données
20. Coûts de calcul et temps de traitement des entreprises manufacturières
21. Taux d'emploi des talents en IA dans les entreprises d'Ulsan
22. Taux de résidence locale à 1 an et à 3 ans des talents en IA
23. Tarif contractuel payé par les startups aux grandes entreprises
24. Revenus récurrents et investissements de suivi dans les entreprises d'IA industrielle
25. Rendements des résultats de production industrielle comparés aux investissements en IA

Lacune dans les données : les preuves publiques ne confirment pas que la plateforme Ulsan Manufacturing AX Runtime, reliant le centre de données d’IA, les talents, les startups, la finance → démonstration sur le terrain → application sur la ligne de production → productivité, qualité, sécurité, énergie → diffusion auprès des partenaires → revenus récurrents de l’entreprise d’IA à la même usine/au même projet et selon le même calendrier.

Chaîne d'exécution

Calcul, talents, données de processus → Preuve de concept → Production → Résultats d'usine → Expansion de la chaîne d'approvisionnement → Revenus récurrents → Productivité industrielle → Compétitivité manufacturière mondiale

Source · Vérification

• La ville métropolitaine d'Ulsan promeut Ulsan comme capitale de l'IA
• La ville métropolitaine d'Ulsan investit dans le centre de données d'IA SK-AWS
• Zone spéciale de développement et d'opportunités pour les centres de données d'IA dans la métropole d'Ulsan
• Ville métropolitaine d'Ulsan, convergence industrielle, startups en IA, talents et stratégie de démonstration sur le terrain
• Plan 2026 de la ville métropolitaine d'Ulsan pour le développement des PME et la promotion de l'innovation
• Centre de contrôle intégré du complexe industriel vert intelligent de la ville métropolitaine d'Ulsan
• Ville métropolitaine d’Ulsan, plan de ville intelligente 2022-2026
• Le ministère du Commerce, de l'Industrie et de l'Énergie accroît ses investissements dans les usines industrielles AX et AI.
• Ministère du Commerce, de l'Industrie et de l'Énergie, Nouvelle politique industrielle pour l'ère de l'IA
• Ville métropolitaine d'Ulsan, état de la population d'Ulsan en mai 2026

Principaux enseignements structurels tirés de cette analyse

Les centres de données d'IA produisent des calculs, tandis que les usines génèrent de la productivité. Le simple fait que ces deux types d'installations soient situés dans la même ville ne suffit pas à convertir les calculs en productivité. La puissance de calcul des centres de données ne se traduit en valeur manufacturière que lorsque les droits, la sécurité, les coûts et la latence des données de l'usine sont intégrés au système de maintenance sur site des modèles d'IA.

La particularité structurelle d'Ulsan ne réside pas dans un manque de demande en IA, mais dans le fait que cette demande reste cantonnée aux entreprises. Si les secteurs de l'automobile, de la construction navale et de la pétrochimie génèrent d'énormes quantités de données, faute de pouvoir les partager au-delà des frontières de l'entreprise et de son secteur, les fournisseurs d'IA doivent systématiquement créer de nouvelles preuves de concept (PoC), et les entreprises partenaires supportent alors les mêmes coûts de transition.

Par conséquent, l'idée structurelle fondamentale de la cité de l'IA d'Ulsan réside dans la distinction entre l'agrégation des calculs et l'agrégation des apprentissages . Si les centres de données centralisent les calculs, l'apprentissage industriel n'est agrégé que si les essais, les échecs et les résultats propres à chaque usine sont réutilisés. Ce qu'Ulsan doit viser, ce n'est pas le titre de plus grand centre d'IA, mais la rapidité avec laquelle les enseignements tirés d'une usine se diffusent à l'autre.

Thèse du moment opportun — Ulsan ne deviendra pas une ville mondiale de l'IA le jour de l'achèvement de son centre de données dédié à l'IA. Ce sera le jour où la preuve de concept (PoC) d'une usine passera à la production et où ses résultats seront reproduits pour améliorer la réduction des défauts, des arrêts de production, des coûts et la sécurité dans d'autres usines et entreprises partenaires. Si cette voie de réplication n'est pas mise en place entre 2026 et 2028, Ulsan disposera certes d'une infrastructure informatique massive et de nombreuses démonstrations d'IA, mais le rythme d'apprentissage de l'ensemble du secteur manufacturier restera inchangé.