L'Industrie 5.0 envisage une transition majeure, passant d'une automatisation centrée sur les systèmes à une symbiose centrée sur l'humain entre les travailleurs et les systèmes cyber-physiques (CPS). Dans ce paradigme, une collaboration efficace exige que les machines aillent au-delà de la simple réaction aux mouvements physiques et développent une conscience des états cognitifs humains non observables, tels que les intentions, les niveaux de connaissance ou la fatigue mentale. Les jumeaux numériques humains (JNH) constituent une technologie clé pour cette vision, mais leur développement a été entravé par une ambiguïté conceptuelle et la difficulté inhérente à la modélisation de la cognition humaine complexe. Cette thèse pose les fondements conceptuels des JNH et explore leur potentiel pour permettre une collaboration adaptative et sensible à l'humain dans des contextes industriels. La recherche suit un parcours structuré articulé autour de quatre contributions principales. Elle propose une définition générale indépendante du domaine et un système de classification pour les JNH, clarifiant les exigences en matière d'intégration automatisée des données et la relation unique de type « un-à-un » entre un humain et son homologue numérique. En nous appuyant sur les éléments essentiels des HDT, nous développons un méta-modèle systémique ancré dans la théorie générale des systèmes, offrant un cadre unifié qui définit les limites et les interfaces entre les entités numériques, physiques et cyberphysiques. En mettant l'accent sur la collaboration entre l'humain et les (CPS), cette thèse propose une architecture décentralisée basée sur les jumeaux numériques (JN), conçue pour atteindre l'interopérabilité cognitive, c'est-à-dire l'alignement des perceptions et des intentions partagées entre les agents collaborant. Enfin, cette recherche formalise et évalue expérimentalement un modèle d'émulation de la cognition humaine utilisant l'architecture cognitive ACT-R. Deux expériences portant sur une tâche d'assemblage industriel démontrent la capacité d'ACT-R à reproduire les tendances d'apprentissage et confirment l'efficacité de la synchronisation en temps réel pour améliorer la précision de réponse à réponse. Cependant, les résultats identifient également des limites importantes causées par les différences individuelles, notamment la diversité des stratégies mentales, ainsi que la difficulté à déduire les états cognitifs à partir du comportement observable. Cela souligne la nécessité de disposer de signaux de synchronisation plus riches dans les futurs HDT haute fidélité.