Introduction

Vous recevez trois plaquettes en un mois. Toutes annoncent « l'IA qui transforme votre maintenance ». La première parle de capteurs et de probabilité de défaillance, la deuxième d'un assistant dans votre GMAO, la troisième d'un moteur qui retrouve la bonne page du manuel. Trois produits qui ne résolvent pas le même problème, sous le même mot.

Cet article classe les solutions du marché en quatre familles par cas d'usage, nomme les acteurs de chacune, et donne les quatre questions qui tranchent le choix.

Il s'adresse aux responsables maintenance, aux méthodes et aux directions industrielles en phase d'évaluation. Il sera moins utile à une équipe qui a déjà arrêté sa famille d'outils et cherche un comparatif fournisseur par fournisseur.

Pourquoi le mot « IA » ne suffit pas à décrire un outil

Le marché entretient la confusion parce que le même terme couvre des architectures et des promesses très différentes. Derrière un discours commun, un outil prédit une date de défaillance, un autre fluidifie une saisie, un troisième conduit un raisonnement de diagnostic, un quatrième retrouve un paragraphe.

La conséquence pratique : comparer deux offres sur le mot « IA » ne dit rien. La comparaison utile porte sur le problème traité et sur ce que l'outil exige de l'usine pour fonctionner.

Famille 1 : prédire les pannes avec des capteurs

C'est la maintenance prévisionnelle au sens strict. Des capteurs de vibration, de température ou de courant alimentent des modèles qui estiment la probabilité d'une défaillance à venir. Siemens Senseye, Augury et Tractian se positionnent sur ce terrain.

Pour qui. Les parcs instrumentés, avec des équipements rotatifs critiques et un historique de données suffisant.

Ce que ça demande. Des capteurs, du temps d'apprentissage, et une équipe capable d'exploiter les alertes.

La limite. Le prédictif répond à « quand », rarement à « pourquoi » ni « quoi faire ». Le retour sur investissement mérite d'être regardé en face : l'étude de référence du secteur mesure un gain d'uptime moyen de 9 % chez les industriels équipés [Source : PwC/Mainnovation, 2018]. Un gain réel, et plus modeste que les promesses du marché.

Famille 2 : augmenter la GMAO avec l'IA

La deuxième famille ajoute une couche d'IA aux outils de gestion existants : saisie assistée, recherche en langage naturel, priorisation des ordres de travail. MaintainX (CoPilot), Fiix (Foresight) et IBM Maximo (assistant) illustrent cette approche.

Pour qui. Les équipes qui vivent déjà dans leur GMAO et veulent fluidifier la gestion des interventions.

Ce que ça apporte. Moins de friction administrative, une meilleure exploitation de ce qui est saisi.

La limite. Ces assistants raisonnent sur ce que la GMAO contient. Si les comptes rendus tiennent en une ligne, l'IA ne peut pas inventer le savoir manquant. La GMAO reste un outil de gestion : elle trace les interventions, elle ne conduit pas un diagnostic.

Famille 3 : diagnostiquer et capitaliser le savoir-faire

La troisième famille s'attaque au moment de la panne : guider le technicien vers la cause racine, et transformer chaque intervention en savoir réutilisable. C'est le territoire de Mimorian, aux côtés d'acteurs du diagnostic assisté comme Aquant et Neuron7.

Le principe retenu par Mimorian consiste à modéliser la machine elle-même. Les schémas électriques, pneumatiques et hydrauliques sont croisés avec la documentation pour produire un graphe relationnel de l'équipement, un jumeau numérique fonctionnel. Les agents raisonnent sur cette base, proposent des hypothèses hiérarchisées, et chaque diagnostic produit un compte rendu structuré qui enrichit la mémoire de l'usine.

Pour qui. Les usines qui veulent de la valeur sur leur parc existant, avec la documentation et l'historique déjà disponibles, et celles qui voient partir leurs experts : le partage inefficace du savoir coûte en moyenne 47 millions de dollars par an à une grande entreprise [Source : Panopto, 2018].

Ce que ça demande. La documentation technique des équipements et l'implication des techniciens, la capture du savoir se faisant pendant l'intervention.

La limite. Cette famille guide et capitalise, elle s'appuie sur l'humain : le technicien reste l'acteur du diagnostic et garde la décision.

Famille 4 : chercher dans la documentation

La quatrième famille répond aux questions en s'appuyant sur les documents de l'usine : manuels, procédures, notices. C'est l'assistant documentaire, souvent bâti sur un moteur de recherche augmenté par un modèle de langage.

Pour qui. Les équipes qui perdent du temps à retrouver la bonne page du bon manuel.

La limite. L'outil répond depuis le document, sans modèle de la machine : il retrouve un paragraphe, il ne raisonne pas sur un symptôme.

Les quatre familles en un tableau

Mise en pratique : quatre questions à se poser dans l'ordre

1. Mon problème est-il « quand » ou « pourquoi » ? Anticiper la date d'une défaillance pousse vers la famille 1. Diagnostiquer plus vite et garder le savoir pousse vers la famille 3.

2. Mon parc est-il instrumenté ? La famille 1 exige des capteurs et un historique de signaux. Les familles 2, 3 et 4 travaillent sur ce que l'usine possède déjà.

3. Où vit mon savoir aujourd'hui ? Dans les têtes de deux ou trois experts : la famille 3 répond au risque de départ. Dans une GMAO bien remplie : la famille 2 en tirera davantage.

4. Qui garde la décision ? En milieu critique, la supervision humaine est une exigence, réglementaire et opérationnelle. Vérifiez que l'outil montre son raisonnement et laisse la main au technicien.

Questions fréquentes

Q : Faut-il des capteurs pour mettre de l'IA en maintenance ? R : Seule la famille prévisionnelle en exige. Les familles diagnostic, GMAO augmentée et documentation travaillent sur l'existant : schémas, historique d'interventions, manuels. Une usine sans instrumentation peut donc démarrer tout de suite.

Q : Une IA de maintenance remplace-t-elle la GMAO ? R : Les quatre familles complètent la GMAO, chacune à sa manière. La GMAO reste l'outil de gestion et de traçabilité, l'IA ajoute la prédiction, l'assistance ou le diagnostic par-dessus.

Q : Quelle famille donne des résultats le plus vite ? R : Celles qui exploitent l'existant. Un pilote de diagnostic guidé ou d'assistant documentaire tourne en quelques semaines sur un périmètre réduit, là où le prédictif demande d'abord d'instrumenter et d'accumuler des données.

Q : Peut-on combiner plusieurs familles ? R : Oui, et les usines matures le font : du prévisionnel sur les équipements critiques instrumentés, du diagnostic guidé et de la capitalisation sur tout le parc. Commencez par le problème qui coûte le plus.

Conclusion

Trois points à retenir.

1. « Quelle IA pour la maintenance » est une question de cas d'usage, pas de fournisseur. Prédire, gérer, diagnostiquer et capitaliser, ou chercher sont quatre problèmes différents.

2. L'instrumentation est la ligne de partage. La famille prévisionnelle exige des capteurs, les trois autres valorisent l'existant.

3. La décision reste humaine. Quel que soit l'outil, exigez un raisonnement visible et un technicien aux commandes.

Prochaine étape : identifiez le problème qui coûte le plus cher dans votre atelier (arrêts imprévus, diagnostics longs, savoir qui part) et testez la famille correspondante sur un périmètre réduit.

Article original publié sur Quelle IA choisir pour la maintenance industrielle ?

Sources

• PwC/Mainnovation, 2018 : Predictive Maintenance 4.0, Beyond the hype (gain d'uptime moyen de 9 % constaté chez les répondants équipés)

• Panopto/YouGov, 2018 : Workplace Knowledge and Productivity Report (47 millions de dollars par an de productivité perdue par grande entreprise)