Podcast #2 avec Gaëtan Goguet et Zack : l'IA en maintenance, du Pareto des pannes en dix minutes au robot qui dit « t'inquiète, j'ai consigné »

Le podcast maintenance | Épisode 2 | Samedi 10 octobre 2026 | 2 h 04

Un variateur HS. Pas de doc sur place, la maintenance est à 500 mètres. Tu sors ton téléphone, tu tapes la référence, et trente secondes plus tard tu as la notice constructeur en PDF, ouverte à la bonne page.

Gaëtan Goguet fait ça tous les jours. Responsable maintenance chez Saga Décor (groupe Verallia, 45 personnes, jusqu'à 20 millions de bouteilles en verre décorées par an), il est passé par l'alternance du CAP au diplôme d'ingénieur : bac pro chez SKF, BTS chez Sofidel, école d'ingénieur chez Spirax Sarco, puis un VIE chez TotalEnergies à Feluy, en Belgique, sur la sécurité instrumentée. Et quand il change d'entreprise, il commence toujours par aller sur le terrain avec les gars.

Face à lui, Zack, technicien belge en début de carrière, passé par la production de barquettes plastique pour plats préparés et qui cherche aujourd'hui à se spécialiser en électrotechnique, automatisme et instrumentation. Il utilise l'IA depuis ses premiers dépannages.

Pour ce deuxième épisode, enregistré en direct, on a laissé de côté les démos commerciales. On a parlé de ce que l'IA fait déjà, concrètement, dans un service maintenance : le reporting, la documentation, la relève entre postes, les stocks entre sites. Puis de ce qui coince : la qualité des données, la sécurité informatique, les techniciens qui n'en veulent pas. Et pour finir, une question qui n'a pas de réponse simple : qui est responsable quand c'est un agent IA qui décide ?

Au programme

Le Pareto des pannes en dix minutes : la méthode de Gaëtan

Chez Saga Décor, il n'y avait pas de GMAO à l'arrivée de Gaëtan. Il en a mis une en place, et le groupe a donné accès à Copilot en version Premium. Depuis, il s'en sert pour trois usages bien distincts.

L'analyse des pannes. Il exporte la base de la GMAO en CSV et demande à Copilot d'en sortir les machines critiques et les pannes des derniers mois ou des deux dernières années. Le Pareto des pannes, qui demandait avant « une grosse étude », sort en moins de dix minutes. Il en tire des actions pour réduire les temps d'arrêt sur les équipements qui pèsent le plus.

Le suivi de l'activité maintenance. Toujours depuis l'export GMAO : nombre de correctifs, nombre de préventifs clôturés ou annulés, taux de réalisation. Il demande les graphiques et le tableau avec un objectif précis, pas « analyse-moi ça ».

La performance des lignes. Le TRS et le taux de panne sont saisis par les chefs d'équipe dans un fichier de production Excel, avec des formules déjà en place. Copilot l'aide à extraire et mettre en forme ces chiffres pour le pilotage et pour la réunion Tier 3, qui rassemble tous les services.

Le gain le plus net est venu de Power BI. Gaëtan n'a jamais été formé à l'outil : c'est l'IA qui l'a aidé à construire les indicateurs dont il avait besoin, taux de panne journalier sur la semaine, taux de panne mensuel par ligne.

Le temps récupéré, il le passe ailleurs : « Tu peux aller voir tes gars, voir comment s'est passée leur journée, récupérer les informations pour la réunion, et avancer sur d'autres sujets. »

Troisième outil, moins visible : un agent Copilot auquel il a donné toute la documentation du site, plans, manuels, notices. Quand il lui pose une question, l'agent ne répond pas de mémoire. Il va chercher dans cette base et indique quel document consulter pour, par exemple, changer un roulement sur telle machine.

Sans données propres, l'IA accélère l'erreur

Gaëtan l'a constaté dès qu'il a travaillé sur de gros volumes : avec une demande imprécise sur une base de données très grande, Copilot sort des chiffres « un peu différents ». Il faut alors le recadrer, et parfois abandonner : « Bon non, c'est pas possible, je vais le faire tout seul. »

Ses fichiers à lui sont propres. Colonnes stables, saisie homogène, même prompt d'une semaine à l'autre. Quand il recolle un nouvel export GMAO dans le même fichier, les graphiques se mettent à jour seuls, grâce aux formules que l'IA l'a aidé à créer. Le moteur tourne parce que la méthode est fixée.

Deux exemples tirés de mon expérience montrent ce qui se passe quand ce n'est pas le cas.

Le premier, ce sont les statuts des bons de travail. Dans une GMAO, un BT passe par des statuts codés qui indiquent où il en est : en attente de pièces, planifié, réalisé, clôturé. Ces codes sont propres à chaque site. Si on ne donne pas à l'IA leur signification, elle en invente une, avec beaucoup d'assurance.

Le second, c'est la codification des articles magasin. Sur un site où j'ai travaillé, la base SAP tournait depuis le début des années 2000. Énormément de données, mais des articles créés par des dizaines de personnes sans règle commune. Tu cherches un collier Rilsan ou un circlip, et tu le trouves sous le nom de la marque imprimée sur la boîte achetée en 2007. La marque a changé depuis. Ni une recherche par mots-clés ni une IA ne retrouvent cet article.

Ma propre méthode va dans le même sens. Je fais convertir les documents en fichiers Markdown (.md), beaucoup plus légers à lire pour une IA qu'un PDF, et je demande un rapport en .md à la fin de chaque travail, que je classe. Une IA n'a pas de mémoire d'une conversation à l'autre : à chaque message, elle relit toute la discussion. Plus l'échange s'allonge, plus elle consomme, un peu comme une voiture qui brûlerait à chaque kilomètre l'essence de tous les kilomètres précédents. Capitaliser dans des fichiers courts permet de repartir d'une base propre.

C'est comme ça que j'ai abordé la réglementation électrique suisse, où je me sens perdu côté élec. J'ai téléchargé tous les textes disponibles en PDF et je les ai fait convertir en .md. Après chaque conversion, j'ai demandé un rapport d'audit : relire le PDF et le .md et lister toutes les divergences. J'ai déposé la base vérifiée dans un SharePoint et créé un assistant avec une consigne stricte : ne répondre qu'à partir de ce SharePoint, jamais d'Internet, où il risquerait de tomber sur un forum ou une interprétation de seconde main.

Sur le terrain : la doc, la traduction, le diagnostic

C'est sur le terrain que les cas d'usage sont les plus parlants.

Retrouver la documentation. Variateur HS, notice introuvable : Gaëtan donne la référence à Claude ou à ChatGPT depuis son téléphone et récupère la documentation technique en PDF. Avant, il fallait taper le code défaut dans Google, ouvrir une notice de 150 pages et chercher au Ctrl+F. L'IA lit le document et ressort directement le passage utile.

Traduire. Dans l'usine de Zack, beaucoup de machines étaient allemandes, avec des schémas en allemand. Il fallait recopier chaque mot dans Google Traduction, avec les fautes de frappe qui faussaient la traduction. Il a pris en photo le schéma d'un variateur et demandé à l'IA de tout traduire : moins de dix minutes pour localiser l'organe défectueux et comprendre le rôle de chaque élément.

Orienter le diagnostic. Sur un variateur piloté par automate, Zack a demandé les causes possibles d'une panne. L'IA a proposé trois pistes : un problème de programmation, une surchauffe, un défaut de communication. Il les a testées avec ce qu'il savait déjà, et la cause était bien logicielle. Une panne qui avait duré tout un poste.

Se former. Gaëtan a poussé son stagiaire à donner ses cours à l'IA et à lui demander de l'interroger avant un contrôle. Zack fait pareil sur des cas de panne : l'IA lui pose des questions sur un contacteur qui a encaissé une surtension, sur le calibre adapté à une nouvelle installation, et il avance question après question.

Gaëtan reste pourtant prudent. Les trois techniciens de son équipe « sont plutôt de la vieille époque » et n'en veulent pas, ce qu'il comprend : ils perdraient plus de temps à l'utiliser qu'à faire sans. Et il voit un autre risque :

« Pour la nouvelle génération, ça va être un outil comme nous on avait une calculette. Et si un jour il y a une grosse panne mondiale sur l'IA, ils risquent d'être impactés sur un dépannage. »

Zack trace la limite de la même façon. Utilisée pour accéder plus vite à la documentation et aux données, l'IA est très utile. Utilisée à la place de son expérience, elle laisse le technicien démuni le jour où elle se trompe sur une panne importante. Demander directement « mon disjoncteur ne fonctionne plus, quel diagnostic je fais ? », c'est sauter l'étape où l'on apprend.

Raconter sa journée plutôt que remplir des cases

En fin de poste, on demande au technicien de passer sur le PC, saisir ses heures, décrire ses interventions, rédiger son diagnostic. C'est souvent là que la donnée de la GMAO se perd.

Zack a contourné le problème à sa façon. En 6 h-14 h / 14 h-22 h, il ne croisait pas toujours son collègue de relève. Il dictait à l'IA un compte rendu de son poste, la laissait le mettre en forme et l'envoyait par SMS. Son collègue faisait la même chose dans l'autre sens. Plus de dix ou quinze minutes perdues à se chercher en début de poste, plus d'informations perdues parce que l'autre a été appelé sur une panne.

On a poussé l'idée plus loin pendant le direct : une IA qui n'enregistre pas seulement ce qu'on dicte, mais qui pose les questions manquantes.

C'est la différence entre raconter sa journée à un collègue, qui n'en profite qu'une fois, et alimenter une base qui servira à la fiabilité, aux méthodes, au magasin et à l'équipe suivante.

Le même historique permet aussi de repérer les compétences qui ne circulent pas. Cédric et Yoann, qui développent une GMAO propulsée par l'IA, m'ont présenté une fonction qui fait exactement ça : elle signale qu'un technicien intervient toujours sur les mêmes machines et qu'un autre n'y a jamais touché. Le jour où le premier est absent, le second part de zéro. La recommandation est contre-intuitive : envoyer le moins expérimenté sur les prochaines pannes de ces machines. Ça prend plus de temps, mais ça répartit le savoir dans l'équipe.

La gestion de version est le dernier usage dont on a parlé. Zack a passé deux heures à régler une dizaine de lames de broyeur, des pièces lourdes à manipuler, à l'écart entre lame et contre-lame indiqué sur la fiche. On lui a dit ensuite que ce n'était pas la bonne valeur. Une IA reliée à la gestion documentaire peut signaler qu'une procédure existe en plusieurs versions et que celle qu'on s'apprête à imprimer n'est pas la dernière, en comparant le contenu et pas seulement le numéro de révision. Elle peut aussi confronter une gamme interne à la documentation constructeur, relever les écarts, puis chercher dans l'historique GMAO s'ils viennent d'un retour d'expérience ou d'une simple erreur de recopie.

Données, sécurité et outils maison

Chez Verallia, Copilot a été déployé avec un cadre de sécurité à l'échelle du groupe et des formations en ligne. Mais Gaëtan n'a reçu aucune consigne sur les autres outils, Claude ou ChatGPT, accessibles sans restriction depuis les PC de travail. Dans une entreprise précédente, le message était au moins clair : ne pas mettre de données d'entreprise dans ChatGPT.

Deux risques méritent d'être nommés.

Le premier est juridique. Les données envoyées à la plupart des IA grand public sont traitées sur des serveurs américains, et le Cloud Act permet aux autorités américaines d'y accéder. Les offres professionnelles hébergées en Europe, comme celle de Microsoft, s'engagent à ne pas stocker les requêtes ni à les réutiliser pour entraîner leurs modèles. C'est ce qui permet d'y envoyer un export CSV de GMAO sans exposer l'entreprise.

Le second est l'ingénierie sociale. Le phishing d'hier, c'était un email générique bourré de fautes. Avec quelques informations qui fuient, le nom du responsable maintenance, des références d'équipements, l'organisation d'un site, une IA peut générer des emails ultra personnalisés, de façon entièrement automatisée.

Le groupe de Gaëtan travaille aussi à rendre Claude accessible, réputé plus performant pour écrire du code. Ce qui soulève une autre question : si chacun peut coder son application, chaque site risque de développer sa petite GMAO, son propre moteur de recherche documentaire, et le groupe paie plusieurs fois le même développement sans jamais le mutualiser.

Gaëtan a fait le choix inverse pour sa GMAO. Le grand outil commun aux gros sites du groupe était trop lourd pour une structure de 45 personnes. Il a repris la GMAO d'une filiale de taille comparable, qui pourra ensuite être déployée sur une autre société du groupe. Il reconnaît pourtant l'intérêt des petits outils générés par IA, pour tester une idée en local sans attendre des mois la validation d'un service informatique déjà débordé.

Stocks entre sites et réemploi : l'IA comme traductrice de nomenclatures

Une panne urgente, la pièce n'est pas en stock, le fournisseur annonce six semaines. Elle est peut-être sur une étagère à 50 km, dans un autre site du groupe. Personne ne le sait, parce que chaque site a codifié ses articles dans son coin, dans sa langue. Dans le groupe où je travaille, entre la France, la Belgique et l'Allemagne, on a sans doute une dizaine de fiches articles pour un même objet physique.

L'IA peut servir d'interprète entre ces nomenclatures. Une jeune entreprise française, née du réemploi du matériel des JO de Paris, travaille là-dessus : rapprocher les références entre sites, traduire les fiches, puis proposer des correspondances du type « tel site a une pièce identique à 97 % à ce que vous cherchez ». Gaëtan les a croisés : ils sont venus présenter leur solution chez Saga Décor, dans un groupe où des lignes ferment et où des machines restent parfois dix ou quinze ans sans servir.

Pas besoin d'attendre un prestataire pour tester le principe. Deux sites qui se parlent déjà peuvent extraire leurs listes de pièces selon les mêmes critères et demander à Copilot de repérer les similitudes. La validation reste humaine. Deux transmetteurs de pression avec la même bride, la même communication, une référence presque identique, mais une étendue de mesure qui s'arrête à 6,5 bar d'un côté quand il en faut 7 de l'autre : est-ce que ça passe le temps de recevoir la bonne pièce ? C'est au technicien de trancher.

Convaincre un technicien réfractaire

Pour Gaëtan, un argument vaut plus que toutes les présentations : un dépannage où l'IA a fait gagner du temps sous les yeux du collègue. « Écoute, on n'a pas la doc, mais j'ai ça à te proposer. » C'est ce qui accroche. Si ça ne suffit pas, on recommence sur un autre cas.

Il observe déjà un premier pas chez ses techniciens : ils ne sortent pas leur téléphone, mais ils lui demandent : « Tu peux pas regarder sur ton téléphone ? La dernière fois tu avais trouvé la doc sur place. » Réticents, mais intéressés.

Zack a convaincu l'ancien de son équipe, peu avant son départ à la retraite, avec la traduction du schéma allemand. « Toujours un peu réticent, mais plus convaincu. » L'effet a été différent avec Alessandro, un autre collègue, qui l'a vu discuter en mode vocal avec l'IA et a vu la machine lui répondre « Bonjour, comment vas-tu ? ». Son verdict : « C'est Terminator. »

Le blocage tient aussi à la page blanche. Face à un chatbot vide, beaucoup ne savent pas quoi écrire. Dans un assistant Copilot, on peut préconfigurer des cas d'usage et un mode questions-réponses : c'est l'IA qui ouvre la conversation (« C'est quoi ton problème ? ») et qui pose les questions jusqu'à cerner le besoin.

Agents, automatisations et IA en local

Gaëtan reconnaît qu'il est « loin de tout gérer avec l'IA ». L'étape suivante, ce sont les agents : des chaînes d'actions où l'IA va chercher des données dans Outlook, les traite et produit un résultat. Il les décrit avec une image d'automaticien : un Grafcet, où chaque étape doit être validée avant de passer à la suivante. Des outils comme n8n permettent de les construire à partir d'un déclencheur : la réception d'un email de telle personne, un message WhatsApp, un fichier déposé dans un dossier OneDrive.

Le frein, c'est le coût et la sécurité : la plupart de ces chaînes passent par des clés API payantes, et leur déploiement en entreprise passe par le service informatique.

L'alternative, c'est le local. Google AI Edge Gallery fait tourner des modèles comme Gemma sur un smartphone, sans connexion. Je l'ai testé en mode avion : il lit une plaque signalétique à partir d'une photo, reconnaît un moteur et traite du texte, sans qu'aucune donnée ne sorte du téléphone. Pour mon mariage, avec des invités qui ne parlaient pas la même langue, j'ai monté avec Claude Code un système de traduction en direct entièrement hors ligne : Whisper pour transcrire l'audio, un modèle Gemma allégé pour traduire.

Appliqué à la maintenance, le principe est simple : un agent local qui travaille la nuit sur les exports et les rapports de la journée, et un résultat prêt le lendemain matin, sans clé API et sans donnée envoyée hors du site.

Qui est responsable quand l'agent décide ?

Tant que l'IA répond à une question, la réponse est simple, et Zack la donne sans hésiter : « La responsabilité nous incombera toujours. » Si un technicien demande à ChatGPT comment consigner une machine et se blesse, on lui reprochera de ne pas avoir appliqué la procédure ni fait appel aux bonnes compétences.

Gaëtan prend l'exemple d'une perceuse à colonne utilisée sans carter : ce n'est pas au fabricant de répondre, il avait prévu la protection. Pas tout à fait, selon moi. La conception des machines impose une appréciation du risque (NF EN ISO 12100) : si la perceuse peut démarrer sans son carter alors qu'elle n'aurait pas dû, c'est l'analyse de risque du fabricant qui est en cause. Si la sécurité a été shuntée, c'est l'utilisateur.

Tout change avec l'IA agentique. Une perceuse ne se met en mouvement que par la volonté de quelqu'un. Un agent enchaîne des dizaines de décisions, plus vite que nous, chacune reposant sur les traitements précédents. J'ai vu un chariot autonome, sans même parler d'IA, accrocher une nacelle dont un technicien n'avait pas remis les roues dans l'axe : la roue était dans l'angle mort du capteur. Plus de peur que de mal, mais la nacelle aurait pu basculer. Avec des robots qui se déplacent librement dans l'usine, ce genre de situation va se multiplier.

Gaëtan rappelle qu'il y aura toujours une analyse des causes et un jugement au regard des règlements. Mais il reconnaît que la voiture autonome brouille déjà les cartes : le propriétaire ne conduit pas. C'est peut-être pour ça, selon lui, que l'Europe ne passe pas à l'autonomie complète.

On a terminé sur un scénario. 2035, chaque équipe a son robot. Avant une intervention sur une machine dangereuse, il te dit : « Zack, t'inquiète, je me suis occupé de la consignation. »

« Je n'ai pas confiance. » (Gaëtan)

Zack non plus. Et les concepteurs d'IA travaillent à rendre ce refus plus difficile : les modèles vocaux imitent déjà la respiration, et j'ai obtenu des soupirs d'agacement de ChatGPT en lui répétant « et après ? ». Un robot qui se vexe quand on vérifie son travail, certains finiront par ne plus vérifier. Aujourd'hui déjà, on accepte qu'un collègue consigne à notre place. Avec un agent, ce sera une autre discussion.

Ce qu'il faut retenir

1. L'IA accélère une méthode, elle n'en remplace pas. Le Pareto en dix minutes et les indicateurs en trente secondes existent parce que Gaëtan a des exports propres, un prompt stable et un objectif précis. Sur une base mal codifiée, elle accélère l'erreur.

2. Les meilleurs cas d'usage sont modestes et immédiats. Retrouver une notice, traduire un schéma, transmettre une relève, interroger sa propre documentation : rien de spectaculaire, mais du temps rendu au terrain chaque jour.

3. La responsabilité suit la décision. Tant que l'IA conseille, c'est le technicien qui décide et qui répond. Le jour où un agent consigne, la question reste ouverte, et personne ne devrait lever ses propres vérifications avant qu'elle soit tranchée.

Pour aller plus loin

Gaëtan est sur LinkedIn et répond volontiers aux questions sur ses outils. Je lui ai proposé de détailler pas à pas sa méthode d'extraction et d'analyse dans un article sur maint.ing : « Pourquoi pas, quand j'aurai un peu de temps. »

Le podcast maintenance revient un samedi sur deux. Prochain épisode : 24 octobre, avec Yoann, indépendant aux multiples casquettes dans le monde de la maintenance.

Inscrivez-vous aux notifications pour être prévenu du prochain direct. Et si vous avez déjà publié sur maint.ing, vous pouvez réserver votre propre créneau de podcast.

Vous avez raté l'épisode 1 avec Florent Lecourt, sur la maintenance en PME et l'atelier de bac pro ? Il est disponible en rediffusion.