GMAO et IA : quels usages concrets en maintenance ?

Il est 5 h 42, un transpalette refuse de démarrer, et le technicien qui prend l’astreinte n’a ni le temps de relire trois ans de bons de travail ni celui de tout retaper avant la fin de son poste.

L’intelligence artificielle appliquée à la GMAO regroupe des fonctions qui lisent, classent, résument et anticipent à partir des données de maintenance : dictée de comptes rendus, aide au diagnostic, tri des demandes, détection d’anomalies, prévision de besoins. Elle assiste le technicien et le responsable. Elle ne remplace ni leur jugement ni la qualité des données.

Le sujet est saturé de promesses. Entre le discours « votre usine se pilote toute seule » et le scepticisme de ceux qui ont déjà vu passer trois modes technologiques, il existe un terrain plus utile : une poignée d’usages concrets, accessibles dès aujourd’hui, qui retirent de la friction dans le travail quotidien.

Cet article passe en revue ces usages côté terrain puis côté pilotage, explique pourquoi ils échouent sur des données médiocres, trace la ligne que l’IA ne doit pas franchir, et propose une méthode de pilote réaliste. Les capteurs et la prédiction ont déjà leur article dédié sur la chaîne alerte-diagnostic-intervention : nous nous concentrons ici sur ce que l’IA change dans la GMAO elle-même.

1. Qu’appelle-t-on « IA » dans une GMAO, et qu’est-ce qui relève du marketing ?

Sous le terme « IA », une GMAO peut embarquer quatre familles de technologies très différentes, et seules certaines sont mûres pour le terrain.

1.1 Les quatre familles à distinguer

• L’apprentissage automatique sur données structurées : il repère des régularités dans les dates, les durées, les compteurs et les causes de panne. C’est la base de la détection d’anomalies et des prévisions de consommation de pièces.
• Le traitement du langage : il classe et résume les textes libres (descriptions de pannes, comptes rendus) et sait en extraire des mots-clés exploitables.
• Les assistants conversationnels : adossés à vos documents et à votre historique, ils répondent en langage naturel à une question du type « qu’a-t-on déjà fait sur cette pompe ? ».
• L’analyse de signaux et d’images : vibrations, température, photos d’équipement. Elle relève souvent du capteur ou de la caméra, qui alimentent ensuite la GMAO. C’est le cas d’un capteur de vibration et de température à IA embarquée relié à la GMAO.

1.2 Comment trier le réel du promotionnel ?

Un test simple : demandez à quelle étape précise du travail de maintenance la fonction intervient, et ce qu’elle remplace comme geste. « Optimise votre maintenance » ne répond à rien. « Transforme un message vocal en bon de travail pré-rempli » répond à tout. Une fonction IA utile se décrit en une phrase, avec un verbe d’action et un utilisateur identifié. Si l’éditeur n’y parvient pas, la fonction relève de la vitrine.

2. Quels usages concrets pour le technicien de terrain ?

Pour le technicien, l’IA vaut surtout lorsqu’elle l’aide à diagnostiquer plus vite et à trouver la bonne information au bon moment. Les usages ci-dessous portent sur le diagnostic et la consultation. Pour la question de la saisie et de l’adhésion des équipes, voir plutôt l’article sur le paramétrage de la GMAO pour favoriser l’adoption.

2.1 Résumer l’historique avant d’ouvrir le capot

Devant une machine en panne, personne ne relit vingt bons de travail. Un résumé généré de l’historique répond en quelques lignes : dernières interventions, pièces changées, défaut récurrent, observation d’un collègue. Le technicien arrive sur la panne avec le contexte, pas avec une page blanche. Cet usage correspond à ce que décrit l’évolution du métier de technicien : un diagnostic fondé sur l’historique de l’équipement plutôt que sur la mémoire de celui qui était de service ce jour-là.

2.2 Interroger la documentation technique

Les notices, schémas et procédures dorment souvent dans des classeurs ou des dossiers partagés. Un assistant branché sur ces documents répond à une question précise (« quel couple de serrage sur cet accouplement ? ») en citant la page source. La citation est non négociable : le technicien doit pouvoir vérifier, car un assistant peut produire une réponse plausible mais fausse, notamment sur une référence de pièce ou une valeur numérique.

2.3 Traduire pour les équipes multilingues

Sur un site avec des intérimaires, des sous-traitants ou plusieurs pays, la traduction automatique d’une consigne ou d’un compte rendu évite les contresens. Ce n’est pas spectaculaire, mais c’est l’un des usages les plus sûrs : le technicien lit la consigne dans sa langue et le risque d’erreur est faible et visible.

2.4 Un garde-fou : le terrain n’a pas toujours du réseau

En carrière ou sur une zone de stockage étendue, la couverture réseau disparaît sur les terrains irréguliers. Un usage IA qui exige une connexion permanente n’aide pas celui qui travaille au fond d’une fosse. Prévoyez que le cœur du travail (réception, saisie, clôture) fonctionne hors ligne, comme dans une version mobile utilisable en ligne ou hors ligne, et que les fonctions d’assistance s’ajoutent quand le réseau revient.

3. Quels usages concrets pour le responsable maintenance ?

Pour le responsable, l’IA est utile quand elle transforme un volume de données en priorités lisibles, avant la réunion et non après.

3.1 Trier et prioriser les demandes d’intervention

Lundi matin, la file de demandes déborde : une fuite, un éclairage, un convoyeur qui chauffe, une porte de quai bloquée. Une IA peut suggérer la catégorie, l’équipement concerné, la criticité probable et le bon corps de métier à partir du texte libre de l’opérateur. Le responsable ne perd plus vingt minutes à requalifier chaque demande. Il garde la main : la suggestion se corrige en un clic, et ces corrections peuvent servir à affiner les suggestions suivantes selon l’outil.

3.2 Repérer les dérives avant qu’elles ne s’installent

Un équipement dont la durée moyenne de réparation s’allonge, un site dont le ratio de correctif remonte, une famille de pièces dont la consommation s’emballe : ce sont des signaux faibles que l’œil humain voit tard dans un tableur. La détection automatique d’anomalies sur les données de la GMAO les fait remonter tôt. Cela ne remplace pas la lecture des indicateurs, comme le ratio préventif-correctif, mais attire l’attention là où elle manquait.

3.3 Réajuster le plan préventif avec des faits

Les fréquences d’un plan préventif sont souvent héritées : « on a toujours fait tous les trois mois ». Croiser les pannes réellement survenues, les anomalies constatées pendant les visites et les opérations sans objet permet de proposer des ajustements : alléger une gamme qui ne trouve jamais rien, renforcer celle qui laisse passer des défauts. Rappel de terrain utile : le module préventif d’une GMAO est très souvent sous-exploité, et ses paramétrages avancés rarement activés. L’IA n’y changera rien si le socle n’est pas en place. Elle vient ensuite le nourrir en suggestions, que vous validez à la lumière de votre grille AMDEC.

3.4 Anticiper les besoins en pièces

Les modèles de prévision de consommation, appliqués aux sorties de stock et aux plans préventifs à venir, aident à ajuster les seuils de réapprovisionnement. Le résultat reste dépendant de la criticité des pièces de rechange : une pièce banale peut se prévoir par statistique, une pièce rare et critique se décide selon le risque, pas selon la moyenne.

3.5 Préparer les revues et les arbitrages

Rédiger la synthèse mensuelle, expliquer un écart budgétaire, préparer une revue de direction : un assistant produit un premier jet en langage naturel à partir des indicateurs de la période. Le responsable relit, corrige, ajoute le contexte que seule l’équipe connaît. Le texte gagne en vitesse, jamais en autorité : il reste signé par un humain qui en répond.

4. Pourquoi la qualité des données décide-t-elle de tout ?

Une IA appliquée à des données fausses produit des conclusions fausses, et la présentation fluide et assurée de ses réponses peut les rendre plus difficiles à repérer. Le sujet de la fiabilité des registres est déjà traité dans l’article sur la maintenance des dispositifs médicaux en établissement de santé. Ici, on se concentre sur ce que l’IA exige en particulier.

4.1 Ce que l’IA fait de vos défauts de saisie

Chaque fonction amplifie un défaut précis. Un résumé d’historique reformule fidèlement des descriptions vagues. Une détection d’anomalies traite comme un signal ce qui n’est qu’un doublon d’équipement. Une suggestion de plan préventif s’appuie sur des pannes mal qualifiées. Plus la fonction paraît intelligente, moins l’utilisateur soupçonne la source.

4.2 Les trois chantiers à ouvrir avant tout projet IA

1. La codification des défaillances. Une liste courte et claire de symptômes, de causes et d’actions remplace les descriptions du type « HS » ou « revu ». Quinze codes bien choisis valent mieux que cent codes que personne n’utilise.
2. L’arborescence des équipements. Si le même convoyeur existe sous trois noms, l’historique est éclaté. Un historique qui n’est pas rattaché au bon actif n’apprend rien à personne.
3. La clôture des bons de travail. Date réelle, temps passé, pièces consommées : trois champs qui conditionnent l’ensemble des calculs.

4.3 Un test avant de commencer

Prenez dix équipements critiques. Pour chacun, relisez les cinq derniers bons de travail clôturés. Pouvez-vous dire en une minute ce qui s’est passé, pourquoi et avec quelles pièces ? Si la réponse est non pour la moitié d’entre eux, votre premier projet n’est pas un projet IA : c’est un chantier de qualité de saisie, et l’IA peut l’aider, pas le contourner.

5. Où l’IA doit-elle s’arrêter ?

L’IA propose, le professionnel décide, surtout quand une erreur touche la sécurité des personnes, l’environnement ou la conformité.

5.1 Les zones à décision humaine obligatoire

• La validation d’une intervention sur un équipement de sécurité ou d’un dispositif à risque.
• La modification d’une fréquence de contrôle réglementaire.
• La clôture d’un constat d’inspection ou la levée d’une consigne.
• Le report d’une opération jugée critique.

Dans un site classé, le suivi des MMR dans la GMAO repose sur des critères de performance (efficacité, adéquation à la cinétique, testabilité, maintenabilité) qu’un algorithme ne peut pas arbitrer seul. De même, le suivi réglementaire des installations sur dix ans exige de ne rien perdre entre les inspections périodiques successives : l’IA peut aider à relire les constats, pas à décider de leur suite.

5.2 Les trois règles de prudence

1. Toute suggestion est identifiée comme telle dans l’outil, distincte d’une donnée validée.
2. Toute décision garde un auteur humain et reste tracée : qui a validé, quand, sur quelle base.
3. Toute réponse chiffrée ou technique est sourcée : lien vers le bon de travail, la notice ou l’indicateur d’origine.

Ces règles protègent aussi les équipes : un technicien qui a peur d’être surveillé par une IA rejettera l’outil. Il faut donc dire clairement que l’IA sert la fiabilité des équipements, pas la surveillance des personnes.

6. Comment lancer un premier pilote sans s’épuiser ?

Un bon pilote IA en maintenance tient en un usage, un périmètre, un indicateur de départ et une date de revue.

6.1 Choisir l’usage selon la douleur, pas selon la mode

Posez trois questions à votre équipe : qu’est-ce qui vous fait perdre du temps à chaque intervention ? Qu’est-ce que vous cherchez sans cesse ? Qu’est-ce que vous retapez ? Les réponses désignent presque toujours la saisie, la recherche dans l’historique ou la documentation. Ce sont aussi les usages à plus faible risque.

6.2 Un scénario de calcul pour juger l’intérêt

Prenons une équipe de huit techniciens, chacun clôturant en moyenne quinze bons de travail par semaine. Si la dictée fait gagner cinq minutes par bon, cela représente soixante-quinze minutes par technicien et par semaine, soit dix heures pour l’équipe. Ces chiffres sont un exemple à remplacer par vos mesures : chronométrez dix clôtures avant et après, sur un échantillon représentatif. Le but n’est pas de promettre un gain, c’est de vérifier le vôtre.

6.3 Embarquer les techniciens dès la première semaine

Choisissez deux ou trois techniciens volontaires, de profils différents (un ancien, un récent, un sceptique assumé). Faites-leur tester sur un périmètre limité pendant quelques semaines, recueillez leurs critiques, corrigez. Un outil qu’ils ont contribué à façonner a bien plus de chances d’être utilisé. Après le pilote, la décision est binaire : on généralise, on ajuste ou on arrête. L’arrêt est un résultat légitime.

6.4 Compter sur un socle ouvert

Les usages IA les plus intéressants croisent la GMAO avec d’autres sources : ERP pour les achats, capteurs, documentation. Une GMAO qui expose des interfaces et API vous évite de rester prisonnier d’une seule brique. Chez Altair Enterprise, l’architecture Full Web et la modularité permettent d’avancer étape par étape, du premier équipement au multi-sites, ce qui convient bien à une démarche de pilote progressif.

7. Quelles questions poser à un éditeur qui promet de l’IA ?

Une promesse d’IA se juge à la précision des réponses sur l’usage terrain, pas à l’enthousiasme de la démonstration.

• Que se passe-t-il sans réseau ? La saisie, la clôture et la consultation d’historique restent-elles disponibles ? Une carrière ou un site isolé ne peut pas dépendre d’une connexion permanente.
• Peut-on voir d’où vient une réponse ? Chaque résumé, chaque suggestion doit renvoyer à ses sources dans la GMAO. Une réponse sans source est invérifiable.
• Peut-on désactiver une fonction ? Un administrateur doit pouvoir activer, limiter ou couper un usage par profil, pour tenir compte des contraintes de chaque équipe.
• Comment l’outil apprend-il de nos corrections ? Quand le responsable corrige une catégorie ou un diagnostic, cette correction doit servir, sans exiger un projet de paramétrage à chaque fois.
• Sur quoi mesurer le résultat ? Demandez un indicateur simple et vérifiable : temps de clôture d’un bon de travail, délai de qualification d’une demande, taux de bons complets.

Un éditeur sérieux répond précisément, y compris pour dire ce que son outil ne fait pas encore. Méfiez-vous de celui qui promet de tout faire sans vous demander l’état de vos données.

Questions fréquentes

Une petite équipe de cinq techniciens a-t-elle intérêt à s’intéresser à l’IA en GMAO ?

Oui, car le temps administratif pèse proportionnellement lourd dans une petite équipe. Pas besoin de projet lourd : commencez par un seul usage à faible risque, comme la dictée des comptes rendus ou la recherche dans l’historique. Si l’équipe gagne quelques minutes par intervention, l’effet se mesure rapidement sur le volume d’interventions, sans investissement dans des capteurs ni dans un data scientist.

Peut-on coller ses bons de travail dans un assistant IA grand public pour gagner du temps ?

C’est déconseillé. Un bon de travail contient des références d’équipements, des noms de sites, parfois des informations de sécurité. Les envoyer vers un service grand public sort ces données de votre périmètre de contrôle. Passez par votre DSI ou votre éditeur pour définir un cadre : quels outils sont autorisés, quelles données peuvent y entrer, et qui valide l’usage.

L’IA peut-elle aider à rédiger un cahier des charges de GMAO ?

Oui, comme assistant de rédaction. Elle structure vos besoins, propose une trame de critères et reformule des exigences floues. Elle ne connaît pas vos contraintes de terrain : c’est vous qui ajoutez les cas réels, comme les zones sans réseau, les audits à passer ou les profils d’utilisateurs. Gardez-la pour le premier jet, jamais pour la décision de choix.

Faut-il désigner un référent IA dans le service maintenance ?

Un référent aide beaucoup, à condition de ne pas en faire un poste à part. Le profil idéal est un technicien senior ou un planificateur qui connaît le terrain, l’arborescence et la codification. Son rôle : recueillir les retours des collègues, repérer les réponses erronées de l’outil et proposer des ajustements. Quelques heures par semaine suffisent au démarrage.

Conclusion

L’IA en GMAO n’est ni une révolution à attendre ni un gadget à ignorer. Elle donne au technicien du temps et du contexte, au responsable des signaux et des priorités. Elle exige en retour des données honnêtes, des garde-fous clairs et des équipes associées dès le départ.

Le plus utile à retenir : commencez par la saisie et l’historique, mesurez avant et après, et gardez la décision humaine là où le risque est réel. Si vous voulez voir comment une GMAO Full Web, mobile et paramétrable s’intègre à cette démarche progressive, vous pouvez obtenir une démo avec l’équipe d’Altair Enterprise.