De la maintenance prédictive à l'IA agentique : la prochaine étape de la maintenance intelligente

La maintenance prédictive est désormais un élément bien établi de nombreuses stratégies numériques de maintenance. Les données de capteurs, le condition monitoring et les modèles analytiques peuvent identifier des schémas indiquant une dégradation ou un risque accru de défaillance.

Le résultat reste cependant souvent une prédiction, une alerte ou un indicateur de santé. C’est ensuite que commence le travail du professionnel de la maintenance ou de la fiabilité : consulter les données historiques, analyser les causes possibles, examiner la documentation technique, évaluer la criticité de l’actif et déterminer l’intervention appropriée.

C’est précisément dans cette phase qui suit l’analyse que réside le potentiel d’une nouvelle génération d’applications d’IA.

L’IA générative peut résumer des informations, rechercher dans la documentation technique et aider les utilisateurs à interpréter les connaissances disponibles. L’IA agentique y ajoute une capacité d’action orientée vers un objectif.

En principe, un agent IA peut combiner des informations provenant de plusieurs sources, naviguer entre différents systèmes numériques et exécuter une série d’étapes successives afin d’atteindre un objectif prédéfini.

Imaginons qu’un système de condition monitoring détecte un risque accru de défaillance sur un roulement. Un futur système d’IA pourrait non seulement expliquer cette anomalie, mais également consulter l’historique de maintenance et la documentation technique, structurer les causes possibles, tenir compte de la criticité de l’actif et de l’impact sur la production, et préparer les informations nécessaires à la préparation des travaux ou à la planification.

Il s’agit d’une différence fondamentale par rapport à un modèle prédictif isolé. La valeur ne réside plus uniquement dans l’analyse, mais dans le lien entre diagnostic, contexte et action suivante.

Pour les organisations de maintenance, un domaine d’application important réside donc dans la connexion entre les systèmes existants.

Les plateformes de condition monitoring, les systèmes EAM ou CMMS, les systèmes de gestion documentaire, les informations relatives aux pièces de rechange et les données de production contiennent aujourd’hui souvent chacun une partie de l’information nécessaire à une décision de maintenance.

En théorie, l’IA agentique peut rassembler plus rapidement ces informations. Cela peut être particulièrement pertinent dans les processus où les engineers ou planners consacrent aujourd’hui beaucoup de temps à rechercher, vérifier et transférer manuellement des données.

L’impact potentiel ne se limite donc pas à une automatisation accrue. La qualité et la rapidité de la prise de décision peuvent également évoluer.

Pour des KPI tels que le Mean Time to Repair (MTTR), le ratio planned versus unplanned maintenance, le schedule compliance et l’asset availability, le délai entre détection, diagnostic et décision de maintenance exécutable peut devenir particulièrement important. Le fait que l’IA améliore effectivement ces KPI dépend cependant fortement de la qualité du processus de maintenance sous-jacent.

Les possibilités techniques ne changent rien à un principe fondamental de la maintenance et de l’asset management : la qualité des décisions dépend directement de celle des informations disponibles.

Un agent IA qui accède à des données d’actifs incorrectes, à des procédures obsolètes ou à un historique de maintenance incomplet ne corrigera pas automatiquement ces lacunes.

La qualité des données, le master data management, les structures d’actifs et la traçabilité deviennent donc plus importants, et non moins.

Les organisations doivent notamment pouvoir déterminer quelles données constituent une source fiable, quel niveau d’actualité est requis et dans quelle mesure il reste clairement visible sur quelles sources une recommandation ou une action est fondée.

Cet enjeu rejoint les principes plus larges de l’asset management. La norme ISO 55000 souligne notamment l’importance de la prise de décision intégrée, de la création de valeur sur l’ensemble du cycle de vie des actifs et de l’alignement entre actifs, information, risques et objectifs organisationnels. L’IA ne modifie pas ces principes, mais impose de nouvelles exigences à la chaîne d’information numérique sur laquelle ces décisions reposent.

Dans un environnement industriel, l’IA agentique ne signifie pas automatiquement une autonomie complète.

Pour les actifs critiques, et en particulier les actifs safety-critical, il est indispensable de définir à l’avance quels systèmes un agent IA peut consulter, quelles données il peut modifier et quelles actions nécessitent une validation humaine.

Cela crée un nouveau défi en matière de gouvernance. Un système technique peut, par exemple, proposer une intervention ou préparer un ordre de travail, sans pour autant être autorisé à arrêter de manière autonome une installation ou à libérer une intervention de maintenance.

Les autorisations, les règles de validation, la journalisation et le contrôle humain restent donc essentiels.

La responsabilité doit également rester explicite. Lorsqu’un système d’IA collecte des informations ou formule une proposition, l’organisation reste responsable de la manière dont cette proposition est validée et appliquée.

Le développement de l’IA agentique modifie également l’ordre des questions d’investissement.

Une organisation disposant de registres d’actifs incomplets, d’un codage des défaillances peu cohérent ou de processus de travail insuffisamment standardisés ne résoudra pas ces problèmes en ajoutant une couche d’IA supplémentaire.

Ce thème sera explicitement abordé lors d’Asset Performance 2026. Tor Idhammar, Director of Reliability chez Domtar, ouvrira la conférence avec AI for Reliability at Domtar: Hype, Help, or Hard Truths? Son point de départ est familier à de nombreuses organisations industrielles : les technologies avancées créent peu de valeur lorsque les fondamentaux de la maintenance et de la fiabilité sont insuffisamment développés.

Du point de vue de la maturité, cela signifie que l’IA doit être considérée comme un élément d’une architecture plus large de reliability et d’asset management. Les processus, les données, les rôles et les systèmes techniques doivent être suffisamment stables avant que des applications plus autonomes puissent être déployées de manière responsable.

À plus long terme, le débat va encore plus loin.

Le professeur Diego Galar, de Luleå University of Technology et SISTEPLANT, clôturera Asset Performance 2026 avec From Agentic AI to Self-Preserving Assets: Redefining Maintenance and Asset Management.

Le concept de « self-preserving asset » combine notamment la condition-based maintenance, le reliability engineering, les jumeaux numériques et la prise de décision autonome.

Il s’agit aujourd’hui davantage d’une vision d’avenir que d’une description de la pratique industrielle courante. Mais ce concept montre clairement dans quelle direction la discussion évolue : des actifs qui signalent leur état vers des systèmes capables d’interpréter de plus en plus de contexte et d’aider à choisir l’action suivante.

Le professionnel de la maintenance ne disparaît pas pour autant. À mesure que les systèmes numériques offrent davantage d’aide à la décision, l’expertise technique, l’évaluation des risques et la définition claire des responsabilités deviennent au contraire plus importantes.

Une perspective particulière sera apportée pendant la conférence par Dr Stefaan De Mey, Head of the Strategy Team for Human and Robotic Exploration à l’European Space Agency.

Sous le titre Sending Spare Parts to Mars is a Bad Business Case, il abordera les systèmes qui doivent continuer à fonctionner de manière fiable pendant de longues périodes sans accès direct à des pièces de rechange, à des techniciens spécialisés ou à des interventions externes.

Les conditions de l’exploration spatiale sont évidemment très différentes de celles d’un site de production, d’une centrale énergétique ou d’une installation de traitement des eaux. Mais la question sous-jacente d’asset management est reconnaissable : comment concevoir et gérer des actifs critiques lorsque les conséquences d’une défaillance sont difficiles, coûteuses ou parfois impossibles à compenser ?

Cette perspective relie directement l’autonomie à la maintenability, à la reliability, aux risques logistiques et aux performances sur l’ensemble du cycle de vie des actifs.

Pour les organisations de maintenance et d’asset management, la question principale n’est donc pas de savoir à quel point un modèle d’IA est avancé.

Il est plus pertinent d’examiner quelle étape concrète du processus de maintenance est améliorée. L’information technique peut-elle être trouvée plus rapidement et de manière plus fiable ? Le diagnostic est-il mieux soutenu ? La préparation des travaux peut-elle être rendue plus efficace ? Reste-t-il clair sur quelles informations une recommandation repose ? Et les responsabilités et autorisations sont-elles correctement définies ?

L’évaluation de la technologie se déplace ainsi de la fonctionnalité vers la performance du processus et la maîtrise des risques.

Asset Performance 2026, qui se tiendra les 18 et 19 novembre au Flanders Meeting & Convention Center Antwerp, abordera cette évolution sous différents angles. Outre l’IA agentique, le programme couvrira notamment les AI Voice Agents, la maintenance prédictive et prescriptive, l’asset health, l’asset data management, l’EAM, les stratégies de reliability et le data-driven asset management.

L’IA agentique peut constituer une prochaine étape dans la digitalisation de la maintenance : passer de la prédiction des problèmes au soutien des actions qui en découlent.

La possibilité technique de relier plusieurs systèmes et étapes de processus crée en même temps de nouvelles exigences en matière de qualité des données, de gouvernance, d’autorisations et de validation humaine.

Pour les professionnels de la maintenance, de la reliability et de l’asset management, l’enjeu principal n’est donc pas l’autonomie maximale. La question pertinente est de savoir où l’IA contribue de manière démontrable à des décisions mieux étayées, à des actifs plus fiables et à une meilleure maîtrise des risques sur l’ensemble du cycle de vie.