Articles · L'industrie de demain · 05.11.2026 · L'équipe FULLCNC

Maintenance prédictive : pourquoi le gain promis se perd entre le capteur et l'atelier

Des études de cas annoncent 15 à 30 % d'arrêts en moins. Les mêmes travaux rapportent que l'intégration aux systèmes existants ne réussit que dans 45 à 65 % des cas.

Une revue systématique publiée en janvier 2026 dans Frontiers in Mechanical Engineering a passé dix ans de recherche au crible. Côté promesse, des études de cas dans l'industrie rapportent 15 à 30 % d'arrêts en moins. Ce sont des fourchettes tirées de cas précis, pas une moyenne.

Là où ça casse

La même revue cite un taux de réussite de 45 à 65 % pour l'intégration aux systèmes existants, sans définir ce qu'on appelle réussite. Le retour sur investissement varie de 12 à 36 mois selon des enquêtes sectorielles. Les obstacles sont connus : données manquantes, capteurs bruités, rareté des exemples de pannes annotés, modèles vus comme des boîtes noires, compétences qui manquent.

Le scénario se répète ailleurs. Dans le rapport Adesso publié en juin par ICTjournal, près de deux tiers des projets d'IA sont abandonnés après la phase pilote. L'enquête porte sur 100 dirigeants, pas sur l'industrie seule. Eurostat donne une clé : parmi les entreprises de l'UE qui ont envisagé l'IA sans l'adopter, 71 % citent le manque de compétences, et 21 % seulement doutent de son utilité. Le frein n'est donc pas surtout l'incrédulité, c'est la capacité à faire.

Le contrôle qualité : fort sur l'aspect, moins sur la cote

Les grands groupes avancent. ING rapporte que BMW a créé plus de 800 000 images de synthèse pour entraîner ses modèles de vision, ce qui a réduit de plus des deux tiers le temps de mise au point. Un atelier de précision n'a pas ces moyens, ni autant de défauts à montrer.

Les fournisseurs eux-mêmes tracent la frontière. Un éditeur conseille la vision classique pour les cotes, les positions et la présence d'une pièce, et l'apprentissage profond pour les défauts d'aspect, de surface ou de texture. Il parle de 500 à 5000 images annotées par type de défaut : un chiffre de vendeur, non sourcé. Un autre fabricant recommande un taux de faux rejets d'au plus 1 %, mesuré sur tes pièces et non sur ses données. Il a raison sur un point : chaque bonne pièce rejetée coûte du débit et de la confiance.

Et en Suisse ?

Selon UBS et Intervista, six entreprises suisses sur dix utilisent l'IA, mais peu l'intègrent systématiquement dans leurs processus. Nous n'avons trouvé aucun chiffre suisse fiable sur la maintenance prédictive en usinage. La question reste ouverte.

Ce que ça change pour toi

Commence par le moins glamour : note chaque panne avec la date, la machine, le symptôme et la cause. Sans cet historique, un modèle n'a rien à apprendre. Choisis ensuite une seule machine dont l'arrêt te coûte cher. Demande au vendeur combien de fausses alertes il prévoit, et qui les traitera. Pour une caméra, exige un essai sur tes pièces limites. Ces conseils sont les nôtres. Le régleur reste celui qui dit si l'alerte est sérieuse.

LinkedIn WhatsApp

Sources

Comment on travaille