Maintenance prédictive par IA en PME : par où commencer, quel ROI

Ce qu'il faut retenir

• Commencez par deux ou trois machines, pas par l'usine : celles dont l'arrêt bloque la production et dont la panne s'annonce (roulements, désalignement, encrassement).
• Un historique de pannes n'est pas nécessaire pour démarrer. Des seuils statiques, puis un modèle d'anomalies qui apprend le fonctionnement normal, suffisent. Prédire une durée de vie restante exige des pannes documentées, qu'une PME a rarement.
• La valeur passe par la GMAO : l'alerte doit y créer une demande d'intervention. La maintenance prédictive se branche en surcouche ; elle ne remplace ni la GMAO ni l'ERP.
• Le ROI se calcule à partir des arrêts évités : heures évitées × coût horaire de l'arrêt, plus les réparations lourdes évitées, moins les coûts annuels.
• Les gains publiés se vérifient mal. Une enquête du NIST (71 établissements américains, données 2016) associe un recours plus fort au prédictif à 15 % d'arrêts en moins : une corrélation que l'institut juge lui-même anecdotique.

Maintenance prédictive IA : de quoi parle-t-on exactement ?

La maintenance prédictive par IA consiste à surveiller l'état d'une machine en continu, avec des capteurs, et à déclencher une intervention quand les mesures annoncent une dégradation, avant la panne. Elle se place entre le correctif, où l'on répare après la casse, et le préventif systématique, où l'on change une pièce à date fixe, usée ou non.

Le NIST, l'institut national américain des normes et de la technologie, la définit largement : une stratégie qui déclenche la maintenance à partir de mesures de fiabilité ou d'état. La maintenance conditionnelle en fait partie, avec ou sans IA. En France, le vocabulaire de référence est celui de la norme NF EN 13306 (2017), consacrée à la terminologie de la maintenance.

Ce que l'intelligence artificielle ajoute à la maintenance prédictive est précis : elle croise plusieurs signaux (vibration, courant, température, cadence) au lieu de surveiller chacun contre un seuil, et elle apprend le fonctionnement normal d'une machine donnée. Sans capteur bien placé, elle n'a rien à prédire.

IA et maintenance : le prédictif n'est qu'un usage

Associé à la GMAO, un assistant d'IA peut aussi retrouver les interventions semblables à une panne en cours, résumer des bons de travaux ou chercher la bonne page dans la documentation du constructeur. C'est une base de connaissance interrogée en langage naturel, sans capteur, qui transmet le savoir des techniciens expérimentés.

Par où commencer : quelles machines équiper en premier ?

Quatre critères trient votre parc.

1. L'arrêt bloque la production. Si la machine est un goulot, ou si aucun stock tampon ne couvre sa panne, chaque heure perdue l'est pour toute la ligne. Le taux de disponibilité, l'un des trois facteurs du TRS, montre où se concentrent les arrêts.
2. La panne s'annonce. Roulements, désalignement, balourd, usure d'un réducteur, encrassement d'un filtre : ces dégradations progressent pendant des jours ou des semaines et laissent une trace mesurable. Une carte électronique qui grille n'en laisse en général pas.
3. La réparation en urgence coûte cher : pièce longue à obtenir, dommages collatéraux, sous-traitant en astreinte.
4. La panne revient. Plusieurs interventions curatives sur le même organe dans la GMAO, c'est à la fois un cas et un début d'historique.

Une AMDEC fait ce tri proprement. Associez-y vos techniciens : ceux qui entendent une machine « chauffer » avant qu'elle lâche détiennent la première donnée du projet, souvent écrite nulle part. À l'inverse, laissez de côté les équipements bon marché et doublés : les faire tourner jusqu'à la panne reste moins cher.

Quels capteurs pour une maintenance prédictive ?

Commencer par les données qui existent déjà

Avant d'acheter un capteur, inventoriez ce que vos machines mesurent déjà : automates et variateurs connaissent souvent le courant moteur, les températures, les pressions, les cycles et les codes défaut, lisibles sur les équipements récents par OPC UA ou MTConnect. Exemple sur les machines-outils dans notre article sur l'IA dans la mécanique.

Ajouter les capteurs qui voient venir la panne

Pour les organes tournants, trois mesures couvrent l'essentiel :

• La vibration, par des accéléromètres posés près des paliers : la mesure la plus parlante pour les roulements, le balourd et le désalignement. La fréquence d'échantillonnage doit dépasser le double de la plus haute fréquence à surveiller, soit souvent des milliers de mesures par seconde.
• Le courant moteur, par des pinces ampèremétriques : il trahit une surcharge ou un frottement sans toucher à la machine.
• La température des paliers ou des enroulements : elle évolue lentement, un relevé espacé suffit.

S'y ajoutent selon les cas la pression différentielle sur un filtre, le débit ou une analyse d'huile. L'horodatage compte autant que la mesure : si capteurs, automate et GMAO n'ont pas la même heure, impossible de relier une dérive à une intervention.

Machines neuves : ce que le Data Act vous permet d'exiger

Le Data Act, règlement (UE) 2023/2854, s'applique depuis le 12 septembre 2025. Avant l'achat, la location ou le crédit-bail d'une machine connectée, le vendeur doit vous indiquer quelles données elle peut générer (type, format, volume estimé) et comment y accéder (article 3, paragraphe 2). Si vous n'y accédez pas directement, le détenteur des données doit vous fournir celles qu'il obtient sans effort disproportionné, sur simple demande, sans frais, dans un format structuré et lisible par machine (article 4). Exception, sous conditions : les machines fabriquées ou conçues par une micro ou petite entreprise (article 7).

Posez donc la question dans vos appels d'offres, et refusez des données lisibles seulement dans le portail du constructeur : voir notre article sur le Data Act et les produits connectés. Où ces données sont stockées relève de la souveraineté : un modèle d'anomalies peut tourner sur un serveur installé dans l'usine.

Combien d'historique de pannes faut-il ?

Tout dépend de ce que vous attendez. Trois niveaux se succèdent, et le premier ne demande aucun historique.

Seuils statiques : le point de départ

Pour les vibrations, la norme ISO 20816-3 (2022) donne des critères d'évaluation indicatifs pour les machines industrielles de plus de 15 kW tournant entre 120 et 30 000 tours par minute. Elle couvre notamment les moteurs électriques à accouplement flexible, les compresseurs rotatifs et les convoyeurs. Elle exclut les pompes rotodynamiques, qui relèvent de l'ISO 10816-7, et les compresseurs à vis : pour ces derniers, partez des valeurs du constructeur. Elle juge le niveau vibratoire global, pas l'état d'un roulement ou d'un engrenage. Ces seuils ne coûtent presque rien et servent de base de comparaison à tout modèle plus élaboré.

Modèle d'anomalies : apprendre le fonctionnement normal

Un modèle d'anomalies apprend la relation entre les signaux quand la machine va bien : à telle cadence, avec telle matière, tel courant et telle vibration sont normaux. Il signale ensuite les écarts, même quand chaque mesure reste sous son seuil. Il n'a besoin d'aucune panne passée, mais d'une période d'apprentissage qui couvre changements de série, démarrages à froid et saisons. Trop courte, et le premier changement de production déclenche une alerte.

Prédiction de panne : quand l'historique le permet

Estimer une durée de vie restante suppose d'avoir vu des dégradations aller jusqu'à la panne, plusieurs fois par mode de défaillance. Dans une PME bien maintenue, ces exemples sont rares, justement parce que les techniciens interviennent avant la casse : ce niveau se construit avec le temps.

Les bons de travaux de votre GMAO sont la source naturelle de cet historique, mais souvent incomplets : texte libre, date de clôture au lieu de la date de panne, organe non précisé. Nettoyez-les, et imposez pour la suite deux champs : « cause constatée » et « alerte confirmée ou non ».

Comment brancher la maintenance prédictive sur votre GMAO ?

Le circuit d'une alerte

Un modèle qui alerte par courriel finit souvent ignoré. Le circuit utile tient en cinq étapes :

1. Le modèle détecte une dérive et la qualifie : machine, organe, signal en cause, urgence.
2. Une demande d'intervention est créée dans la GMAO, avec la courbe qui l'a déclenchée : le technicien n'ouvre pas un outil de plus.
3. L'intervention est planifiée dans une fenêtre d'arrêt, en accord avec le plan de production tenu dans la GPAO.
4. Le technicien saisit ce qu'il a constaté : défaut confirmé, fausse alerte, autre cause.
5. Ce retour réentraîne le modèle et ajuste les seuils. Sans lui, les fausses alertes ne diminuent pas.

Si la ligne doit réagir tout de suite, l'alerte peut aussi passer par un andon numérique.

Logiciel de maintenance prédictive : plateforme du marché ou surcouche sur mesure ?

Une plateforme du marché apporte ses capteurs, ses modèles et ses tableaux de bord, mais ajoute souvent une interface et garde vos données dans son format. Une surcouche sur mesure relie vos capteurs, un modèle d'anomalies et votre GMAO existante, sans rien remplacer. Le choix suit la logique de notre article SaaS ou sur mesure. Dans les deux cas, exigez l'export des données brutes et de l'historique des alertes, un accès documenté à la GMAO (API ou import), et la propriété des modèles entraînés sur vos machines : sans cela, changer de solution revient à repartir de zéro.

Ne confiez pas l'arrêt de sécurité au modèle

On lit parfois que la détection peut « arrêter automatiquement la ligne ». Si cet arrêt sert à protéger des personnes, le modèle assure une fonction de sécurité. Le règlement Machines (UE) 2023/1230, applicable le 20 janvier 2027, range les composants de sécurité au comportement auto-évolutif, fondés sur l'apprentissage automatique, à son annexe I, partie A : leur mise sur le marché passe par un organisme notifié (article 25). À l'inverse, l'AI Act, modifié en juillet 2026, ne tient pas pour composant de sécurité une IA qui sert seulement à optimiser ou automatiser, sauf si sa défaillance met en danger la santé et la sécurité (article 6, paragraphes 1 bis et 1 ter). Laissez donc au modèle le rôle de recommander une intervention, et la sécurité à la chaîne certifiée de la machine. Voir notre article sur le règlement Machines.

Quel ROI peut-on attendre sur la maintenance prédictive ?

Ce que disent les études publiées

Les pourcentages qui circulent (« 30 à 50 % d'arrêts en moins ») citent rarement leur méthode : nous avons retiré ceux que nous ne pouvions pas sourcer.

L'étude la plus transparente que nous ayons lue est celle du NIST (juin 2020) : 71 réponses exploitables d'établissements industriels américains, dont 61 de moins de 250 salariés, sur des données 2016. Parmi ceux qui font moins de 50 % de correctif, la moitié la plus tournée vers le prédictif est associée à 15 % d'arrêts en moins et à un taux de défauts inférieur de 87 %.

Quatre réserves : l'échantillon est petit et américain ; le NIST parle d'association, non de causalité ; il juge lui-même ces comparaisons anecdotiques, certaines n'étant pas statistiquement significatives ; et son « prédictif » inclut la maintenance conditionnelle sans IA. Votre calcul doit partir de vos propres arrêts.

Calculer le ROI à partir des arrêts évités

Gain net annuel = heures d'arrêt évitées × coût horaire d'arrêt + réparations lourdes évitées − coût des fausses alertes − coûts de fonctionnement

Le délai de retour se lit en divisant l'investissement par ce gain net. Deux termes demandent du soin.

• Le coût horaire d'arrêt additionne la marge perdue sur la production non rattrapable, les opérateurs immobilisés, les heures supplémentaires de rattrapage, les pénalités de retard et le rebut au redémarrage. Si un stock tampon absorbe l'arrêt, il tombe presque à zéro.
• Les arrêts évités sont seulement ceux dont le mode de défaillance est détectable et que le système voit assez tôt.

Relevez votre point de départ avant d'installer quoi que ce soit : arrêts non planifiés sur douze mois, durée de réparation, coût des interventions (méthode générale : ROI de l'IA en PME).

Un exemple chiffré

Exemple illustratif : un câblier dont la ligne d'extrusion de gaines est le goulot de l'usine. Hypothèses, à remplacer par les vôtres : trois pannes par an sur le moteur principal et son réducteur, 12 heures d'arrêt chacune, 1 500 € par heure d'arrêt, 18 000 € par réparation en urgence contre 6 000 € pour une intervention planifiée de 4 heures. Le système voit venir deux pannes sur trois et émet dix fausses alertes par an (2 heures de vérification à 50 € de l'heure). Investissement : 40 000 € (capteurs, pose, connecteur GMAO, modèle). Fonctionnement : 6 000 € par an.

L'investissement est remboursé en un peu moins d'un an, mais le résultat est fragile. Si le système ne voit qu'une panne sur trois, le gain net tombe à 17 000 € et le retour à environ 28 mois. Si un stock tampon absorbe les 12 heures, la première ligne disparaît : 17 000 € aussi. Avec une seule panne par an, vue deux fois sur trois, le gain net tombe à 9 000 € et le retour dépasse quatre ans.

Financements : diagnostic cofinancé et suramortissement en projet

Le choix des machines et le calcul du gain se font avant tout achat, dans un diagnostic IA. Pour les entreprises industrielles de moins de 250 salariés situées dans un département couvert, le dispositif Clic&Tech de l'OPCO 2i le finance à 100 %.

Le projet de loi de finances pour 2027, déposé le 1er octobre 2026, prévoit à son article 9 un suramortissement pour les PME et les ETI. Il viserait les « logiciels utilisés pour des opérations de conception, de fabrication, de transformation ou de maintenance » et les « capteurs physiques collectant des données sur le site de production », acquis neufs de 2027 à 2029, inscrits à l'actif et affectés à une activité industrielle. Au 16 octobre 2026, ce n'est qu'un projet. Deux réserves : un abonnement, non inscrit à l'actif, paraît exclu ; et la doctrine fiscale du dispositif de 2019 écartait les capteurs servant à la maintenance, ce que le nouveau texte ne corrige pas explicitement. Voir notre article sur le suramortissement 4.0 du PLF 2027.

Quels sont les pièges classiques d'un projet de maintenance prédictive ?

• Le pilote sans fin. Sans point de départ chiffré ni critère de succès fixé à l'avance (par exemple, deux dégradations réelles vues à temps en six mois), il dure faute de pouvoir conclure.
• Trop d'alertes. Un système qui alerte chaque jour est vite coupé : mieux vaut peu d'alertes fiables, puis élargir.
• Des données sans contexte. Une vibration sans la cadence ni la référence produite ne s'interprète pas : reliez les signaux au suivi de production ou au MES.
• Oublier les techniciens. La maintenance prédictive prolonge leur savoir et aide à tenir le parc quand le recrutement est difficile.

Et le contrôle qualité par vision, l'ordonnancement ?

Le contrôle qualité par vision demande des images de pièces bonnes et défectueuses et un éclairage maîtrisé, pas des capteurs de vibration ; exemple dans notre article sur l'IA dans le textile. L'ordonnancement rejoint la maintenance quand une intervention doit trouver sa place dans le planning : voir les logiciels d'ordonnancement (APS) pour PMI.

Quel impact concret pour les PME et ETI industrielles ?

La maintenance prédictive dans l'industrie n'est plus réservée aux grands groupes : une PME peut l'aborder machine par machine. Nous recommandons cet ordre : choisir les machines et relever le point de départ, poser des seuils statiques, brancher les alertes sur la GMAO, ajouter un modèle d'anomalies, puis mesurer après six à douze mois avant d'étendre aux machines suivantes.

Le connecteur entre capteurs, modèle et GMAO est une application métier à part entière. Avec notre méthode AI-First Delivery, l'IA écrit le code, nos ingénieurs le relisent et le valident, et l'application est en production en 4 semaines, à partir de 20 000 € HT ; le code vous appartient, les capteurs et leur pose s'ajoutent à ce budget. Notre page IA et industrie présente les autres cas d'usage industriels.

Les limites de la maintenance prédictive

Elle ne voit pas les défaillances soudaines, celles de l'électronique notamment. Elle demande de l'entretien : un changement de moteur, de réglage ou de matière modifie le « normal » et impose de réentraîner le modèle. Son intérêt dépend presque entièrement du coût d'arrêt et de la fréquence des pannes : seul votre relevé d'arrêts, avant et après, prouvera un gain.

Conclusion : la maintenance prédictive se joue avant et après le modèle

Le modèle compte moins que ce qui l'entoure : deux ou trois machines où l'arrêt coûte vraiment, des capteurs bien placés, et une alerte qui arrive dans la GMAO avec le retour du technicien.

Une PME n'a pas besoin d'un historique de pannes pour commencer, mais d'un point de départ chiffré et d'un calcul honnête des arrêts évitables : c'est lui, plus qu'une promesse de pourcentage, qui dira s'il faut instrumenter la machine suivante.

Lire aussi : IA en chimie et plasturgie : 5 cas d'usage rentables en PME

Sources

• NIST — Thomas D. S., Weiss B. A., Economics of Manufacturing Machinery Maintenance: A Survey and Analysis of U.S. Costs and Benefits, NIST AMS 100-34 (juin 2020)
• EUR-Lex — Règlement (UE) 2023/2854 (Data Act), articles 2, 3, 4, 7 et 50 (13/12/2023)
• EUR-Lex — Règlement (UE) 2023/1230 sur les machines, article 25 et annexe I, partie A (14/06/2023), son rectificatif (JO de l'UE L 169 du 04/07/2023, date d'application au 20 janvier 2027) et le règlement (UE) 2026/1744, omnibus numérique sur l'IA, qui modifie l'article 6 de l'AI Act (08/07/2026)
• Assemblée nationale — Projet de loi de finances pour 2027, n° 3210, article 9 (déposé le 01/10/2026)
• DGFiP, BOFiP — BOI-BIC-BASE-100-30, déduction en faveur de la transformation numérique des PME industrielles, § 100 sur les capteurs (15/05/2019)
• EVS, organisme estonien de normalisation — fiche de la norme ISO 20816-3:2022 (domaine d'application) (norme publiée le 05/10/2022, fiche consultée le 16/10/2026)
• AFNOR — NF EN 13306, Maintenance — Terminologie de la maintenance (novembre 2017)

Savez-vous combien vous coûte une heure d'arrêt sur votre machine goulot ? Votre GMAO saurait-elle recevoir une alerte demain ? Parlons-en : nous vous aidons à choisir les machines à équiper en premier, puis à mettre en production le connecteur entre vos capteurs et votre GMAO, sans remplacer vos outils.