Longtemps réservée aux équipements industriels critiques, la maintenance prédictive a connu un important développement ces dernières années sous le double effet de la baisse du prix des capteurs et des technologies de traitement des données. L’utilisation de logiciels de GMAO s’est démocratisée avec l’essor de l’internet des objets industriels (IIoT). Cette révolution technologique s’accompagne d’une redéfinition en profondeur du paysage concurrentiel de la maintenance industrielle avec l'entrée de nouveaux acteurs dont les équipementiers et des start-up. Pour les acteurs historiques, l’heure est à la réinvention de leurs services et de leurs business models.
Les dernières avancées en matière d’intelligence artificielle (IA) promettent de révolutionner la portée et l’efficacité des outils de maintenance prédictive utilisés jusqu’ici. Les progrès dans l’apprentissage de modèles et l’accroissement des capacités de calcul permettront d’augmenter le taux de disponibilité des équipements en assurant un suivi plus fin et en temps réel des machines. D’ailleurs, plusieurs leaders de la maintenance industrielle en France se sont déjà positionnés en développant leurs propres solutions d’IA à l’image d’Actemium (Vinci Énergies) avec NAOMI et de Bouygues E&S (Equans) avec Byes Predict. D’autres préfèrent s’associer à des start-up pour réduire le risque associé à l’innovation. Depuis 2022, SMRI, filiale du groupe Ponticelli Frères, a ainsi noué un partenariat avec la société Metriics, spécialisée dans la détection précoce de fuites. Le groupe est aussi présent au capital de DiagRAMS qui conçoit des solutions d’optimisation de la consommation énergétique des actifs de production basées sur l’IA.
En revanche, l’utilisation de l’IA générative est encore très limitée dans le secteur du fait de sa nouveauté. Quelques équipementiers ont cependant sauté le pas. En 2024, Schneider Electric a ainsi mis sur le marché un assistant virtuel intelligent baptisé Industrial AI Assistant. Alerté d’un dysfonctionnement par une IA classique, un opérateur peut le solliciter pour interroger des manuels numérisés de l'entreprise et trouver la solution à son problème. Les procédures à effectuer sont ensuite décrites au technicien sur une tablette où apparaît un jumeau numérique de la machine à réparer généré par l’intelligence artificielle.
Équipementiers et start-up : de nouveaux acteurs clés
La maintenance prédictive est une source d’opportunité pour de nouveaux acteurs. Les équipementiers tels que Fives, Siemens, ABB ou encore Schneider Electric proposent historiquement des prestations de maintenance des machines qu’ils conçoivent et fabriquent. Les fabricants cherchent désormais à gagner des parts de marché au-delà de la maintenance de leurs propres d’équipements. Dans ce contexte, la généralisation des machines connectées et le développement de solutions de maintenance prédictive basées sur l’IA constituent une aubaine. Les fabricants pourront en effet proposer des solutions répondant à l’ensemble des besoins de maintenance de leurs clients au détriment des spécialistes de la maintenance. C’est le sens de l’acquisition en 2023 par Fives de Dizisoft, une start-up qui a mis au point un logiciel permettant de connecter des machines industrielles quelle que soit leur marque et leur ancienneté afin d’optimiser leur pilotage en temps réel.
Portées par la numérisation croissante des équipements industriels et un accès privilégié au financement, de jeunes pousses spécialisées dans la maintenance 4.0 ont émergé ces dernières années. La plupart développent des solutions numériques basées sur l’exploitation des nouvelles technologies (objets connectés, intelligence artificielle, etc.) afin d’anticiper la survenue de défaillances de machines ou de composants. La start-up Spectral TMS a ainsi mis au point un logiciel de réalité augmentée dédié à l’industrie. Grâce à des lunettes de réalité mixte Hololens 2 conçues par Microsoft, l’utilisateur dispose de l’ensemble des informations clés de la machine dans son champ de vision. L’outil fournit également des recommandations en temps réel. L’outil permettrait de réduire de 17% la durée moyenne d’intervention et de 20% le temps d’arrêt des machines.
