Un audit IA de 15 jours ouvrés a suffi pour dire à un opérateur européen de consignes automatisées où investir, dans quel ordre et pour quel retour : douze cas d'usage qualifiés, cinq chantiers retenus sur 12 à 24 mois, et un retour sur investissement projeté sous douze mois pour les deux premiers lots. La leçon principale ne porte pas sur l'IA elle-même mais sur la donnée : la conviction de départ, la maintenance prédictive, n'a pu être validée qu'en partie, parce que l'historique des tickets et la connectivité du parc ne le permettaient pas partout.
Quel était le périmètre de cet audit IA en logistique ?
Le périmètre couvrait la chaîne complète de maintenance et d'installation d'un parc de 6 000 consignes automatisées réparties en Europe, de la réception de l'alerte à la clôture de l'intervention, tournées de techniciens et stocks de pièces détachées compris. Le client installe 300 nouvelles consignes par mois et traite environ 50 tickets de maintenance par jour. Quinze recrutements sur la dernière année, un effectif qui double.
Le point de départ était classique pour une entreprise en croissance rapide. Les tickets étaient triés à la main, avec des retards et des erreurs d'aiguillage vers les techniciens. Les tournées s'organisaient sans optimisation d'itinéraire. Les données de pilotage étaient dispersées entre une architecture Azure, des applications internes en React, Jira et Power BI. Et l'équipe IT, une dizaine de personnes dont cinq développeurs, était entièrement prise par la feuille de route produit. Personne n'avait le temps de prendre du recul.
Un atout pesait lourd dans la balance : l'entreprise est propriétaire de ses solutions et a un accès complet à sa donnée. Selon l'observatoire de l'Arcep publié en octobre 2025, 1,7 milliard de colis ont été distribués en France ou exportés en 2024, en hausse de 3,7 % sur un an. Un parc qui grossit de 300 machines par mois suit cette courbe.
Qu'a révélé la cartographie de la maintenance ?
La cartographie a montré que le goulot d'étranglement n'était pas technique mais organisationnel : le tri manuel des tickets et l'absence d'optimisation des tournées coûtaient plus cher, chaque jour, que n'importe quel modèle prédictif n'aurait pu faire gagner à court terme.
Concrètement, on a tenu une réunion de lancement avec la direction et les référents de pôle, puis huit à dix entretiens individuels avec des collaborateurs des pôles Installation, Maintenance et IT. Voici ce qui est sorti de ces entretiens.
- Les données d'incidents existaient, mais elles étaient saisies dans Jira avec un niveau de détail variable selon le technicien, ce qui limite leur exploitation statistique.
- Les remontées terrain contenaient des irritants que personne n'avait formalisés. Ils sont devenus des cas d'usage complémentaires, que la direction n'avait pas identifiés au départ.
- Le parc mêle des consignes raccordées au réseau et des consignes solaires, dont la remontée d'information n'a pas la même fréquence ni la même fiabilité.
Ce dernier point est celui qui a le plus pesé ensuite. On ne construit pas un modèle prédictif uniforme sur un parc dont une partie des machines ne parle que par intermittence.
Pourquoi la maintenance prédictive n'a-t-elle pas été validée d'emblée ?
Parce que la deuxième semaine de l'audit a montré que les conditions pour entraîner un modèle fiable n'étaient pas toutes réunies. La direction portait une conviction forte sur la maintenance prédictive et l'optimisation des tournées. Notre rôle était de la confronter aux faits.
Trois questions ont structuré le diagnostic data. La donnée historique des tickets est-elle assez profonde et assez propre pour entraîner des modèles ? La connectivité du parc permet-elle une remontée d'information suffisante ? L'infrastructure Azure peut-elle absorber ces nouveaux flux ?
Le résultat a confirmé la faisabilité de certains scénarios et permis d'en écarter d'autres, mal alignés avec l'état réel de la donnée. Écarter un scénario en semaine deux coûte trois jours d'analyse. L'écarter après six mois de développement coûte le projet. Le schéma est répandu. Dans l'enquête State of AI de McKinsey menée en mai et juin 2026 auprès de 1 719 répondants, près de neuf organisations sur dix utilisent l'IA dans au moins une fonction, mais 37 % seulement déclarent un impact sur leur résultat d'exploitation. L'écart entre les deux, c'est souvent une donnée non vérifiée avant de coder. Pour aller plus loin sur ce prérequis, l'article sur la maintenance prédictive dans une PME industrielle détaille ce qu'un historique de pannes doit contenir.
Comment les cas d'usage ont-ils été retenus ou écartés ?
Chacun des douze cas d'usage a été scoré sur trois axes, valeur métier, faisabilité technique et durée de développement, puis cinq chantiers ont été séquencés dans une feuille de route de 12 à 24 mois. Les deux premiers lots, le tri automatisé des tickets et l'optimisation des tournées, portent un retour sur investissement projeté sous douze mois.
Pourquoi ceux-là en premier ? Parce que leur gain se mesure directement, en minutes d'aiguillage et en kilomètres parcourus, sans dépendre de la maturité d'un modèle prédictif. On déconseille de démarrer une feuille de route IA par le chantier le plus ambitieux. On la démarre par celui dont le gain se lit sur une facture ou sur un compteur kilométrique dès le premier mois de production. Les scénarios prédictifs viennent ensuite, une fois que le socle de données a été consolidé par les premiers lots, qui produisent eux-mêmes un historique plus propre.
Le point intermédiaire avec la direction, au sixième jour, a servi à arbitrer ces scénarios.
Combien de temps a pris chaque étape, et qu'a-t-on décidé ?
L'audit a duré 15 jours ouvrés répartis sur trois semaines, piloté par un chef de projet IT avec des appuis experts data et cloud, et jalonné par quatre rendez-vous avec la direction. Le tableau ci-dessous reprend chaque étape, ce qu'elle a produit et la décision qui en a découlé.
| Étape | Durée | Ce qu'on a trouvé | Décision |
|---|---|---|---|
| Lancement (J1) | 1 jour | Convictions fortes de la direction sur le prédictif et les tournées, aucune donnée pour les objectiver | Traiter ces convictions comme des hypothèses à vérifier |
| Immersion métier | Semaine 1 | Tri manuel des tickets, tournées non optimisées, irritants terrain non formalisés | Ajouter les irritants terrain à la liste des cas d'usage |
| Point intermédiaire (J6) | 1 demi-journée | Premiers scénarios classés par valeur et faisabilité | Arbitrage de la direction sur les scénarios à approfondir |
| Diagnostic technique et data | Semaine 2 | Historique de tickets inégal, connectivité hétérogène entre consignes raccordées et solaires, Azure apte à absorber les flux | Valider une partie des scénarios, écarter ceux que la donnée ne porte pas |
| Pré-conclusion (J11) | 1 demi-journée | Douze cas d'usage scorés | Retenir cinq chantiers, séquencer sur 12 à 24 mois |
| Feuille de route et soutenance (J15) | Semaine 3 | Chiffrage indicatif lot par lot, ROI sous 12 mois sur les deux premiers lots | Le rapport devient l'outil de pilotage des investissements IA |
Le détail de la mission et le témoignage de la direction sont dans le cas client de l'audit IA logistique sur 6 000 consignes. Les livrables ont été cédés, documentés et réversibles : l'entreprise peut lancer les phases de réalisation en interne, avec le prestataire de son choix ou avec nous.
Quelles leçons pour un parc de bornes, d'automates ou de distributeurs ?
La première leçon vaut pour tout parc distribué : la qualité de la remontée de données conditionne tout le reste, et cette qualité est rarement homogène. Bornes de recharge, automates bancaires, distributeurs, casiers de retrait : on y retrouve un mélange de générations d'équipements, de modes de connexion et de pratiques de saisie côté techniciens. Le prédictif ne fonctionne que sur le sous-ensemble du parc qui remonte une donnée régulière et datée.
Deuxième leçon : les gains rapides sont dans l'aiguillage et le déplacement, pas dans la prédiction. Un ticket mal routé coûte une intervention pour rien. Une tournée mal ordonnée coûte des kilomètres. Ces deux postes se mesurent dès le premier mois et financent la suite. Le gain du prédictif est réel mais progressif : dans son analyse publiée en 2017 à partir de ses missions clients, Deloitte chiffrait l'apport de la maintenance prédictive à 10 à 20 % de disponibilité en plus des équipements et 5 à 10 % de coûts de maintenance en moins. Un gain solide, pas un doublement de marge.
Troisième leçon : un audit borné dans le temps coûte moins cher qu'un chantier interne qui ne démarre jamais. Quinze jours, un chef de projet extérieur, huit à dix collaborateurs sollicités ponctuellement, personne détourné de son sujet. On a vu la même mécanique sur un réseau multi-sites de coaching sportif, où l'outil métier n'exposait pas les disponibilités en temps réel et où le chantier a été séquencé après le socle de données.
D'après l'Insee, 18 % des entreprises implantées en France déclaraient utiliser au moins une technologie d'IA en 2025, huit points de plus qu'en 2024, et 31 % des entreprises de 50 à 249 salariés. Eurostat donne 20 % à l'échelle de l'Union européenne pour la même année. Le risque, pour un opérateur de parc, n'est plus de ne rien faire mais de lancer le mauvais chantier en premier.
Ce que JUWA fait sur un audit IA de parc d'équipements
Sur ce type de parc, JUWA mène un audit IA de trois à quatre semaines qui enchaîne la cartographie des processus de maintenance, les entretiens avec les techniciens et les référents de pôle, le diagnostic de la donnée d'incidents et de la connectivité du parc, le scoring des cas d'usage, le chiffrage lot par lot et la feuille de route. Un chef de projet nommé reste joignable en direct, avec un point hebdomadaire. Les livrables sont cédés et n'engagent pas la suite.
Si le parc est prêt, la mise en production du premier lot, tri des tickets ou optimisation des tournées, se fait ensuite en 4 à 8 semaines, avec une validation humaine sous seuil de confiance dès la première version et un hébergement en Europe quand la donnée l'exige. Si le parc n'est pas prêt, l'audit le dit, chiffre ce qu'il faut consolider, et c'est aussi un résultat. Le guide sur l'audit d'intelligence artificielle en entreprise décrit la méthode complète.
