Vos données GMAO dorment-elles ? Ce qu'elles disent déjà de votre maintenance

Ouvrez votre GMAO et regardez le nombre d'ordres de travail clôturés depuis sa mise en service. Des milliers de lignes, parfois des dizaines de milliers. Chacune raconte une panne, une intervention, une pièce changée, un temps passé.

Cet historique a coûté cher à produire. Chaque technicien a saisi, chaque planificateur a clôturé. Pourtant, dans beaucoup de sites, ces données servent surtout à une chose : prouver qu'une intervention a bien eu lieu. Tracer, pas décider.

La question n'est donc pas d'ajouter un capteur ou de lancer un projet prédictif. Avant cela, il y a un gisement déjà présent, déjà payé, qui attend d'être lu. Regardons ce que votre historique dit déjà de votre maintenance.

Quelles données une GMAO contient-elle vraiment ?

Au delà des ordres de travail, une GMAO accumule une matière riche, souvent sans que personne mesure sa valeur analytique. Chaque intervention laisse une trace datée, rattachée à un équipement, avec un temps et parfois une cause.

Prises isolément, ces lignes ne disent pas grand chose. Rassemblées et relues, elles dessinent le comportement réel de votre parc. Chaque type de donnée éclaire un aspect différent.

Tableau faisant défiler horizontalement sur petit écran.

Aucune de ces colonnes ne demande un nouvel outil pour exister. Elles sont déjà là, sous vos yeux, depuis la mise en service.

Ces temps d'arrêt, une fois classés par équipement, servent d'ailleurs au delà de la maintenance : ils aident à repérer un goulot d'étranglement en production, là où une ligne plafonne sans cause évidente.

Pourquoi cet historique reste-t-il sous-exploité ?

Si ces données étaient faciles à lire, tout le monde le ferait. Le terrain complique la lecture, et souvent personne n'a le temps ni le mandat de s'y atteler.

• Saisie hétérogène. Trois techniciens décrivent la même panne de trois manières, dans des champs libres, sans vocabulaire commun.
• Codes défaut mal remplis. Le champ cause existe, mais il est vide, ou toujours rempli avec la même valeur par défaut.
• Personne dont c'est le métier. Le responsable maintenance éteint des feux ; analyser des milliers de lignes n'entre pas dans sa journée.
• Une donnée conçue pour tracer. La GMAO a été déployée pour prouver et planifier, pas pour produire des indicateurs de décision.

Le résultat est un paradoxe courant : un site qui possède l'information mais ne la regarde jamais. La donnée dort, non parce qu'elle manque, mais parce que la relire à la main demande un effort que personne n'assume.

Quels indicateurs en tirer ?

Une fois l'historique relu, quelques indicateurs simples suffisent à orienter les priorités. Ils ne demandent pas de modèle sophistiqué, seulement une lecture rigoureuse de ce que vous avez déjà.

• Pannes récurrentes. Les défaillances qui reviennent sur les mêmes équipements, mois après mois.
• Équipements les plus coûteux et chronophages. Quelques machines concentrent souvent l'essentiel du temps et des pièces.
• MTBF par équipement. Le temps moyen entre deux défaillances, un indice de fiabilité.
• MTTR par équipement. Le temps moyen de réparation, un indice de votre capacité à redémarrer vite.
• Ratio préventif / correctif. La part de maintenance anticipée face à la part subie.

Deux sigles reviennent sans cesse. Le MTBF (temps moyen de bon fonctionnement entre pannes) mesure la fiabilité : plus il est long, plus l'équipement tient. Le MTTR (temps moyen de remise en service) mesure la réactivité : plus il est court, moins un arrêt coûte. Un équipement peu fiable mais vite réparé n'a pas le même profil qu'un équipement fiable mais long à redémarrer. Le second immobilise longtemps quand il tombe, le premier tombe souvent mais repart vite ; les deux appellent des réponses opposées.

Pour aller plus loin sur l'usage de ces indicateurs, le sujet rejoint celui de l'optimisation de la maintenance préventive : les mêmes données servent à ajuster les plans plutôt qu'à les figer une fois pour toutes.

Ce que l'IA change concrètement

Le point de blocage n'est presque jamais le calcul. C'est la lecture préalable : des milliers de lignes en langage libre, avec des codes incohérents, que l'œil humain ne peut pas parcourir à cette échelle.

• Lire des champs libres. Extraire du sens de descriptions rédigées à la main, sans structure imposée.
• Regrouper les libellés équivalents. Réunir sous un même intitulé des formulations qui désignent la même panne.
• Remonter récurrences et corrélations. Repérer qu'une même cause revient sur plusieurs équipements, ou qu'une panne en précède souvent une autre.

Restons honnêtes sur le rôle de l'IA ici. Elle lit et relie ce qui existe déjà ; elle ne crée aucune donnée et ne tranche pas. Elle transforme un historique illisible en une vue ordonnée, et propose des regroupements. Le choix de la priorité reste humain.

Ce travail de lecture rejoint une logique plus large d'IA appliquée à l'industrie : moins produire de nouvelles données que rendre exploitables celles qui existent déjà.

Où est la limite ?

La limite tient en une phrase : la qualité des données fixe la qualité des indicateurs. Une GMAO mal remplie ne produit pas des indicateurs approximatifs, elle produit des indicateurs faux, qui ont l'air justes.

Si la moitié des ordres de travail n'ont pas de temps d'arrêt saisi, votre MTTR ne veut rien dire. Si le champ cause est vide, aucune analyse de mode de défaillance n'est possible. Et découvrir qu'on ne sait pas calculer son MTBF sur ses propres données est déjà un résultat utile : cela dit où renforcer la saisie.

• Confondre volume d'interventions et criticité.L'équipement le plus réparé n'est pas toujours le plus coûteux ; une seule panne longue peut peser plus que dix petites.
• Se fier à un MTBF calculé sur des données lacunaires.Un indicateur précis sur une base incomplète inspire une confiance qu'il ne mérite pas.
• N'analyser qu'une fois par an.Un bilan annuel arrive souvent trop tard pour agir ; la lecture gagne à devenir continue pour orienter les décisions au fil de l'eau.

Une précision de périmètre, enfin. La GMAO couvre la donnée structurée de la maintenance. Mais une grande partie de l'état réel de votre parc dort ailleurs, dans des rapports d'inspection en PDF non structurés, hors GMAO. C'est le rôle d'une couche d'intelligence documentaire comme Integrity Loop de les rendre exploitables, en amont, sans remplacer la GMAO ni faire double emploi avec elle.

Pour qui possède ces données mais ignore quels cas d'usage sont réellement exploitables, la démarche d'Assets 4.0 part des données, du process et des objectifs pour identifier les cas prioritaires, plutôt que de plaquer une technologie sur un besoin flou.

Que faut-il retenir ?

Votre GMAO contient déjà de quoi éclairer vos décisions de maintenance, sans nouvel investissement. L'historique indique où sont vos pannes récurrentes, vos équipements coûteux, votre ratio préventif/correctif. L'IA aide à lire et regrouper cette masse illisible ; l'humain décide. La condition, non négociable, reste la qualité de saisie : sur ce point, mieux vaut un indicateur assumé qu'un chiffre trompeur.