Le vrai impact commence là où la présence humaine s’arrête.

Une perspective de Francis Latulippe, CTO chez Axceta • Mai 2026

La maintenance prédictive est un terme à la mode depuis longtemps. Si vous évoluez dans la technologie industrielle depuis une décennie, vous avez entendu le discours des centaines de fois : installez des capteurs sur vos équipements, faites passer les données dans un algorithme, et anticipez les pannes avant qu’elles ne surviennent. Réduisez les temps d’arrêt. Réduisez les coûts. Optimisez.

Ce discours était fondé, et les résultats l’ont été aussi. Mais voici ce que j’observe aujourd’hui : les entreprises qui font le travail le plus intéressant en matière de maintenance prédictive ne se concentrent plus sur l’optimisation. Elles ont dépassé les gains faciles. La nouvelle frontière ne consiste plus à surveiller les équipements que vous avez déjà sous les yeux. Il s’agit de déployer l’intelligence dans des endroits où envoyer un humain est dangereux, impraticable, ou tout simplement devenu inacceptable.

Les gains faciles ont déjà été réalisés

Soyons honnêtes sur l’état des lieux. Pour la plupart des opérations minières, la première génération de maintenance prédictive a déjà été déployée, ou du moins pilotée. Capteurs de vibration sur les concasseurs. Surveillance de la température des roulements des convoyeurs. Analyse de l’huile des camions de transport. Ce sont des applications bien comprises. Le modèle économique est éprouvé. Un nœud de surveillance des vibrations, qui coûtait 600 $ par point en 2019, peut désormais être déployé pour moins de 50 $ par point. La technologie a suffisamment mûri pour que ne pas l’adopter soit difficile à justifier.

Mais c’est précisément là le problème. Quand quelque chose devient la norme minimale, ça cesse d’être un avantage différenciant. La question pour les fabricants d’équipements et les opérateurs n’est plus de savoir s’il faut recourir à la maintenance prédictive. C’est de savoir où l’amener ensuite.

Les nouveaux cas d’usage sont dans la zone de danger

Les projets de maintenance prédictive les plus intéressants dans lesquels je suis actuellement impliqué ne ressemblent pas à ceux d’il y a cinq ans. Il ne s’agit pas d’installer un capteur sur un équipement accessible et de lire les données sur un tableau de bord. Il s’agit de déployer des capacités de surveillance dans des environnements véritablement hostiles aux humains : des chantiers souterrains mal ventilés, des parcs à résidus nécessitant une surveillance structurelle constante, des espaces confinés présentant des risques d’exposition à des gaz toxiques, ou des infrastructures isolées où l’envoi d’un technicien peut prendre des jours et requiert une planification de sécurité rigoureuse.

Dans ces contextes, la maintenance prédictive n’est pas un levier d’optimisation. C’est un levier de sécurité. C’est la différence entre envoyer une personne dans un environnement dangereux pour une inspection visuelle et faire effectuer ce travail à distance, en continu et sans risque d’exposition, par une caméra, un réseau de capteurs et un modèle d’IA.

Le marché des capteurs a rattrapé cette ambition. On voit émerger de nouvelles générations de caméras industrielles, de capteurs multispectraux et de dispositifs d’IA en périphérie spécifiquement conçus pour les environnements difficiles, isolés et confinés. Combinés aux avancées en matière de connectivité — LoRaWAN, 5G privée, réseaux maillés — il est désormais possible de construire des systèmes de surveillance dans des endroits qui étaient tout simplement inaccessibles à l’électronique il y a quelques années.

Détecter, comprendre, prédire

La façon dont nous appréhendons cette nouvelle génération de maintenance prédictive repose sur trois niveaux : détecter, comprendre et prédire.

Détecter, c’est déployer la combinaison optimale de capteurs et de caméras dans des environnements complexes. Il ne s’agit plus seulement de vibrations et de température. C’est l’inspection visuelle par des caméras dotées d’IA, la détection de gaz et de particules, la surveillance acoustique pour l’intégrité structurelle, et le suivi des déformations du sol. La couche de détection devient plus riche, plus diversifiée et mieux adaptée aux risques propres à chaque environnement.

Comprendre, c’est traiter ces données localement et dans le cloud pour construire une image fidèle de ce qui se passe. L’informatique en périphérie est essentielle ici. Dans une mine souterraine, on ne peut pas toujours compter sur une connexion stable au cloud. L’intelligence doit résider aussi près que possible du capteur. Le TinyML et les modèles d’IA en périphérie rendent désormais possible l’exécution d’inférences significatives sur des appareils à faible consommation déployés en profondeur dans la mine.

Prédire, c’est là que la valeur se démultiplie. Dès lors qu’on détecte et comprend en continu, on commence à percevoir des tendances qu’aucun inspecteur humain ne pourrait déceler. Un lent mouvement du sol sur plusieurs semaines. La dégradation progressive d’éléments structurels. Des changements subtils dans le comportement des équipements qui précèdent une défaillance catastrophique. Pour la première fois, on peut voir ce qui a toujours été là sans jamais être détectable : la dérive lente, la microdégradation, les signaux discrets qui précèdent la défaillance.

L’IA comme amplificateur de compétences, et non comme remplaçant

On entend dire que l’IA remplacera l’expertise humaine sur le terrain. Dans le secteur minier, ce n’est pas ainsi que ça fonctionne, et franchement, ce n’est pas ce dont on a besoin. Ce dont on a besoin, c’est de tirer parti des connaissances des ingénieurs et des techniciens expérimentés et de les étendre à des endroits et à des échelles qu’un humain ne peut pas atteindre.

Voyez-le ainsi : votre meilleur ingénieur de maintenance peut s’approcher d’un équipement, l’écouter, ressentir les vibrations, observer les traces d’usure et vous dire ce qui va tomber en panne. Cette compétence est réelle, précieuse et irremplaçable. Mais cet ingénieur ne peut être qu’à un seul endroit à la fois, ne peut travailler qu’un nombre limité d’heures, et ne devrait pas être envoyé dans un espace confiné aux conditions atmosphériques inconnues simplement pour vérifier une pompe.

L’IoT et l’IA ne remplacent pas cette expertise. Ils l’amplifient. Ils permettent à cet ingénieur d’être « présent » dans vingt endroits simultanément, grâce à des flux de capteurs interprétés par des modèles entraînés sur sa connaissance du domaine. Ils étendent le jugement humain à des environnements où la présence humaine est soit trop risquée, soit trop coûteuse. C’est là la vraie proposition de cette prochaine vague : non pas moins de personnel, mais un déploiement plus intelligent et plus sûr des personnes dont vous disposez.

C’est l’intégration, pas l’IA, qui bloque la plupart des projets.

Si vous êtes un fabricant d’équipements ou un opérateur minier qui s’intéresse à ce domaine, voici ce que je veux que vous sachiez : la partie la plus difficile n’est pas de construire un modèle d’apprentissage automatique. Les modèles sont abondants. La partie difficile, c’est le problème d’intégration full-stack : sélectionner le bon capteur pour un risque et un environnement spécifiques, concevoir du matériel qui résiste aux conditions souterraines, construire une couche de connectivité qui fonctionne dans des endroits sans infrastructure, exécuter l’inférence en périphérie avec une alimentation et une puissance de calcul limitées, et tout empaqueter dans un produit que les équipes de terrain peuvent réellement déployer et en qui elles peuvent avoir confiance.

C’est autant un défi en matière d’IoT et de systèmes embarqués qu’en IA. Et les entreprises que je vois réussir sont celles qui le traitent comme un problème de développement de produit, et non comme un projet de science des données.

Ce que cela signifie pour les fabricants d’équipements

Si vous fabriquez des équipements pour l’industrie minière (foreuses, systèmes de ventilation, pompes, composants de convoyeurs, systèmes de soutènement), l’opportunité est considérable. Vos clients doivent opérer dans des environnements de plus en plus réglementés et sont soucieux de la sécurité. Ils ont besoin de solutions de surveillance pour des endroits qu’ils inspectent actuellement manuellement, rarement ou pas du tout.

Les fabricants qui intégreront une surveillance intelligente et connectée dans leurs produits, en tant que fonctionnalité centrale, définiront la prochaine génération d’équipements miniers. Ceux qui attendront se retrouveront à concurrencer sur le prix pour du matériel standardisé, tandis que quelqu’un d’autre disposera des données et de la relation client.

Et la fenêtre d’opportunité est maintenant. La plupart des joueurs en sont encore au stade pilote ou en parlent lors de conférences. Peu ont livré des produits connectés prêts pour la production. L’écart entre l’annonce et le déploiement reste important. C’est une opportunité.

C’est ce que nous faisons chez Axceta

Axceta est une équipe R&D agile dotée d’une expertise approfondie en IoT, systèmes embarqués, connectivité et IA physique. Nous aidons les fabricants d’équipements et les opérateurs miniers à concevoir, construire et livrer la prochaine génération de systèmes de surveillance et de maintenance prédictive, y compris les plus complexes, dans les environnements où c’est le plus important.

Si vous réfléchissez à étendre votre gamme de produits vers la surveillance intelligente pour des environnements difficiles, ou si vous êtes un opérateur qui doit apporter de l’intelligence dans des endroits où envoyer des personnes n’est plus la bonne réponse, nous devrions en parler.

Contactez-moi à francis.latulippe@axceta.com