Publié le
Mis à jour le
L’IA peut repérer une dérive dans les données d’un équipement avant la panne, proposer une cause probable au technicien et structurer son rapport d’intervention. Elle ne remplace ni les vérifications périodiques prévues par la réglementation ni le plan préventif. L’entreprise choisit la famille d’équipements, l’indicateur et le coût d’une alerte fausse avant le pilote. Les cas publiés viennent des exploitants, sans méthode ; une synthèse académique indépendante montre qu’une part des études n’a jamais quitté le banc d’essai.
La maintenance, tâche par tâche
L’unité de travail est l’équipement critique et sa famille : un aiguillage, un générateur, une pompe, un tronçon de voie. L’équipe compte les arrêts non planifiés, les heures d’indisponibilité et le temps de diagnostic. Le temps part dans la lecture d’alarmes à seuils, les rondes, l’analyse des pannes après coup (quatre heures par cas dans un atelier de formage décrit par le livre blanc de Bpifrance Conseil et Siparex, 2026) et les comptes rendus.
Tâche | Ce que l’outil fait | Ce que l’équipe garde |
|---|---|---|
Surveiller | Regroupe les comportements, prévoit une dérive, priorise des anomalies | La décision d’intervenir, le retour terrain |
Diagnostiquer | Propose des causes et des actions à partir de l’historique du même équipement | Le diagnostic final, la pièce à commander |
Planifier le préventif | Déplace une opération selon la prévision | Le plan, les vérifications obligatoires |
Rendre compte | Transcrit et structure le rapport dicté | La validation avant publication |
Gérer les pièces | Rien de publié avec résultat | Le stock et les délais |
Le tableau omet ce qui décide du projet : la donnée disponible. Les pannes sont rares et mal étiquetées, et les séries de capteurs manquent souvent sur les équipements anciens non instrumentés. Comptez vos pannes par famille et regardez l’état de votre GMAO avant tout choix.
Ce qui fonctionne sans IA
Les seuils et les alarmes, la maintenance conditionnelle classique et les mesures périodiques : sur la LGV Bretagne-Pays de la Loire, une rame de mesure passe deux fois par mois et des inspections ont lieu chaque jour.
Une GMAO renseignée, avec des comptes rendus exploitables : SNCF Voyageurs écrit que ses 100 000 interventions correctives n’avaient pas été mises en qualité, et qu’on ne peut pas demander aux mainteneurs de remplir plus de dossiers.
Le plan préventif à périodicité fixe, et les vérifications périodiques obligatoires pour les équipements soumis à arrêté : deux choses distinctes.
Ce que montrent les cas publiés
Quatre constats ressortent.
Le corpus réuni ici est surtout ferroviaire, et sans méthode. SNCF Voyageurs surveille environ 2 500 trains par télédiagnostic et regroupe par apprentissage non supervisé les systèmes au comportement similaire ; elle déclare « jusqu’à trois fois moins de pannes en service commercial » sur les lignes équipées de maintenance prédictive (Hub France IA, 2024), sans base de comparaison ni période ; le chiffre couvre le télédiagnostic et les règles d’experts antérieures, pas le seul apprentissage. Infrabel suit 803 aiguillages et déclare 75 % de précision et la moitié des défaillances mécaniques prédites (juin 2026), sans dire si la détection repose sur des seuils ou sur un apprentissage. Eiffage Énergie Systèmes prévoit la géométrie de la voie de la LGV Bretagne-Pays de la Loire avec 4 % d’erreur moyenne à un mois et 13 % à douze mois (octobre 2025) : le modèle est en phase de test, et l’enjeu est contractuel.
Un réseau électrique publie des indicateurs de terrain. Enedis traite les coupures et variations de tension remontées par 35 millions de compteurs : plus de 3 000 cas traités en deux ans, plus de 95 % des suspicions d’anomalie confirmées sur le terrain, et les opérateurs donnent un retour sur chaque cas (Eurelectric, 4 juin 2026 ; une fiche E.DSO de juin 2025 donnait déjà ces 3 000 cas). Ce sont des cas traités, pas des pannes évitées ; aucun taux de faux négatifs n’est publié.
Dans l’industrie manufacturière, un seul cas nommé. BlueScope, sidérurgiste australien, déclare par la voix de Siemens environ 2 000 heures d’arrêt non planifié évitées en trois ans depuis un pilote de 2022 et 53 interruptions évitées, sans mode de calcul. Les deux cas industriels français du livre blanc de Bpifrance Conseil et Siparex (formage de titane : 90 % de temps gagné pour les méthodes ; agroalimentaire : une procédure en sept minutes au lieu d’une heure) sont anonymes et déclarés sans méthode.
Les taux d’exactitude publiés valent moins qu’ils ne paraissent. Les sources réunies sur cette page comptent une synthèse académique indépendante, pas une mesure de gains : Tsallis et ses collègues ont passé en revue 60 études de maintenance prédictive par apprentissage publiées de 2020 à 2024. Seize n’ont été évaluées que sur bancs d’essai, simulations ou jeux publics ; les pannes sont trop rares pour entraîner les modèles, et une exactitude élevée peut venir du déséquilibre des classes (le modèle prédit « pas de panne » et a presque toujours raison). Plusieurs études ne comportent aucune analyse coût-bénéfice.
SNCF Voyageurs : « jusqu’à 3x moins de pannes en service commercial » sur les lignes équipées de maintenance prédictive, un chiffre sans méthode publiée
Statut du chiffre :
Déclaré sans méthode
Ce qui a été fait :
Apprentissage supervisé sur le retour d’expérience (quelques centaines de pannes, puis plus de 100 000 opérations de maintenance corrective), puis apprentissage non supervisé (clustering) : calcul d’indicateurs sur les cycles de fonctionnement à partir des séries temporelles des capteurs embarqués, regroupement automatique des systèmes au comportement similaire, définition de critères de surveillance. Le projet « Data Clustering for Predictive Maintenance of Everyday Trains » a été présenté à l’IA Business Day du 11 février 2025 (Station F), après sélection parmi 500 propositions.
Résultat :
« C’est jusqu’à 3x moins de pannes en service commercial » sur les lignes où la maintenance prédictive est en place (conclusion de la fiche Hub France IA 2024). Détection « dès les premiers mois d’exploitation » des engins neufs, sans chiffre. La page SNCF Voyageurs mise à jour le 22 janvier 2026 ne donne aucun chiffre de pannes évitées.
Auteur de l’affirmation :
Entreprise
Coût cité :
Non publié
Limites :
Fiche rédigée par SNCF Voyageurs pour un groupe de travail du Hub France IA, datée seulement « 2024 » (fichier mis en ligne en juillet 2024 selon son adresse) ; « jusqu’à » sans base de comparaison, ni période, ni lignes nommées ; le chiffre mêle l’effet de l’IA à celui du télédiagnostic et des règles métier antérieures (« des milliers d’heures de travail » d’experts). Limites de données décrites par l’auteur : moins de 450 pannes affectant le service commercial pour 200 rames, jeu « clairement insuffisant » pour le supervisé ; les 100 000 interventions correctives n’ont pas été mises en qualité comme les dossiers d’incidents ; les séries de capteurs décrites concernent les matériels modernes étudiés ; difficulté à relier les signatures du clustering à des états compréhensibles pour les mainteneurs. Incohérence interne : les 100 000 opérations portent sur des générateurs diesel-électriques dans une partie, sur des Régiolis dans une autre.
Source :
2024
Eiffage Énergie Systèmes : un modèle de prévision de la géométrie de la voie de la LGV Bretagne-Pays de la Loire avec 4 % d’erreur moyenne à un mois et 13 % à douze mois, en phase de test
Statut du chiffre :
Déclaré sans méthode
Ce qui a été fait :
Prévision de l’évolution de la géométrie de la voie (nivellement, alignement, écartement) par une chaîne hybride : regroupement des tronçons en familles (clustering), modèles à effets mixtes, puis K plus proches voisins qui apprend des opérations de maintenance passées. Données : capteurs des rames IRIS de SNCF Réseau, GMAO de Ferlioz, données de conception et de trafic (nombre de trains, vitesses, tonnages) ; instrumentation complémentaire de plus de cent capteurs sur quatre sections (température, humidité, déformation, accélération). Enjeu contractuel présenté par Eiffage pour cette LGV aux Journées techniques rail (contrat non consulté) : tolérance de nivellement longitudinal « NL < 0,70 mm », « pénalité de 110 000 € par 0,01 mm de dépassement ».
Résultat :
« An average error rate of 4% at one month and 13% at twelve months » (taux d’erreur moyen de 4 % à un mois et 13 % à douze mois). Aucun gain de maintenance ni d’exploitation publié.
Auteur de l’affirmation :
Entreprise
Coût cité :
Non publié
Limites :
Modèle « currently in its test phase » : pas d’exploitation ; la métrique d’erreur, le jeu d’évaluation et la période ne sont pas précisés ; aucune comparaison avec la pratique actuelle (passages de la rame IRIS « 2 fois par mois », inspections quotidiennes, seuils) ; communiqué promotionnel d’Eiffage ; version française du communiqué non trouvée, lu en anglais. Le constat sur la sous-couche en gravillons-asphalte vient de l’instrumentation, pas de l’IA.
Source :
octobre 2025
Infrabel : 803 aiguillages sous maintenance prédictive, « 75 % de précision » et « 50 % des défaillances mécaniques prédites », sans méthode ni distinction entre seuils et apprentissage
Statut du chiffre :
Déclaré sans méthode
Ce qui a été fait :
Présentation « Smarter Maintenance » au Suppliers Day du 10 juin 2026 : surveillance d’aiguillages, chauffage d’aiguillages piloté par un « réseau neuronal entraîné », inspection automatisée des balises à partir de données hors ligne (trains de mesure, M7, RBC), surveillance ETCS en temps réel, refroidissement des abris (20 actions au lieu de 1 610), vision par IA (CNN et modèle de langage visuel) pour la voie, les plans de signalisation et la neige.
Résultat :
Aiguillages : « 75 % de précision » et « 50 % des défaillances mécaniques prédites ». Chauffage des aiguillages : « 33 % de moins de consommation énergétique », présenté comme « économies estimées » (Estimé). Inspection des balises : « économise 30 ETP / an », sans qualification. Abris : « permet d’économiser 1.000 heures de travail / an », sans qualification.
Auteur de l’affirmation :
Entreprise
Coût cité :
Non publié
Limites :
Support de stand destiné aux fournisseurs : aucune méthode, période ni définition de la « précision » ; pour les aiguillages, les balises et les abris, le document ne dit pas si la détection repose sur des seuils ou sur un apprentissage ; seul le chauffage des aiguillages est explicitement un réseau de neurones, et son gain est estimé ; les ETP économisés ne sont pas des réductions d’effectif constatées. Vision par IA sans chiffre de performance.
Enedis : plus de 95 % des suspicions d’anomalie de CartoLine confirmées sur le terrain et plus de 3 000 cas traités en deux ans sur le réseau basse tension, selon l’entreprise
Statut du chiffre :
Déclaré sans méthode
Ce qui a été fait :
Outil CartoLine développé en interne, brevet européen accordé selon la page (registre non consulté) : modèles d’apprentissage automatique et d’apprentissage profond appliqués aux coupures, surtensions et sous-tensions remontées par les compteurs, pour signaler des anomalies matérielles suspectes et prioriser les interventions ; les opérateurs donnent un retour sur chaque cas pour améliorer le modèle. Extension au réseau HTA présentée comme une évolution future.
Résultat :
« 3,000+ cases were addressed with CartoLine support over two years of use » ; « >95% of anomaly suspicions were confirmed as real anomalies in the field » ; « >50% of priority recommendations were followed by an actual outage within 15 days ». La fiche E.DSO de juin 2025 donnait déjà « more than 3’000 cases ».
Auteur de l’affirmation :
Entreprise
Coût cité :
Non publié
Limites :
Chiffres d’Enedis publiés par Eurelectric (histoire de membre) et E.DSO (fiche de succès), sans méthode ni validation indépendante ; « plus de 95 % » et « plus de 50 % » sont des planchers ; les cas traités ne sont pas des pannes évitées ni des heures de coupure économisées ; aucun taux de faux négatifs ; CartoLine ne détecte que les défaillances matérielles liées aux variations de tension. Enedis signale que le changement de gestion est important et, selon l’entreprise, que la reproduction exige un parc de compteurs communicants : « very large smart-meter data volumes are a key replication barrier without a national rollout ».
Source :
juin 2026
BlueScope : environ 2 000 heures d’arrêt non planifié évitées en trois ans avec Senseye, un chiffre du fournisseur sans méthode
Statut du chiffre :
Déclaré sans méthode
Ce qui a été fait :
Senseye Predictive Maintenance : données machine en temps réel et analyse par IA pour détecter les signes précoces de dégradation ; usage des fonctions d’IA générative de Senseye pour partager les connaissances entre équipes.
Résultat :
« Saved ~2,000 hours of unplanned downtime across three years » (plus de 1 200 heures en Australie, plus de 750 heures en Nouvelle-Zélande et Asie du Sud-Est) ; « prevent 53 complete process interruptions ». Bénéfices sur émissions, déchets et productivité cités sans chiffre.
Auteur de l’affirmation :
Éditeur
Coût cité :
Non publié
Limites :
Communiqué de Siemens avec citations du client (Colin Robertson, BlueScope) et du fournisseur ; aucune base de comparaison, période de référence ni mode de calcul des heures évitées ; chiffres approximatifs (« ~ », « over ») ; hors Europe, sidérurgie de grand groupe ; aucun coût ni retour sur investissement publié. Les heures évitées portent sur Senseye depuis le pilote de 2022, pas sur le copilote génératif annoncé en mars 2025.
Ce que votre logiciel propose déjà
Plateformes de prédiction. Siemens a ajouté en mars 2025 un copilote de maintenance à Senseye et annonce « en moyenne 25 % » de temps de maintenance réactive en moins sur des pilotes non nommés ; les heures évitées chez BlueScope portent sur Senseye depuis 2022, pas sur ce copilote. IBM a annoncé en juin 2026 Maximo Application Suite 9.2, avec un assistant mobile en langage naturel et un serveur pour brancher ses propres agents, sans client ni chiffre.
GMAO française. DIMO Maint affiche un diagnostic IA dans les ordres de travail (causes probables à partir de l’historique du même équipement) et un rapport vocal pour le technicien, sans date, sans statut ni client rattaché.
Demandez à l’éditeur quelle famille d’équipements son modèle a surveillée chez un client comparable, avec quel taux d’alertes fausses, et où sont hébergées vos données machines.
Siemens : un copilote de maintenance ajouté à Senseye en mars 2025, avec « en moyenne 25 % » de temps de maintenance réactive en moins sur des pilotes non nommés
Statut du chiffre :
Déclaré sans méthode
Ce qui a été fait :
Communiqué de Nuremberg du 24 mars 2025 : Senseye Predictive Maintenance étendu par une solution d’IA générative sur Microsoft Azure, qui doit « support every stage of the maintenance cycle » (réparer, prévenir, prédire, optimiser). Entry Package : conseils de réparation assistés par IA et prédiction de base, connectivité limitée pour la collecte de capteurs ; Scale Package : Senseye avec le Maintenance Copilot complet, prédiction des pannes, dépannage automatisé, déploiement multi-sites. Le cas BlueScope (4 septembre 2025) cite l’usage des fonctions d’IA générative de Senseye.
Résultat :
« First pilot use cases have shown that the Industrial Copilot for maintenance helps save on average 25% » de temps de maintenance réactive. Xerfi (31 août 2026) reprend le chiffre : « le groupe revendique une réduction moyenne de 25% du temps consacré à la maintenance réactive ».
Auteur de l’affirmation :
Éditeur
Coût cité :
Non publié
Limites :
Statut : annonce ; aucune date de disponibilité, aucun client nommé dans le communiqué, ni nombre, secteur ou méthode des pilotes ; la formulation du 25 % est ambiguë dans le texte ; dépendance à Azure ; disponibilité générale non établie par le communiqué. Communiqué de Siemens du 24 mars 2025.
Source :
mars 2025
Seconde source :
août 2026
IBM : Maximo Application Suite 9.2 annoncée le 25 juin 2026 avec un assistant mobile en langage naturel et un serveur MCP pour brancher des agents, sans client ni chiffre
Statut du chiffre :
Non publié
Ce qui a été fait :
Maximo Condition Insight (« brings together work orders, inspections, meter readings and reliability strategies » pour repérer des schémas et recommander des actions) ; Maximo Assistant on Mobile : recherche en langage naturel dans les informations et l’historique d’un actif ; planification conversationnelle et analyse de scénarios ; Maximo Visual Inspection avec inférence locale sur l’appareil ; classification assistée des incidents de sécurité ; serveur MCP pour intégrer ses propres agents aux API de Maximo Manage.
Résultat :
Aucun client nommé, aucun chiffre ; résultats attendus (résolution au premier passage, délais d’affectation, productivité) non quantifiés.
Auteur de l’affirmation :
Éditeur
Coût cité :
Non publié
Limites :
Statut : annonce ; date de disponibilité générale non précisée (renvoi à un webinaire du 30 juin 2026) ; suite de gestion d’actifs de grand compte, prix non publié.
DIMO Maint : un diagnostic IA dans les ordres de travail et un rapport vocal intelligent pour le technicien, fonctions affichées sans date ni client
Statut du chiffre :
Non publié
Ce qui a été fait :
« AI Diagnostics integrated into Work Orders » : à partir du symptôme signalé, l’IA « automatically analyzes the maintenance history for the same asset », repère des cas similaires et propose des causes probables, des actions correctives éprouvées et des liens vers les ordres de travail antérieurs. « Intelligent Voice Reporting » (application mobile) : le technicien décrit son intervention à voix haute, l’IA transcrit, structure le rapport et pose des questions de relance. La page d’accueil mentionne des « AI-powered features » pour DimoMaint MX.
Résultat :
Aucun résultat lié à ces fonctions. Le seul chiffre de la page, « up to 30 % » de réduction des délais de réponse aux demandes, renvoie à une étude interne auprès de clients, sans lien avec les fonctions d’IA de diagnostic ou de rapport vocal.
Auteur de l’affirmation :
Éditeur
Coût cité :
Non publié
Limites :
Pages produit sans date de publication ni de mise à jour, sans statut (disponible, bêta), sans technologie précisée ; la page française n’a pas pu être ouverte (erreur du site), lecture de la version anglaise ; aucun client rattaché à ces fonctions (clients cités sur la page d’accueil : Air Liquide, TotalEnergies, Knauf, Beneteau, sans chiffre).
Source :
consultée le 1er novembre 2026
Ce qu’il faut changer dans le travail
Où se situe le blocage ? Séparez les arrêts dus à des pannes imprévisibles, ceux dus à des alertes ignorées, et le temps de diagnostic. Si vos pannes viennent d’un préventif mal tenu, un modèle n’y changera rien.
Qui voit son travail changer ? Le mainteneur devient le relecteur des alertes et la source du retour terrain : chez Enedis, les opérateurs qualifient chaque cas ; SNCF Voyageurs décrit la difficulté à relier une signature statistique à un état que le mainteneur comprend. Le technicien dicte au lieu d’écrire, et quelqu’un valide. Les méthodes et la DSI co-développent.
À quelles conditions le résultat progresse-t-il ? Une famille d’équipements avec assez d’historique de pannes. Un indicateur fixé avant le pilote : disponibilité, arrêts non planifiés, temps de diagnostic. Un coût d’alerte fausse chiffré, parce qu’une alerte peut déclencher un déplacement. Un pilote comparé à la pratique actuelle (seuils, rondes), sur une durée qui couvre plusieurs pannes : BlueScope compte ses heures sur trois ans depuis un pilote de 2022. Une remesure quand le process ou le produit change.
Comment le gain devient-il économique ? Une panne évitée produit une économie seulement si l’entreprise connaît le coût horaire d’arrêt de la ligne et la part de ce coût qu’un arrêt planifié aurait évité. Le calcul inclut les capteurs et la connectivité, la plateforme, la mise en qualité de la GMAO, le temps des méthodes et le traitement des alertes fausses. Aucun des cas publiés ne donne son coût ; le livre blanc de Bpifrance Conseil et Siparex donne environ 100 000 € pour six mois sur une ligne de formage et environ 6 000 € pour la première année de dictée de procédures (licences et formation). Sur quinze responsables de maintenance européens interrogés par Hoffmann et Lasch (2025), trois n’avaient défini aucun indicateur et l’un disait ne pas attendre d’effet positif dans les cinq ans.
Conditions : quelles données, quelles règles, quelles vérifications ?
Données et intégration. Les pannes sont rares : SNCF Voyageurs comptait moins de 450 pannes affectant le service pour 200 rames, un jeu qu’elle juge insuffisant pour un apprentissage supervisé. Les séries de capteurs décrites ne concernent que les matériels modernes étudiés, et Enedis signale qu’un parc de compteurs communicants est la condition de la réplication. L’intégration passe par la GMAO, parfois le MES, et par une plateforme de données ; posez la question de l’hébergement des données industrielles, souvent dans le cloud de l’éditeur.
Vérifications périodiques. Le Code du travail impose, pour les équipements désignés par arrêté, des vérifications générales périodiques réalisées par des personnes qualifiées et consignées au registre de sécurité. Un modèle qui surveille une machine peut déclencher ou prioriser une intervention ; il ne tient pas lieu de ces vérifications.
Règlement Machines. À partir du 20 janvier 2027, les composants de sécurité au comportement auto-évolutif qui utilisent l’apprentissage automatique passent par un tiers. Un modèle de surveillance qui ne commande aucune fonction de sécurité n’entre pas dans ce champ ; celui qui commande un arrêt peut y entrer, selon une qualification (fonction, comportement évolutif, incorporation) à faire avec le responsable conformité.
Information des techniciens. Un outil qui trace l’activité des techniciens (géolocalisation, dictée, temps par intervention) relève de l’information préalable des salariés sur les dispositifs de collecte, prévue par le Code du travail.
Consultation du CSE. Dans les entreprises d’au moins 50 salariés, l’introduction d’une nouvelle technologie ou un aménagement important qui modifie les conditions de travail des techniciens relève de la consultation du CSE, avant la décision. Le juge examine le projet et ses effets réels sur le travail ; un test volontaire et limité ne dispense pas, à lui seul.
Le Code du travail maintient les vérifications générales périodiques des équipements de travail, par des personnes qualifiées et consignées au registre de sécurité : la surveillance par IA ne les remplace pas
Ce qui a été fait :
Article R4323-23 : des arrêtés du ministre chargé du travail « déterminent les équipements de travail ou les catégories d’équipement de travail pour lesquels l’employeur procède ou fait procéder à des vérifications générales périodiques afin que soit décelée en temps utile toute détérioration susceptible de créer des dangers » ; ces arrêtés « précisent la périodicité des vérifications, leur nature et leur contenu ». Article R4323-24 : les vérifications « sont réalisées par des personnes qualifiées, appartenant ou non à l’établissement », dont la liste « est tenue à la disposition de l’inspection du travail », compétentes dans la prévention des risques des équipements concernés et au fait des dispositions réglementaires. Article R4323-25 : « le résultat des vérifications générales périodiques est consigné sur le ou les registres de sécurité » (renvoi à l’article L4711-5).
Résultat :
Aucun chiffre. Un modèle qui surveille l’état d’une machine peut déclencher ou prioriser des interventions ; il ne tient pas lieu de vérification périodique prévue par arrêté (lecture Spentia). La périodicité et le contenu dépendent de l’arrêté propre à chaque catégorie d’équipement.
Auteur de l’affirmation :
Autorité publique
Limites :
Articles consultés sur code.travail.gouv.fr (reprise de Légifrance), version mise à jour le 1er mai 2008 ; nous n’avons pas consulté les arrêtés d’application (appareils de levage, presses, équipements sous pression, installations électriques) ; la règle décrit le socle, pas un calendrier. Les composants de sécurité à apprentissage relèvent du règlement Machines (UE) 2023/1230.
Source :
mai 2008
Le règlement Machines soumet à un tiers, à partir du 20 janvier 2027, les composants de sécurité au comportement auto-évolutif qui utilisent l’apprentissage automatique
Ce qui a été fait :
Le règlement (UE) 2023/1230 sur les machines s’applique à partir du 20 janvier 2027. Son annexe I, partie A, vise aux points 5 et 6 les composants de sécurité et les machines dont les systèmes ont un « comportement totalement ou partiellement auto-évolutif » et utilisent l’apprentissage automatique pour assurer des fonctions de sécurité : ils relèvent d’une évaluation de la conformité par un tiers. Le considérant 55 écarte de cette évaluation les logiciels « incapables d’apprendre ou d’évoluer ». L’exigence 1.2.1 demande que l’IA ne dépasse pas les limites de sécurité fixées par le fabricant pendant l’apprentissage.
Résultat :
Le guide de l’UNM (2025) décrit une trieuse de myrtilles par caméra et réseau de neurones, dont la sortie est la destination du fruit (rebut ou emballage), sans en faire un exemple de fonction de sécurité. Il indique qu’à sa connaissance « aucune application de système d’IA ne permet d’assurer une fonction de sécurité validée selon les méthodes avérées ».
Auteur de l’affirmation :
Autorité publique
Limites :
Nous n’avons consulté qu’une partie du règlement sur EUR-Lex. Annexe I, partie A, exigence 1.2.1 et date d’application lues dans une présentation d’Eurogip aux journées techniques de l’INRS (25 mars 2025) ; considérant 55 et exemple de tri lus dans le guide de l’UNM (2025), qui ne traite pas de l’AI Act. Le guide de l’UNM ne limite pas cette qualification à l’apprentissage continu en production.
La cour d’appel de Paris confirme la suspension de ChatGPT et d’un assistant de rédaction déployés sans consulter le CSE
Ce qui a été fait :
Dans les entreprises d’au moins 50 salariés, l’employeur consulte le CSE sur l’introduction de nouvelles technologies et sur tout aménagement important qui modifie les conditions de santé, de sécurité ou de travail (article L2312-8, II, 4° du Code du travail). Lorsque le projet relève de cette consultation, l’employeur consulte le CSE avant de prendre sa décision (article L2312-14). Cinq affaires jugées en référé entre février 2025 et février 2026 portent sur la consultation du CSE avant un outil d’IA. Dans quatre d’entre elles, les juges ont suspendu des outils introduits sans consultation : TJ Nanterre, 14 février 2025 (outils encore en phase pilote) ; TJ Créteil, 15 juillet 2025 (Groupe Moniteur et GISI, filiales d’Infopro Digital : ChatGPT et l’assistant DIGI) ; TJ Paris, 2 septembre 2025 (France Télévisions : plateforme MedIAGen suspendue, mais aucune consultation imposée pour la version 2 du chatbot RH) ; TJ Nanterre, 29 janvier 2026 (logiciels de compétences intégrant l’IA). La cour d’appel de Paris a confirmé les deux ordonnances de Créteil le 21 mai 2026 (RG 25/13232 et 25/13234). Dans la cinquième, le TJ de Paris n’a pas imposé de consultation pour Microsoft 365 Copilot, testé quatre mois par des volontaires sans décision de déploiement, avec un effet jugé très limité sur les conditions de travail (10 février 2026).
Résultat :
Le juge regarde l’effet de l’outil sur l’organisation et les conditions de travail, pas la technologie seule (article L2312-8, II, 4°, en vigueur depuis le 25 août 2021). Les juges examinent les usages réels, leur durée, leur étendue et leurs effets sur le travail. Le caractère volontaire ou expérimental ne suffit pas, à lui seul, à écarter la consultation ; dans le dossier Microsoft 365 Copilot, le juge a aussi relevé un effet très limité sur l’organisation et les conditions de travail. À défaut d’accord, le Code du travail prévoit un mois pour l’avis du CSE, deux mois avec expertise, ou trois mois lorsque la consultation avec expertise concerne le CSE central et un ou plusieurs CSE d’établissement (article R2312-6).
Auteur de l’affirmation :
Autorité publique
Limites :
Décisions de référé, donc provisoires. Sources et dates : articles L2312-8 (version du 25 août 2021), L2312-14 et R2312-6 du Code du travail ; arrêt de la cour d’appel de Paris du 21 mai 2026 (RG 25/13232) ; ordonnance du TJ de Paris du 2 septembre 2025 ; commentaires de CMS Francis Lefebvre du 17 septembre 2025 (ordonnances de 2025), du 12 mars 2026 (Microsoft 365 Copilot) et du 13 avril 2026 (TJ Nanterre, 29 janvier 2026) ; synthèse d’ActuIA du 7 octobre 2026, qui couvre toutes les affaires de la carte. Décisions lues dans leur texte : l’arrêt RG 25/13232 et l’ordonnance du TJ de Paris du 2 septembre 2025 ; les autres sont connues par ces commentaires. Le second arrêt du même jour (RG 25/13234) concerne GISI et confirme la même ordonnance ; il a été lu le 31 octobre 2026 sur le site de la Cour de cassation. L’ordonnance du TJ de Créteil du 15 septembre 2026 (GISI) suspend une réorganisation au titre de l’obligation de sécurité de l’employeur, pas de la consultation du CSE : elle ne fonde pas cette règle. La date de la carte est celle de l’arrêt de la cour d’appel, source principale.
Source :
21 mai 2026
Seconde source :
25 août 2021
Avant de décider
À demander au responsable maintenance : qui transforme une alerte du modèle en ordre de travail, dans quel délai, et qui répond d’une alerte ignorée ?
À demander à la direction industrielle : qui fixe le coût horaire d’arrêt de chaque ligne critique, et qui compare les arrêts avec et sans outil ?
À demander au responsable sécurité : qui garantit que les vérifications périodiques restent faites et consignées, quelle que soit la surveillance en place ?
À demander à la DSI : qui répond de l’hébergement des données machines chez l’éditeur, et qui peut couper l’accès ?
À demander au chef d’atelier : qui valide un rapport d’intervention dicté avant qu’il devienne un mode opératoire ?
Ce que cette page ne dit pas
Elle ne promet aucun gain : les cas publiés viennent des exploitants et de leurs fournisseurs, sans méthode, et une partie des résultats annoncés sous le mot « prédictif » peut venir d’une surveillance à seuils. Elle ne compare pas les logiciels. Les cas viennent de sources publiques, pas de missions de Spentia. Chaque carte porte le statut du chiffre et son auteur ; Spentia a vérifié les sources le 1er novembre 2026.
Suite
Fiche : IA et contrôle qualité
Lexique : l’IA prédictive
Guide : réussir un pilote IA