La maintenance prédictive est devenue un sujet stratégique pour les acteurs de la Défense. Derrière le terme, une promesse forte : améliorer la disponibilité opérationnelle, réduire les défaillances imprévues, sécuriser les systèmes critiques.
Radars, sonars, systèmes de propulsion, électronique embarquée, capteurs sensibles… Ces équipements évoluent dans des environnements extrêmes et doivent fonctionner de manière fiable sur des cycles de vie pouvant dépasser vingt ou trente ans.
Dans certains programmes, les POC se multiplient. Les déploiements industriels, eux, restent rares.
Dans un précédent article consacré à la fiabilisation des équipements critiques dans la Défense, nous analysions comment l’IA peut contribuer à renforcer la robustesse des systèmes sur l’ensemble du cycle de vie. Pourtant, malgré ce potentiel, une réalité persiste : la majorité des projets de maintenance prédictive dans la Défense ne dépassent pas le stade du POC. Explorons pourquoi.
Une promesse séduisante, mais difficile à mettre en oeuvre opérationnellement
Sur le papier, les bénéfices de la maintenance prédictive sont évidents. Elle permet d’anticiper les dérives, de réduire les indisponibilités, d’optimiser les plans de maintenance, et de fiabiliser les systèmes sur l’ensemble du cycle de vie.
Dans un POC, ces promesses semblent atteignables. Le périmètre est maîtrisé, les données sont sélectionnées, l’environnement technique est stabilisé. Les performances obtenues sont souvent convaincantes.
Mais le passage à l’échelle révèle souvent un décalage profond entre la démonstration technique et la réalité opérationnelle.
Un terrain Défense structurellement différent
Le secteur de la Défense cumule des contraintes rarement réunies ailleurs.
D’abord, les données de panne sont rares. Les équipements sont conçus pour être robustes et les défaillances critiques restent peu fréquentes. Les approches basées sur de larges historiques annotés trouvent rapidement leurs limites.
Ensuite, les architectures techniques sont contraintes. Systèmes cloisonnés, environnements embarqués, exigences de souveraineté et de cybersécurité élevées. Une solution pensée pour un environnement cloud ouvert peut devenir difficilement déployable sur des infrastructures isolées.
Enfin, la tolérance à l’erreur est extrêmement faible. Un excès de faux positifs dégrade la confiance, et une alerte mal interprétée peut générer des décisions coûteuses ou risquées.
Ces spécificités ne sont pas théoriques. Elles apparaissent immédiatement dès que l’on quitte l’environnement contrôlé du POC pour des systèmes embarqués réels, comme l’illustre le cas du sonar FREMM.
Dans ce type d’environnement, la performance algorithmique seule ne suffit pas. La robustesse opérationnelle devient prioritaire.
Les causes récurrentes des blocages au stade POC
1. Une dépendance excessive à l’historique de pannes
Beaucoup de projets reposent sur des approches supervisées nécessitant des volumes importants de données de défaut. Or, dans la Défense, les pannes critiques sont peu nombreuses et parfois classifiées. Les approches strictement supervisées, dépendantes d’historiques massifs de pannes annotées, sont donc rarement adaptées aux environnements Défense. Le modèle fonctionne en laboratoire, mais manque de robustesse dès que le contexte change.
2. Une IA conçue pour des data scientists, pas pour des experts maintenance
Dans un environnement critique, une alerte sans explication claire est difficilement exploitable. Les experts ont besoin de comprendre quels signaux ont contribué à la détection, comment la dérive évolue, et sur quels éléments fonder leur diagnostic.
Sans explicabilité et sans guidance, l’outil reste perçu comme une boîte noire. Il impressionne en phase pilote, mais peine à s’imposer dans l’exploitation quotidienne.
3. Une absence d’intégration dans les processus MCO
La maintenance prédictive ne peut pas fonctionner en parallèle des processus existants. Elle doit s’intégrer aux systèmes de gestion de maintenance, aux workflows opérationnels et aux contraintes contractuelles des équipementiers. Sans cette intégration, le projet reste isolé et donc fragile.
Ce que les approches classiques sous-estiment
Le secteur Défense impose une vision long terme. Les systèmes évoluent, sont modernisés, reconfigurés, parfois exploités dans des conditions très différentes de celles prévues initialement.
Un modèle figé, calibré sur un jeu de données stable, se dégrade avec le temps. L’enjeu n’est pas uniquement la performance initiale, mais la capacité d’adaptation sur la durée.
Par ailleurs, la maintenance prédictive ne se limite pas à la détection d’anomalies. L’enjeu réel est le diagnostic. Identifier une dérive n’a de valeur que si elle permet de guider l’action de maintenance de manière pertinente et traçable.
C’est précisément ce passage de la simple alerte à l’aide au diagnostic qui conditionne la transformation d’un POC en outil industriel.
Passer du POC à la capacité opérationnelle
Dépasser le stade du POC suppose un changement de paradigme.
Il ne s’agit plus de démontrer qu’un algorithme peut détecter une anomalie sur un jeu de données sélectionné. Il s’agit de concevoir une solution compatible avec les contraintes réelles du terrain : données limitées, architectures contraintes, exigences d’explicabilité, cycles de vie longs.
Ce qui fonctionne réellement repose sur trois conditions structurantes :
- Des modèles capables d’apprendre sans historique massif de pannes
- Un déploiement compatible on-prem et architectures cloisonnées
- Une explicabilité orientée maintenance, pensée pour guider l’action des experts terrain
À ce prix seulement, la maintenance prédictive peut devenir une capacité industrielle durable, et non un projet expérimental supplémentaire.
Conclusion
Si la majorité des projets de maintenance prédictive dans la Défense restent bloqués au stade du POC, ce n’est pas parce que l’IA ne fonctionne pas.
Le problème n’est pas l’IA. Le problème est d’appliquer des méthodes pensées pour des environnements industriels ouverts à des systèmes Défense contraints, fermés et évolutifs.
La véritable question n’est donc pas “peut-on faire un POC réussi ?” mais plutôt : “la solution est-elle conçue pour dépasser les contraintes réelles du secteur de la Défense ?”
