Données d’actifs et IA : pourquoi 85 % des projets échouent

Équiper 300 engins de traceurs crée un gisement de données. Mais tant que cette donnée n'est pas structurée, identifiée et gouvernée, elle reste un point sur une carte : exacte mais muette. Les directions qui veulent « faire de l'IA sur le parc » butent presque toutes sur le même mur, et ce mur n'est pas algorithmique. Cet article explique ce qu'est une donnée d'actif prête pour l'IA et déroule la méthode pour y arriver.

Pourquoi 85 % des projets IA échouent-ils ?

Réponse directe : parce que le maillon faible n'est presque jamais le modèle mais la donnée d'entrée : selon Gartner, environ 85 % des échecs de projets IA tiennent à sa qualité, et la RAND Corporation estime que plus de 80 % des projets IA n'atteignent jamais la production.

Les chiffres publiés en 2025 dessinent un paysage sévère : au-delà des estimations de Gartner et de la RAND, l'IBM Institute for Business Value (2025) chiffre le coût de l'inaction : décisions prises sur un taux d'utilisation faux, surparc maintenu, alertes ignorées, maintenance qui ne prédit rien.

La donnée d'un parc d'actifs cumule trois particularités que la gestion de données classique couvre mal : elle est temporelle (l'instant et l'ordre comptent), spatiale (rapportée à des zones) et massive et continue. Investir dans la donnée avant l'algorithme inverse le ratio d'échec : c'est la thèse du guide TRAKmy, et celle des organisations qui réussissent, deux fois plus nombreuses à avoir repensé leurs processus avant de choisir leurs outils selon McKinsey (2025).

Qu'est-ce qu'une donnée d'actif « prête pour l'IA » ?

Réponse directe : une donnée AI-ready n'est ni la plus volumineuse ni la plus récente : c'est celle qu'un modèle ou un tableau de bord peut exploiter sans retraitement manuel. Cinq propriétés la définissent : alignée sur un cas d'usage, gouvernée au niveau de l'actif, alimentée par des flux contrôlés, décrite par des métadonnées vivantes, et vérifiée en continu.

Trois états de maturité se succèdent : la donnée brute (la trame qui sort du traceur, exacte mais muette), la donnée structurée (rattachée à un actif nommé, une zone, un temps normalisé) et la donnée enrichie, croisée avec les sources métier, comptabilité, planning, maintenance. C'est dans ce troisième état que naît la valeur.

Cette exigence rejoint les trois défis techniques historiques du suivi d'actifs, couverture, autonomie, fiabilité, que nous détaillons dans les trois challenges techniques de l'asset tracking : une donnée fiable commence par un matériel et un réseau fiables.

Qu'est-ce qu'un référentiel d'actifs et pourquoi est-il décisif ?

Réponse directe : le référentiel d'actifs est la table de vérité qui donne à chaque actif un identifiant unique et immuable, une catégorie issue d'une liste fermée, une valeur, une date de mise en service et une affectation. Son absence est la première cause d'échec des projets de données de parc.

La quasi-totalité des projets butent sur ce socle négligé : la donnée existe, mais elle n'est rattachée à rien. L'identifiant pivot ne doit jamais changer, même si l'actif est réaffecté ou rééquipé : le traceur change, la table de correspondance se met à jour, l'historique reste intact. La taxonomie doit être fermée : « pelle », « pelleteuse » et « mini-pelle » en texte libre désignent le même engin sans qu'aucun traitement puisse les regrouper.

Ce chantier, peu spectaculaire, conditionne tout le reste : agrégations par famille, calcul du ROI par la valeur d'acquisition, détection des écarts entre affectation théorique et position réelle. Notre article optimisation de la gestion des stocks par traceur GPS montre ce que débloque un référentiel propre.

📘 Guide gratuit · Édition 2026

Préparer ses données d'actifs pour l'IA

Les 5 propriétés d'une donnée AI-ready et les 3 états de maturité, de la trame brute à la donnée enrichie.

Les 6 dimensions de qualité avec leurs contrôles concrets, et l'architecture complète de la collecte à la décision.

La feuille de route 90 jours : cadrer, fiabiliser, exploiter, avec la checklist « mon parc est-il prêt ? ».

Format PDF, méthode directement actionnable par vos équipes data et exploitation.

Télécharger le guide Donnée & IA →

Quelles sont les six dimensions de la qualité de données ?

Réponse directe : complétude, exactitude, cohérence, fraîcheur, unicité et traçabilité. Une seule dimension défaillante suffit à fausser un modèle : l'IA propage les erreurs au lieu de les corriger, et les dimensions faibles ne se compensent pas entre elles.

Deux réflexes de télémétrie complètent ces contrôles. D'abord, normaliser le temps : tout en référence unique, UTC stocké, affichage local, car une série au temps faux est inexploitable. Puis, marquer les trous plutôt que les masquer : une donnée interpolée non signalée est pire qu'un trou, le trou dit « je ne sais pas » quand l'interpolation masquée affirme une fausseté. Un bon traceur stocke ses positions hors ligne en zone blanche et les remonte au retour du signal : le trou définitif devient un trou comblé en différé.

Par quel cas d'usage IA commencer sur un parc d'actifs ?

Réponse directe : commencez par le surparc (10 à 15 % d'économies, peu exigeant en historique), puis la détection d'anomalies et de vols, avant la maintenance prédictive (30 à 50 % d'immobilisations en moins, ROI documenté autour de 10 pour 1) qui exige un historique propre. Commencer par le cas le plus exigeant est la première cause d'échec.

L'ordre compte parce que chaque étape finance et alimente la suivante : la chasse au surparc dégage des gains rapides avec une simple mesure d'utilisation ; la détection d'anomalies exige peu d'historique et accélère les récupérations ; ces deux étapes accumulent la donnée propre dont la maintenance prédictive a besoin, avant le pilotage prédictif des investissements qui mobilise toutes les dimensions de qualité. Les gains types sont documentés par les études techniques 2025-2026, dont celles du département américain de l'Énergie sur la maintenance conditionnelle.

Côté architecture, la valeur se joue à l'exposition : une API ouverte, documentée et bidirectionnelle est le critère technique le plus déterminant, sans laquelle la donnée reste prisonnière de la plateforme. Le MQTT et les webhooks poussent les événements temps réel vers l'ERP, le TMS ou la GMAO, et l'export Power BI alimente le décisionnel : c'est l'équipement natif des plans Professional et Analytics de la plateforme TRAKmy, avec des capteurs comme ceux de l'ULTRA N+ (température, chocs, orientation, activité, arrachage) qui produisent les séries d'usage de la maintenance prédictive. La gouvernance referme le dispositif : finalité documentée, personnes informées dès qu'un véhicule conduit par un salarié est suivi, durées de conservation définies et hébergement des données en Union européenne. Notre panorama IoT, IA et géolocalisation dans la supply chain et le guide RGPD géolocalisation complètent ces deux volets.

Questions fréquentes

Réponse directe : quatre questions structurent les projets : le délai pour être AI-ready, la stratégie de nettoyage, les pièges récurrents et la bonne fréquence de remontée.