Les véhicules modernes génèrent un volume colossal de données de diagnostic : journaux de capteurs, codes d’erreur, traces réseau, données télémétriques provenant de dizaines de calculateurs. Face à cette explosion de données, les équipes d’ingénierie et d’assistance se tournent vers l’ AI e automobile pour les aider à y voir plus clair. Mais il y a un problème. La meilleure estimation fournie par un simple modèle d’ AI e ne suffit pas lorsque la réponse doit résister à l’examen minutieux d’un ingénieur ou d’un client se trouvant au guichet du service après-vente d’un concessionnaire.
L'alternative, c'est l'AI e agentique : cesser de demander une seule réponse à un seul modèle. Pourquoi ne pas, à la place, confier le dossier à une équipe d'AI s spécialisés, les laisser débattre du problème sous différents angles, et ne retenir une recommandation qu'une fois qu'un véritable consensus aura été atteint — ou faire appel à un humain en cas d'absence de consensus ?
Pourquoi un seul modèle d'AI e ne suffit pas pour le diagnostic automobile
Les plateformes d’ AI s prêtes à l’emploi présentent deux faiblesses structurelles en matière de diagnostic automobile. Premièrement, ce sont des « boîtes noires » : elles fournissent une réponse sans chaîne de raisonnement transparente, ce qui rend difficile pour un ingénieur de se fier à ce résultat, de le vérifier ou d’agir en conséquence. Deuxièmement, les grands modèles linguistiques (LLM) sont intrinsèquement non déterministes ; posez deux fois la même question et vous pouvez obtenir deux réponses différentes. Pour un conseiller du service client ou un ingénieur de validation, cette incohérence est rédhibitoire. Les conclusions diagnostiques doivent être reproductibles et défendables, et pas seulement plausibles.
Plutôt que de s'appuyer sur un seul modèle pour traiter un problème de diagnostic de bout en bout, cette approche dite « d'AI e agentique » répartit le travail entre plusieurs agents spécialisés. Chacun d'entre eux examine le même problème sous un angle différent : l'un peut se concentrer sur les données des capteurs et de télémétrie, un autre sur les schémas de pannes historiques et les problèmes connus, un autre encore sur la documentation technique et les dossiers d'entretien, et un autre enfin sur la chaîne causale reliant les symptômes à la cause première.
Ces agents ne se contentent pas de fonctionner en parallèle et de calculer une moyenne de leurs résultats. À toutes fins utiles, ils débattent activement, comparent leurs conclusions, remettent en question les conclusions fragiles et parviennent à un jugement commun. Lorsque les preuves sont solides et que les agents sont d’accord, le système émet une recommandation unique et explicable. Lorsque les preuves sont insuffisantes ou que les agents sont en désaccord, le système transmet le problème à un ingénieur ou à un technicien humain plutôt que d’imposer un faux consensus.
Appliquer cette approche tout au long du cycle de vie du véhicule
Ce qui rend cette approche particulièrement efficace, c'est qu'elle ne se limite pas à un seul moment de la vie d'un véhicule. La même architecture « agentique » s'applique aux deux extrémités du cycle de vie :
- Avant le SOP (avant le début de la production) : Au cours de la développement et de la validation, les équipes d’ingénierie utilisent ce type de logiciel de diagnostic de véhicules « AI » pour analyser les causes profondes, établir des corrélations entre les données de différents domaines, reconstituer les chaînes causales et s’appuyer sur leur expertise technique afin de comprendre pourquoi un prototype ou un véhicule d’essai présente un comportement inattendu, avant même que le problème n’atteigne la chaîne de production.
- Après la mise en service (une fois les véhicules sur la route) : une fois que les véhicules sont entre les mains des clients, cette même approche sous-jacente guide les équipes des concessionnaires et du service après-vente sur le terrain, en aidant un conseiller de service à passer d’une plainte vague du client à un diagnostic validé sans avoir besoin d’une expertise approfondie sur chaque sous-système du véhicule.
Les enjeux et les sources de données varient à chaque étape, mais l'idée centrale — celle d'agents spécialisés qui débattent pour parvenir à une réponse défendable — reste présente tout au long du cycle de vie.
Un exemple de « Fastlane™ Platform »
L' Sonatus Fastlane Platform en est une illustration concrète. Fastlane™ Insight, la couche de diagnostic de la plateforme, les agents d’ AI s sur les véhicules mettent en corrélation les données des véhicules, les journaux d’erreurs, la documentation technique et les rapports d’enquête historiques au sein d’une couche d’intelligence unique, puis font appel à des agents d’ AI s sur les véhicules pour analyser ce contexte et déterminer les causes profondes.
Imaginons un défaut intermittent de gestion de la batterie signalé sur quelques véhicules en service. Un agent pourrait croiser ce défaut avec les données de télémétrie et les tendances antérieures observées à l’échelle de la flotte afin de vérifier s’il s’agit d’un problème connu. Un autre pourrait recouper le code d’erreur avec la documentation technique et les données de service ODX afin d’identifier les causes premières plausibles. Un troisième pourrait reconstituer la chaîne causale à partir des relevés des capteurs ayant conduit à la panne. L’orchestration en boucle fermée d’ Fastlane Insightpermet de mener ces pistes d’investigation en parallèle, en demandant automatiquement davantage de données sur les véhicules si les indices ne sont pas concluants, et en transmettant le dossier à un ingénieur via un workflow prédéfini lorsque les agents ne parviennent pas à s’accorder sur une réponse fière.
C'est ce même modèle qui donne déjà des résultats : un équipementier mondial étudie actuellement la plateforme d'Sonatus, basée sur la technologie « AI », afin de réduire le temps nécessaire à l'analyse des causes profondes, passant de deux semaines à deux jours en passant d’une validation manuelle sur site à un workflow à distance assisté par AI.
Le changement le plus important
La technologie sous-jacente ne se résume pas à des suggestions astucieuses. Il s’agit d’un changement dans ce que les équipes sont en droit d’attendre d’un logiciel de diagnostic de véhicules AI . Plutôt que de se fier à la meilleure estimation d’un modèle unique, les équipes disposent d’un système conçu pour parvenir à un véritable consensus entre différentes perspectives spécialisées, pour reconnaître lorsqu’il n’y en a pas et pour transmettre le problème à un humain. C’est cette combinaison d’explicabilité, de stabilité et d’escalade appropriée qui fait passer les diagnostics AI du statut de simple démonstration intéressante à celui d’outil sur lequel les ingénieurs et les techniciens peuvent compter.