La première partie de cette série a expliqué pourquoi l’infrastructure de données de l’industrie automobile a pris de l’avance sur son infrastructure d’intelligence et a présenté l’« Agentic Loop » — le cadre proposé par Sonatuspour combler cet écart : Détecter → Collecter → Raisonnement → Agir → Apprendre. Dans la deuxième partie, nous allons détailler le rôle précis de chaque étape et expliquer pourquoi l’ordre dans lequel elles s’enchaînent est tout aussi important que les phases elles-mêmes.
DÉTECTER
La détection constitue le point d'entrée de la boucle, et sa qualité détermine celle de tout ce qui se passe en aval. Si elle est mal réalisée, elle inonde le système de bruit. Si elle est bien réalisée, elle agit comme un filtre précis : elle met en évidence les signaux pertinents tout en ignorant ceux qui ne le sont pas.
La détection traditionnelle dans les systèmes automobiles repose généralement sur des règles : franchissement de seuils, déclenchement de codes d'erreur, conditions binaires de réussite/échec. Ces règles ont été définies par des ingénieurs à un moment donné, sur la base de modes de défaillance connus. Elles sont, par définition, rétrospectives : elles sont calibrées pour détecter des problèmes déjà observés, indépendamment du contexte plus large du système dans lequel ils se produisent.
La détection dans une architecture agentique est différente. Elle fonctionne de manière probabiliste et contextuelle, en s'appuyant simultanément sur des modèles issus de plusieurs domaines du véhicule — non seulement le groupe motopropulseur, la gestion thermique ou la mise en réseau du véhicule pris isolément, mais aussi les intersections entre eux. Un événement thermique qui coïncide avec un modèle de trafic réseau spécifique lors d'un scénario de conduite particulier constitue un signal différent de ce même événement thermique pris isolément. Le contexte modifie le sens, et la détection doit tenir compte du contexte pour faire émerger le bon signal au bon moment.
Il est essentiel de noter que la détection s'effectue en continu — non pas sous la forme d'un traitement par lots à la fin d'une journée d'essais, mais en tant que couche active intégrée à l'infrastructure intelligente du véhicule. C'est ce qui confère à cette boucle un caractère actif, plutôt que simplement analytique.
COLLECT
Une fois qu'un élément méritant d'être examiné a été détecté, la phase de collecte permet de déterminer quelles données sont collectées — et, tout aussi important, celles qui ne le sont pas.
Le changement consiste ici à passer d’une journalisation en continu à une collecte ciblée, déclenchée par des événements. La journalisation en continu génère des volumes considérables de données, dont la grande majorité ne sera jamais analysée. Leur transmission via les réseaux mobiles, leur stockage et leur traitement représentent des coûts élevés. Plus important encore, les journaux bruts manquent généralement du contexte nécessaire pour les rendre exploitables : sans savoir ce qui a déclenché la capture des données, les données télémétriques brutes sont difficiles à interpréter.
La collecte pilotée par les événements inverse cette relation. Lorsque la couche de détection identifie un signal méritant d’être examiné, l’étape de collecte met en place une capture ciblée : les canaux appropriés, la fenêtre temporelle adéquate, le contexte inter-domaines pertinent — le tout capturé avec précision autour de l’événement d’intérêt. Au lieu de gigaoctets de journaux continus, l’ingénieur reçoit les données pertinentes, richement annotées avec les conditions dans lesquelles l’événement s’est produit.
C'est ce qui évite de devoir relancer le processus. Le contexte qui était auparavant perdu — la fenêtre qui s'était fermée avant que quiconque n'ait configuré l'enregistreur — est capturé dès la première fois, car le système était déjà à l'affût. Le prototype n'a pas besoin d'être relancé. Les ingénieurs disposent de tout ce dont ils ont besoin.
RAISON
Le raisonnement est l'étape qui distingue le plus clairement une architecture d'intelligence d'une architecture de données. C'est à ce stade que la boucle passe de « ce qui s'est passé » à « pourquoi ».
La complexité des systèmes automobiles rend l’analyse manuelle des causes profondes de plus en plus difficile. Les interactions entre différents domaines — entre le groupe motopropulseur, la gestion thermique, les systèmes ADAS et les réseaux embarqués — génèrent des modes de défaillance qui n’apparaissent pas clairement dans un seul flux de données. Un ingénieur expérimenté peut passer des jours à corréler des signaux provenant de journaux CAN, de captures Ethernet, de données de capteurs et de traces d’événements système afin de formuler une hypothèse sur la cause profonde. Or, cette expertise n’est pas facilement transférable : elle réside dans les individus, s’est accumulée au fil d’années de travail de diagnostic, et devient un risque de perte de savoir-faire dès que ces personnes envisagent d’autres opportunités.
Dans une architecture agentique, la phase de raisonnement applique une analyse assistée par l’ AI e précisément à ce type de données provenant de sources multiples et couvrant plusieurs domaines. Elle ne remplace pas le jugement de l’ingénieur, mais réduit le temps nécessaire pour passer des données à l’hypothèse. Elle met en évidence les causes profondes potentielles, accompagnées d’éléments probants, présentées de manière structurée afin que l’ingénieur puisse les examiner, les valider et agir en conséquence. L’ingénieur reste impliqué dans le processus ; celui-ci s’exécute simplement plus rapidement et gère une complexité bien supérieure à ce qu’un individu pourrait gérer manuellement.
Il y a également une dimension de préservation des connaissances dans tout cela que le secteur a tendance à sous-estimer. Lorsque l’expertise en matière de diagnostic est intégrée dans la couche de raisonnement — lorsque les connaissances accumulées par les ingénieurs experts en matière de reconnaissance de formes sont enregistrées dans un système plutôt que de résider uniquement dans leur esprit —, elle devient un actif institutionnel durable. Elle ne disparaît pas, elle s’accumule.
ACT
C'est la phase d'action qui confère à la boucle son caractère véritablement agentique, au-delà d'une simple dimension analytique. Sans elle, la boucle agentique n'est qu'un système de compte rendu sophistiqué. Avec elle, l'intelligence devient un résultat.
L'éventail des actions est délibérément large. D'un côté : communiquer une conclusion structurée à un ingénieur de validation, accompagnée d'éléments probants et d'une cause première potentielle, via les outils qu'il utilise déjà. De l'autre côté : déclencher une mise à jour de configuration OTA pour un segment spécifique de la flotte, ou signaler une recommandation d'entretien pour un véhicule chez un concessionnaire donné. Entre ces deux extrêmes se trouve toute une gamme de réponses automatisées et semi-automatisées, adaptées au niveau de confiance du raisonnement, à l’importance de la décision et aux politiques organisationnelles de l’équipementier.
C'est également au niveau de la couche opérationnelle que la boucle génère sa valeur métier la plus visible. Les constatations qui nécessitaient auparavant plusieurs jours d'analyse manuelle et une réunion programmée pour donner lieu à des mesures peuvent désormais être mises en évidence et diffusées en quelques heures. Les interventions visant à améliorer la qualité de la flotte, qui devaient auparavant être déclenchées par un pic des demandes de garantie, peuvent désormais être mises en œuvre avant même que la première réclamation d'un client ne soit formulée.
APPRENDRE
C'est la phase d'apprentissage qui distingue la boucle agentique de toutes les autres approches appliquées à l'intelligence des véhicules — et c'est la phase la plus importante d'un point de vue stratégique.
Chaque étape de la boucle a sa propre valeur en soi. Mais sans l'étape d'apprentissage, la boucle reste statique : la qualité de la détection, de la collecte et du raisonnement au cycle 1 000 n'est pas meilleure qu'au premier cycle. L'étape d'apprentissage boucle la boucle au sens propre du terme : les résultats sont réinjectés dans les modèles de détection et la base de connaissances de raisonnement, ce qui permet de les mettre à jour en fonction de ce qui a été confirmé, de ce qui était incorrect et des nouveaux schémas qui sont apparus.
Cela signifie que le système s'améliore de manière tangible au fil du temps. Il ne s'agit pas d'une amélioration progressive et marginale, mais d'une amélioration exponentielle — car chaque cycle vient enrichir l'intelligence accumulée du système, ce qui améliore la qualité de chaque cycle suivant. Nous reviendrons sur l'importance de cet aspect pour la stratégie des équipementiers, car nous estimons qu'il s'agit de la conséquence la plus importante de cette architecture.
Pourquoi « système d'exploitation » est la bonne métaphore
Soyons précis quant à la métaphore du système d'exploitation, car elle risque de passer pour un argumentaire de communication si elle n'est pas correctement étayée.
Un système d'exploitation n'exécute pas les fonctions de l'application. Il gère les ressources sous-jacentes — puissance de calcul, mémoire, E/S — afin que les applications puissent se concentrer sur leur mission première. Il crée une plateforme stable et partagée sur laquelle de nombreux types de tâches peuvent s'exécuter efficacement.
La boucle Agentic joue le même rôle pour l’intelligence automobile. Elle gère la complexité sous-jacente des données du véhicule — détection, collecte, raisonnement, action, apprentissage — afin que les équipes qui s’appuient sur elle puissent se concentrer sur leur véritable mission : prendre des décisions techniques, améliorer la qualité des produits, répondre aux besoins des clients. Elle ne remplace aucune de ces fonctions. Elle crée les conditions permettant à chacune d’entre elles de fonctionner avec une rapidité et une qualité nettement supérieures à celles qu’elles pourraient atteindre sans elle.
Et, à l’instar d’un système d’exploitation, sa valeur augmente à mesure que davantage de fonctions s’exécutent dessus. Une infrastructure d’intelligence partagée entre la validation, la qualité et le service a plus de valeur que la même capacité déployée en silos — car les modèles appris lors de la validation éclairent la détection sur le terrain, et les modes de défaillance confirmés sur le terrain alimentent à leur tour les références de validation. Cette boucle ne se limite pas à une seule fonction ; elle relie les fonctions entre elles.
Le « Loop » en pratique : avant et après le SOP
L'architecture de la boucle reste inchangée tout au long du cycle de vie du véhicule. Ce qui change, ce sont la source des données et la nature de l'action effectuée à la fin.
Avant la mise en œuvre de la procédure standard (SOP), lors de la phase de validation, la boucle est testée sur des prototypes de véhicules dans le cadre de scénarios d’essai structurés et non structurés. La détection identifie les anomalies en temps réel pendant l’essai routier. La collecte ciblée enregistre le contexte pertinent sur place, avant que le véhicule ne regagne l’ the garage e et que la fenêtre ne se referme. Le raisonnement met en évidence les causes profondes potentielles pour l’équipe de validation le jour même, voire plus rapidement. Les mesures prises peuvent consister en un ajustement immédiat du protocole de test ou en une remarque de conception transmise à l’équipe d’ingénierie responsable. L’apprentissage met à jour les modèles de détection et de raisonnement pour le cycle de test suivant, de sorte que le système aborde les tests suivants en sachant déjà ce qu’il doit surveiller.
Après la phase SOP, sur le terrain, ce même cycle s’applique à grande échelle à l’ensemble d’un parc de véhicules de série. La détection identifie les tendances émergentes — regroupements de modes de défaillance par région, cycle de conduite, version logicielle ou conditions environnementales. La collecte ciblée confirme le signal grâce à des preuves précises et reproductibles provenant des véhicules concernés. Le raisonnement permet de diagnostiquer la cause première au niveau du parc. Les mesures à prendre peuvent prendre la forme d’une mise à jour OTA d’une configuration logicielle spécifique, d’une campagne d’entretien proactive avant que les défaillances ne deviennent visibles pour les clients, ou d’une alerte qualité adressée à un fournisseur de composants. L’apprentissage intègre le nouveau mode de défaillance dans la base de référence de détection, de sorte que la prochaine plateforme intègre d’emblée ces connaissances.
L'architecture ne change pas d'aspect entre un garage de validation et une flotte de véhicules de série ; seules la source des données et l'action finale varient. Cette cohérence est toutefois bien plus qu'un simple détail de conception. C'est la raison pour laquelle ce type de système gagne en valeur au fur et à mesure qu'il fonctionne, ce qui constitue l'argument le plus important pour déterminer comment les équipementiers devraient envisager cette question aujourd'hui.
