En 2024, Stellantis a procédé au rappel d'environ 1,23 million de pick-up Ram 1500 après avoir identifié un problème logiciel au niveau du système de freinage antiblocage susceptible de désactiver le contrôle électronique de stabilité.
Ce qui rend cette affaire intéressante, ce n’est pas simplement le fait qu’un logiciel soit en cause. C’est la difficulté que l’on peut rencontrer pour diagnostiquer correctement les problèmes des véhicules modernes. Les symptômes peuvent indiquer un problème matériel, logiciel ou lié aux interactions entre les systèmes, et un diagnostic erroné peut entraîner des réparations inutiles avant même que la cause sous-jacente ne soit identifiée.
La leçon à en tirer ne concerne pas ce défaut en particulier. Elle porte plutôt sur le temps nécessaire pour transformer les éléments de preuve recueillis sur le véhicule en mesures concrètes et sûres.
Ce qui est intéressant dans cette histoire, ce n’est pas le défaut technique en soi. C’est le délai qui s’écoule entre l’apparition des premiers signes d’un problème et le moment où l’organisation dispose d’une compréhension suffisante pour agir à l’échelle de l’ensemble de la flotte.
Appelons cela latence de qualité.
À mesure que les véhicules dépendent de plus en plus des logiciels, de l'électronique, des réseaux et des services connectés, la réduction de cette latence pourrait devenir l'un des moyens les plus efficaces pour les constructeurs automobiles d'anticiper les problèmes de qualité – en résolvant les incidents plus tôt, avant qu'ils ne dégénèrent en réclamations au titre de la garantie, en campagnes d'entretien et en rappels pouvant coûter des millions de dollars.
Le problème ne réside pas dans un manque de données
Les véhicules modernes génèrent d'énormes quantités d'informations : données télématiques et de localisation, codes de diagnostic (DTC), signaux et journaux des calculateurs (ECU) multidomaines, données logicielles et de connectivité, statistiques au niveau du réseau et du bus.
Les organismes d'ingénierie disposent eux aussi d'une multitude d'informations : cahiers des charges, exigences, systèmes de suivi des problèmes, enquêtes antérieures, analyses par arbre de défaillance, dossiers d'entretien et demandes de garantie, ainsi que des décennies d'expertise accumulée.
Pourtant, lorsqu'un problème survient, les ingénieurs passent encore beaucoup de temps à rechercher les données pertinentes, à identifier ce qui manque, à établir des corrélations entre les événements sur l'ensemble des systèmes et à déterminer la cause réelle du problème.
Un problème sur l'écran du système d'infodivertissement peut trouver son origine dans un boîtier électronique, un service logiciel, une interaction réseau ou encore ailleurs. L'endroit où le problème se manifeste n'est plus nécessairement celui où il a pris naissance.
Ainsi, l'indicateur de qualité pertinent ne réside pas simplement dans la quantité de données qu'un équipementier peut collecter. Il s'agit plutôt la rapidité avec laquelle l’entreprise est capable de transformer les bonnes informations en actions sûres ; et plus ce processus est rapide, plus le coût de résolution du problème est faible
La latence est omniprésente
Le rappel des systèmes ESC de Stellantis illustre la latence de raisonnement: le délai qui s'écoule entre le moment où l'on constate un problème et celui où l'on en comprend correctement la cause sous-jacente. Mais ce n'est là qu'une forme parmi d'autres.
Il y a également la latence d'analyse: le temps nécessaire pour déterminer précisément quels numéros d’identification du véhicule (VIN), configurations, pièces ou versions logicielles sont réellement concernés.
Il y a latence de réponse: la rapidité avec laquelle une signature de défaillance connue peut être transformée en information de surveillance ou de diagnostic capable de détecter des situations similaires ailleurs.
Et il y a la latence des connaissances: le temps qu’il faut pour que ce qu’une équipe d’ingénieurs a appris devienne utile au programme suivant — ou même pour savoir si ces connaissances parviennent un jour à être transmises.
Cinq rappels récents analysés dans notre nouveau livre blanc, « The Shift to Continuous Quality », illustrent ces différentes formes de latence. Différents fabricants. Différents systèmes. Différentes causes techniques. Mais un même problème récurrent : un décalage entre le moment où les informations nécessaires à l’action sont disponibles et celui où l’organisation peut agir en conséquence.
Plus on s'en rend compte tard, plus le problème coûte cher
La latence est importante car l'impact économique d'un défaut évolue considérablement au fur et à mesure que le véhicule avance dans son cycle de vie.
Si un problème est détecté pendant le développement, le coût est principalement lié au temps de travail des ingénieurs, aux tests et, éventuellement, aux répercussions sur le calendrier.
Si ce même problème est détecté après la livraison de milliers de véhicules, la solution technique ne sera peut-être pas plus difficile à mettre en œuvre. Mais l'entreprise doit alors gérer les concessionnaires, les demandes de garantie, les pièces de rechange, la communication avec les clients, la logistique, les déclarations réglementaires et, éventuellement, un rappel.
La réparation de ce défaut n'a pas forcément coûté plus cher . Il est devenu plus coûteux parce qu'il a fallu plus de temps pour le comprendre et y remédier.
Cela suggère une autre façon d'envisager la qualité des véhicules : au lieu d'optimiser les enquêtes individuelles, il s'agit de réduire systématiquement la distance entre Détecter → Comprendre → Résoudre et maîtriser → Prévenir → Tirer des enseignements.
C'est le principe sur lequel repose l'amélioration continue de la qualité.
Si l'on remonte la chaîne, la situation économique change
Réduire la latence après la mise en service (SOP) peut accélérer les interventions sur le terrain et limiter leur impact. Mais il existe une opportunité encore plus importante : déployer ces mêmes capacités en amont.
Lors de la validation d'un véhicule, un problème intermittent peut se produire une seule fois puis disparaître. Si les ingénieurs n'ont pas recueilli les signaux ou les journaux d'erreurs appropriés au moment où cela s'est produit, ils peuvent être amenés à reproduire la situation afin de recueillir davantage d'éléments de preuve.
Et si l'enquête pouvait s'adapter tant que le véhicule et la situation de défaillance étaient encore disponibles ?
Au Centre technique européen de Nissan (NTCE), l’ Sonatus , teste actuellement une collecte ciblée et événementielle des données des véhicules, ainsi qu’une analyse assistée par l’ AI, afin de les aider à atteindre cet objectif. Les premiers résultats ont permis de réduire le temps nécessaire à l’agrégation manuelle des données de 2 à 4 heures à moins de 5 minutes, la détection des anomalies de 4 à 8 heures à 10 à 15 minutes, et l’analyse des causes profondes ainsi que la rédaction de rapports de 1 à 2 jours à moins d’une heure. Le programme vise à réduire à deux jours la durée des enquêtes de bout en bout, qui pouvaient auparavant s’étendre jusqu’à deux semaines. Ces résultats sont préliminaires, mais ils démontrent ce qui se passe lorsque le délai entre l’observation, l’acquisition du contexte et la compréhension technique commence à s’amenuiser.
Et cela est important, car chaque problème résolu avant la mise en œuvre de la procédure standard permet d'éviter des catégories entières de coûts en aval.
Maintenant, intégrons l'intelligence dans le véhicule
Il y a une troisième étape.
Une fois qu'une signature de défaillance, un schéma de dégradation ou une méthode de diagnostic a été validé par les ingénieurs, pourquoi ces connaissances devraient-elles rester confinées à un système d'ingénierie ? Elles pourraient au contraire être intégrées au système intelligent embarqué du véhicule.
Une signature d'anomalie validée peut devenir un nouveau dispositif de surveillance. Un schéma de dégradation peut servir de détecteur d'alerte précoce. Lorsqu'un événement inhabituel se produit, le véhicule peut aider à recueillir les informations contextuelles précises nécessaires à son analyse.
Désormais, l'information circule dans les deux sens : les véhicules fournissent des données aux ingénieurs, et ces derniers améliorent la capacité des véhicules à détecter le prochain problème. Le véhicule n'est plus simplement une source de données. Il devient un acteur à part entière de la qualité.
La « qualité continue » peut être mise en œuvre à trois étapes différentes du cycle de vie d’un véhicule grâce à l’ Sonatus Fastlane™ Platform . Avant le lancement de la production (SOP), cette approche peut être intégrée aux phases de test et de validation des véhicules afin d’identifier et de résoudre les problèmes avant la livraison des véhicules. Après le SOP, les équipementiers peuvent s’appuyer sur les données de production et les flux de travail existants pour analyser et maîtriser plus rapidement les problèmes rencontrés sur le terrain. Enfin, dans les futures plateformes de véhicules, ils peuvent intégrer directement dans le véhicule les informations issues de l’ Fastlane Platform , créant ainsi un système d’apprentissage continu qui relie les données collectées par les véhicules aux connaissances acquises par les ingénieurs et aux mesures qu’ils prennent en conséquence.
Prendre une longueur d'avance en matière de qualité
AI jouera un rôle important dans cette transition. Elle est capable de repérer des tendances, d’établir des corrélations entre les données, de raisonner dans différents domaines de l’ingénierie, d’identifier les informations manquantes et de contribuer à coordonner les étapes suivantes.
L'avantage concurrentiel que AI apportera est le temps: réduire le délai entre le moment où l’on identifie un problème, celui où on le comprend, celui où l’on agit pour y remédier, et celui où l’on tire parti des enseignements acquis pour la prochaine fois. Car le meilleur problème n’est pas simplement celui que l’on résout rapidement. C’est celui dont on tire des enseignements suffisamment tôt pour ne plus avoir à le résoudre à nouveau.
Lisez le nouveau livre blanc d’ Sonatus , « The Shift to Continuous Quality », qui présente les recherches et analyses de Frost & Sullivan, pour découvrir le cadre de la qualité continue, les enseignements tirés de cinq rappels récents, les premiers résultats opérationnels du NTCE et la modélisation économique de l'anticipation de l'intelligence qualité plus tôt dans le cycle de vie du véhicule.