Voici la première partie de « The Uptime Equation », une série consacrée aux aspects économiques de l'intelligence en périphérie dans les véhicules utilitaires.
Un poids lourd arrive chez un concessionnaire avec un code d'erreur intermittent. Le technicien remplace le composant le plus susceptible d'être en cause, efface le code et renvoie le camion sur la route. Trois semaines plus tard, le camion revient avec le même code. Puis cela se reproduit. Lors de la quatrième visite, quelqu’un découvre la véritable cause : un faisceau de câbles usé par frottement, situé à deux modules de l’endroit indiqué par le code. Au total, la flotte a dû se passer de ce camion pendant la majeure partie de la semaine. Le constructeur a pris en charge le coût de trois pièces qui n’étaient pas défectueuses et de trois interventions sous garantie, et cela a nui à une relation dont il aura besoin lors du prochain renouvellement de la flotte.
Personne n'a commis d'erreur. Le code d'erreur s'est déclenché exactement comme prévu. Un code d’erreur J1939 (SPN/FMI) indique à un technicien quel signal est sorti de sa plage attendue et de quelle manière. Il n’en précise pas la raison. Un simple problème de câblage ou de connecteur peut déclencher des codes sur plusieurs modules à la fois. Les véhicules utilitaires bénéficient depuis des années d’un entretien piloté par la télématique, avec des ordres de travail, des tableaux de bord et des alertes déclenchés par les codes d’erreur (DTC), et ce système fonctionne bien. Ce qui est limité, c’est la résolution du signal qui l’alimente.
Le coût d'un contexte manquant
Selon l'analyse de l'ATRI de 2026 sur les coûts d'exploitation du transport routier, le coût moyen d’exploitation d’un camion a atteint 2,336 dollars par mile en 2025, un niveau jamais atteint auparavant. Les frais de réparation et d’entretien ont augmenté de 8,6 % pour s’établir à 0,215 dollar par mile, soit la plus forte hausse parmi tous les postes de dépenses, à l’exception des péages. À mesure que les coûts de réparation grimpent, chaque nouvelle intervention due à un code ambigu coûte plus cher. Les diagnostics laborieux sont fréquents : l’enquête de McKinsey de 2026 menée par McKinsey auprès de responsables du service après-vente et de la qualité a révélé qu’il fallait environ sept semaines pour identifier la cause première confirmée, et a cité la mauvaise qualité des données comme un obstacle majeur à l’utilisation de l’ AI pour prédire les problèmes de qualité.
Pour les équipementiers, cette ambiguïté se traduit par des frais de garantie. Dans l’ensemble du secteur automobile, les coûts liés aux garanties ont atteint 58 milliards de dollars en 2024, soit le double de leur niveau de 2012, comme le souligne l’article publié sur le blog « Sonatus » Le problème des 58 milliards de dollars que Vehicle AI est conçu pour résoudre. Chaque pièce remplacée inutilement sous garantie et chaque retour pour « aucune panne constatée » contribuent à ce chiffre.
La disponibilité joue un rôle déterminant dans l'attribution du prochain contrat de flotte à une gamme de véhicules utilitaires, et les flottes intègrent de plus en plus souvent la disponibilité et les capacités de diagnostic dans leurs critères d'achat.
Le manque de contexte a également un coût humain. Lorsque les alertes sont trop souvent vagues, tardives ou erronées, les conducteurs cessent d'en tenir compte et les techniciens se mettent à vérifier manuellement les tableaux de bord. Une alerte à laquelle personne ne fait confiance est pire que l'absence d'alerte, car elle incite les gens à ignorer celle qui compte vraiment.
Fragmentation, au sein de la flotte et à l'intérieur du camion
Au sein de la flotte, le problème réside dans le manque d'uniformité entre les marques. « La voie à suivre : exploiter de nouvelles opportunités grâce à la standardisation des données relatives aux véhicules utilitaires », a mis en évidence le fait que plus de 90 % des flottes exploitent des véhicules de marques différentes, et que les formats de signaux et les conventions de nommage propriétaires compliquent l’intégration. COVESA prévoit que le marché de la télématique des véhicules utilitaires passera de 33 milliards de dollars en 2022 à 95 milliards de dollars d’ici 2032, et que toute cette croissance repose sur cette couche de données fragmentée.
Au sein d’un même camion, le problème réside dans la propriété. Les équipementiers de poids lourds sont également des intégrateurs. Le moteur, la transmission, le système de post-traitement et les contrôleurs de freinage proviennent souvent de fournisseurs différents, et chacun signale les défauts à sa manière. Le constructeur est propriétaire du véhicule et gère la garantie, mais il n’est pas propriétaire de tous les calculateurs qui émettent un code. Des normes telles que COVESA VSS facilitent la nomenclature entre les différentes marques. Elles n’apportent toutefois pas le contexte que le code d’un calculateur de fournisseur omet.
Que signifie réellement le « contexte du véhicule » ?
Le contexte du véhicule ne signifie pas simplement davantage de données. Il désigne les signaux, l'état du système et l'historique liés à un événement, capturés au bon moment :
- Le contexte global du problème, et pas seulement le code. Les signaux avant et après le déclenchement montrent comment la situation a évolué.
- État inter-domaines à ce moment-là. Cela signifie ce que faisaient simultanément le moteur, le système de post-traitement, le système électrique et le cycle de service.
- Collecte déclenchée par l'événement lui-même. La capture est ciblée sur la question posée, plutôt que d'enregistrer tout ou d'effectuer un échantillonnage selon un calendrier fixe.
- Historique conservé dans le véhicule. Lorsqu'une tendance se dessine, un ingénieur peut remonter plusieurs semaines en arrière au lieu d'attendre que le défaut se reproduise.
C'est le principe qui sous-tend la collecte de données pilotée par les événements, comme Fastlane™ Collector, et elle correspond à la phase « Collect » de la boucle agentique. Elle modifie également l’utilité des données. Un code d’erreur dépourvu de contexte peut donner lieu à la création d’un ordre de travail, mais il constitue une base insuffisante pour entraîner un modèle prédictif, car un modèle entraîné sur des étiquettes ambiguës apprend cette ambiguïté. Ce sont les données d’événements riches en contexte qui rendent viables les prédictions basées sur l’ AI e et le ML. Nous y reviendrons dans un prochain volet de cette série.
Pourquoi cette décision dépend du véhicule ?
Un tableau de bord plus performant ne peut pas reconstituer un contexte que le véhicule n’a jamais enregistré. Le contexte du véhicule est déterminé « en périphérie », c’est-à-dire directement à bord du véhicule, dans les secondes qui suivent un événement, en fonction de ce que la plateforme est conçue pour détecter, stocker et transmettre. Il s’agit donc d’un choix architectural qui relève des équipementiers. Les flottes sont confrontées à ce problème et le font remonter la chaîne via leurs cahiers des charges d’achat. Ce sont les équipes chargées de la plateforme et de l’architecture E/E chez les équipementiers qui sont en mesure d’y remédier.
La collecte de ces données a un coût : capteurs, puissance de calcul embarquée, stockage et bande passante. Les équipementiers gèrent le coût de la nomenclature (BOM) sur des gammes commerciales dont les marges sont plus faibles et les volumes inférieurs à ceux des véhicules particuliers ; il ne s’agit donc pas d’une décision prise à la légère. Deux voies s’offrent à eux : l’équipementier peut soit investir dans du matériel plus performant pour garantir la fidélité des données, soit développer un logiciel suffisamment efficace pour tirer le meilleur parti du matériel déjà présent sur le véhicule.
En résumé : Les flottes commerciales exploitent déjà les données des véhicules. Le problème réside dans le contexte : les codes d’erreur signalent un paramètre surveillé, et non une pièce défectueuse, et cette ambiguïté entraîne des réparations répétées, des coûts de garantie, une « fatigue des alertes » et des données de formation trop grossières pour l’ AI. Pour y remédier, il faut que les équipementiers prennent une décision au niveau de la plateforme, en périphérie, directement sur le véhicule au moment de l’événement, ce qui implique un compromis en termes de coûts que nous aborderons dans la deuxième partie.