AllConnects est un spécialiste flamand de la gestion de flottes et d'actifs. Grâce à FLEET.connect, CHECK.connect et LIVE.connect, les entreprises des secteurs de la construction, du transport, de l'ingénierie et de la location collectent des données fiables provenant de leurs véhicules, de leurs machines et de leurs équipes — une base indispensable à toute forme d'analyse ou d'intelligence artificielle.
Ce que révèle l'étude
Une étude européenne sur l'état des lieux de la gestion de flotte a révélé cette année un chiffre frappant : 73 % des gestionnaires de flotte interrogés étudient actuellement la possibilité de mettre en place des solutions d'IA au sein de leur propre organisation. Seuls 23 % excluent cette possibilité à court terme.
Dans le même temps, les chercheurs constatent que la mise en œuvre effective n'en est encore qu'à ses débuts dans la plupart des organisations. Un intérêt marqué, donc, mais peu d'investissements concrets. Ce n'est pas une contradiction, c'est un symptôme.
Où les gestionnaires voient-ils le plus d'opportunités ? Les quatre domaines d'application les plus souvent cités sont les suivants :
| Champ d'application | Cité par |
|---|---|
| Maintenance prédictive | 38% |
| Détection automatique des anomalies | 24% |
| Tableaux de bord prédictifs | 19% |
| Analyse et optimisation de la consommation | 14% |
Ce qui frappe, c'est que ces quatre entreprises ont toutes le même objectif. Il ne s'agit pas de développer des logiciels plus performants, mais de repérer des tendances dans les données des véhicules. Et c'est là que le bât blesse.
Pourquoi cela en reste-t-il à la réflexion ?
L'explication que l'on entend le plus souvent pour justifier le fossé entre l'intérêt et la mise en pratique est que la technologie ne serait pas encore au point. Ce n'est pas vrai. Les modèles existent, ils fonctionnent et sont désormais abordables.
Le véritable problème : la plupart des flottes de véhicules ne disposent pas d'une base de données solide.
Prenons l'exemple de la maintenance prédictive, qui arrive largement en tête avec 38 %. Pour prédire qu'un véhicule tombera en panne dans les trois semaines, il faut :
- Les codes d'erreur générés par le véhicule lui-même — et qui apparaissent quelque part.
- Heures de fonctionnement réelles du moteur et consommation, et non estimées sur la base des kilomètres parcourus.
- Historique d'entretien lié au véhicule, et non à un fichier Excel conservé par un collègue.
- Il y a suffisamment d'éléments historiques pour en dégager une tendance.
Si l'un de ces quatre éléments vient à manquer, aucun modèle ne peut fournir de prévision pertinente. On obtient certes un résultat. Un modèle donne toujours une réponse. Mais une réponse fondée sur des estimations n'est qu'une estimation accompagnée d'un graphique.
Le risque lié à un beau tableau de bord
Un tableau de bord basé sur l'IA qui s'appuie sur des données peu fiables est plus dangereux que l'absence totale de tableau de bord. Sans tableau de bord, vous savez que vous ne savez pas. Avec un tableau de bord, vous pensez le contraire et vous adaptez votre planning de maintenance en fonction de chiffres qui ne reposent sur rien.
L'IA n'est pas un bouton sur lequel on appuie. C'est une couche supplémentaire qui vient s'ajouter à vos données. Si les fondations sont de travers, vous ne ferez que construire encore plus vite de travers.
Calculé ou lu : la différence qui fait toute la différence
Il existe une distinction technique qui détermine si votre flotte est prête pour cette étape, et qui est rarement expliquée : la différence entre les données calculées et les données relevées.
Les données calculées sont issues d'une estimation. Un dispositif de suivi enregistre qu'une camionnette a parcouru 180 kilomètres et multiplie cette distance par une consommation moyenne. Résultat : une consommation de carburant. Ces données permettent d'avoir une vue d'ensemble, car elles correspondent à la moyenne de l'ensemble du parc automobile.
Les données relevées proviennent directement du véhicule, via le bus CAN — le réseau interne sur lequel communiquent entre eux l'ordinateur de bord, le système de gestion du moteur et les capteurs. Vous pouvez ainsi consulter la consommation réelle, les heures de fonctionnement réelles du moteur, le kilométrage indiqué par le compteur, le niveau de carburant et les codes d'erreur.
Pour un rapport mensuel, cette différence n'a guère d'importance. Pour une prévision, elle fait toute la différence. Un modèle qui cherche à déterminer le moment où la consommation d'un moteur commence à s'écarter de la normale ne peut en aucun cas le déduire d'un chiffre calculé à partir du nombre de kilomètres.
Souhaitez-vous approfondir ce sujet ?
Nous avons rédigé un article consacré à la précision réelle des données du bus CAN, à ce qu'il est possible d'en tirer et à ce qu'il n'est pas possible d'en tirer, ainsi qu'aux raisons pour lesquelles l'écart avec les données calculées est si important. En savoir plus sur la précision des données du bus CAN →
Les quatre applications, adaptées à un parc automobile belge
L'étude portait sur les flottes de grande et moyenne taille. Nos clients sont d'un tout autre profil : une entreprise de construction disposant de dix-huit camionnettes et de quatre grues, une compagnie d'autobus comptant quarante véhicules, un service technique doté de trente véhicules d'intervention. Que signifient concrètement ces quatre applications dans leur cas ?
Maintenance prédictive 38 %
À ne pas dire : « Le garage t'appellera plus tôt. » Mais plutôt : vous constatez, à partir de la courbe de consommation et des codes d'erreur, qu'il y a un problème, et vous planifiez la réparation pendant une semaine où ce véhicule ne doit de toute façon pas être à l'atelier. Pour une flotte de vingt véhicules, cela signifie une ou deux immobilisations évitées par an. Cette immobilisation ne vous coûte que rarement une simple facture : elle vous coûte une journée de travail d'une équipe.
Signaler les anomalies : 24 %
Une machine qui, soudain, tourne au ralenti deux fois plus longtemps. Une camionnette qui fait un détour tous les jeudis. Un groupe frigorifique qui continue de fonctionner la nuit alors qu'il se trouve sur le chantier. Ce genre de choses n'apparaît pas dans un rapport mensuel — on ne les remarque que lorsque quelqu'un les met en évidence. C'est exactement ce que fait la détection automatique.
Tableaux de bord prédictifs 19 %
Quand avez-vous besoin d'un véhicule supplémentaire ? Quelle voiture approche du moment où il est plus économique de la remplacer que de la réparer ? À quel moment votre coût au kilomètre commence-t-il à devenir incontrôlable ? C'est l'application la plus proche de la discussion budgétaire, et aussi celle qui nécessite le plus d'historique.
Optimiser la consommation de 14 %
C'est le domaine qui obtient les scores les plus faibles, ce qui est surprenant. Probablement parce que de nombreuses entreprises de ce secteur utilisent déjà des scores liés au comportement de conduite et ont donc l'impression que le sujet est déjà réglé. Pourtant, il reste encore des progrès à faire dans ce domaine, notamment en ce qui concerne la marche au ralenti des machines.
Pourquoi une petite flotte a relativement plus à y gagner
On a tendance à penser que l'IA est réservée aux grandes flottes, car celles-ci disposent d'un volume important et d'un budget conséquent. C'est en partie vrai : plus il y a de véhicules, plus il y a de données, et donc plus la reconnaissance des schémas est rapide.
Mais l'impact par incident va exactement dans le sens inverse.
Si, dans une flotte de mille véhicules, une camionnette tombe en panne, cela pose un problème de planification. On fait appel au matériel de réserve et le client ne s'en rend pas compte. Si, dans une entreprise de construction disposant de cinq camions-grues, l'un d'entre eux tombe en panne un lundi matin, c'est tout un chantier qui s'arrête. Avec une équipe sur place. Et cela entraîne soit une amende, soit un retard de trois semaines dans le planning.
Les petites flottes ne disposent d'aucune marge de manœuvre. Par conséquent, chaque temps d'arrêt évité a une valeur relativement bien plus importante. Le dossier commercial d'une flotte de PME n'est pas moins important : il est plus convaincant.
N'oubliez pas le chauffeur
Il y a un autre chiffre dans cette étude qui ne retient pas suffisamment l'attention. À la question de savoir quels avantages les conducteurs tirent eux-mêmes de la télématique, 46 % citent une plus grande facilité d'utilisation et 23 % mentionnent des fonctionnalités offrant un soutien opérationnel.
Ce n'est pas un détail. C'est la condition.
Un système qui n'apporte aucun avantage au chauffeur ou à l'ouvrier est contourné. Les trajets ne sont pas correctement clôturés, les statuts ne correspondent pas, les enregistrements sont oubliés. Et voilà la qualité de vos données qui s'envole — précisément le fondement dont nous parlions plus haut.
Un système qui prend en charge la gestion des déplacements, qui réduit l’enregistrement sur le chantier à une seule opération, qui transmet automatiquement les heures exactes au service de la paie : voilà un système qui est réellement utilisé. L’adhésion des personnes sur le terrain n’est pas une simple condition accessoire. C’est le contrôle de la qualité de vos propres données.
Vous souhaitez savoir ce que vos véhicules émettent réellement aujourd'hui ?
Au cours d'un entretien d'une demi-heure, nous passerons en revue les données que vous collectez actuellement, celles qui sont calculées et celles qui sont extraites — et ce que cela implique en termes d'utilisation. Sans engagement, et avec une réponse concrète.
Demandez conseil àQue révèlent les chiffres belges ?
L'étude ci-dessus portait sur les flottes italiennes. Nous menons actuellement une enquête auprès de notre propre base de membres et publierons ici, à l'automne, les résultats destinés aux gestionnaires de flottes, aux responsables de parcs automobiles et aux chefs d'entreprise des secteurs de la construction, des transports et des services techniques en Belgique.
Les données de votre flotte sont-elles prêtes pour l'IA ?
Avant de vous lancer dans l'IA, posez-vous cette question plus pertinente : que tirez-vous réellement de vos véhicules aujourd'hui ? Passez en revue ces six points.
Six « oui » ? Dans ce cas, il est judicieux d’aborder la question des applications prédictives. Quatre « oui » ou moins ? Alors, cette année, ce n’est pas dans l’IA que vous réaliserez des bénéfices, mais en comblant ces lacunes. Et c’est une bonne nouvelle, car cela se fait beaucoup plus rapidement — et cela donne des résultats immédiats, même sans IA.
Questions fréquemment posées
Ai-je besoin de l'IA pour gérer mon parc automobile plus efficacement ?
Non. La plupart des entreprises tirent l'essentiel de leurs bénéfices des données qu'elles peuvent déjà collecter aujourd'hui : consommation réelle, heures de fonctionnement à l'arrêt, enregistrement des trajets et suivi de la maintenance. L'IA y ajoute une dimension prédictive, mais celle-ci n'a de sens que si les données sous-jacentes sont exactes et complètes.
Qu'est-ce que la maintenance prédictive exactement ?
Dans le cadre de la maintenance prédictive, vous analysez en permanence les données du véhicule afin d'identifier les problèmes techniques avant qu'une panne ne survienne. Au lieu de procéder à des réparations après une panne ou de planifier l'entretien à intervalles fixes, vous planifiez les interventions en fonction de l'état réel du véhicule. Cela permet de réduire les coûts de réparation et d'éviter les temps d'arrêt imprévus.
Quelle est la différence entre les données calculées et les données relevées sur le véhicule ?
Les données calculées constituent une estimation basée sur d'autres données — par exemple, la consommation de carburant déduite du nombre de kilomètres parcourus. Les données lues proviennent directement du véhicule via le bus CAN, le réseau interne sur lequel communiquent l'ordinateur de bord et les capteurs. Les données calculées suffisent souvent pour l'établissement de rapports globaux ; en revanche, les données lues sont indispensables pour les applications prédictives.
Cela ne concerne-t-il que les grandes flottes de véhicules ?
Non. Les grandes flottes disposent de davantage de données et permettent donc d'identifier plus rapidement des tendances exploitables, mais l'impact d'un seul arrêt imprévu est bien plus important dans le cas d'une petite flotte, car celle-ci ne dispose d'aucune capacité de réserve. Pour une entreprise de construction disposant de cinq camions-grues, une panne entraîne immédiatement l'arrêt d'un chantier. D'un point de vue relatif, les gains sont donc souvent plus importants pour les petites flottes.
De quelle quantité de données ai-je besoin pour obtenir des prévisions fiables ?
En règle générale, il faut disposer d'au moins douze mois de données consécutives par véhicule, afin de prendre en compte les variations saisonnières telles que la consommation hivernale ou les congés du secteur du bâtiment. La qualité prime sur la quantité : des données relevées sur une année sont plus utiles que des données calculées sur trois ans.
Ai-je le droit de traiter les données relatives aux véhicules de mes collaborateurs sans autre forme de procès ?
Vous pouvez traiter les données nécessaires à la gestion de votre entreprise, mais vous devez disposer d'une base juridique, informer clairement vos collaborateurs au préalable et ne pas collecter plus de données que nécessaire. Pour les données techniques relatives aux véhicules, telles que la consommation, les heures de fonctionnement du moteur et les codes d'erreur, cela s'avère généralement plus simple que pour les données qui permettent de suivre le comportement d'un conducteur en particulier. Impliquez votre conseiller en prévention et les instances de concertation en temps utile.
Lire la suite
Steve Van Avermaet Directeur des opérations chez AllConnects. En tant que directeur des opérations chez AllConnects, Steve transforme la technologie et les données en solutions concrètes pour la gestion de flottes et d'actifs. Il écrit sur l'efficacité, l'innovation et les aspects pratiques d'une flotte de véhicules et d'équipements connectés de manière intelligente.
Source : Fleet Management Watch, étude menée par l’Observatoire des véhicules connectés et de la mobilité de l’École de gestion du Politecnico di Milano, en collaboration avec Targa Telematics (juillet 2026). Cette étude s’appuie sur les données fournies par les participants à deux observatoires italiens consacrés aux flottes de grande et moyenne taille, qui totalisent près de 60 000 véhicules.
