C · Exploitation-MaintenanceIndustrialiserNV🔎 À vérifier
Maintenance prédictive et IoT : cadrer le périmètre avant de s'engager
Cadrer le recours à la maintenance prédictive (capteurs IoT + apprentissage sur équipements CVC, ascenseurs, production d'eau chaude sanitaire) : périmètre pertinent, prérequis de données, articulation avec la GMAO — un cas émergent en santé, à aborder comme perspective.
Responsable maintenance / proximité · Directeur du patrimoine / services techniques — Outils : Claude Chat
Données requises
Inventaire des équipements techniques candidats (CVC, ascenseurs, production d'ECS) avec historique de pannes — fictif
État des lieux de la GMAO : ancienneté et qualité des historiques d'intervention
Annonces ou propositions d'éditeurs/prestataires à évaluer, le cas échéant
Résultat attendu
Note de cadrage : périmètre d'équipements candidats hiérarchisé (criticité, historique disponible), prérequis de données à réunir avant tout engagement, schéma d'articulation avec la GMAO existante, liste de questions à poser aux éditeurs et critères d'un pilote d'évaluation.
Garde-fous
Cas émergent en santé : les projets nommés (Hôpital Foch avec Foobot, Hypervision du nouveau CHU de Nantes) sont en cours de mise en service — à présenter comme perspectives, jamais comme résultats établis.
Frontière biomédicale : la maintenance des dispositifs médicaux (matériovigilance, règlement MDR, calibrations) relève d'outils et de responsabilités dédiés — elle n'est pas traitée ici.
Les gains annoncés par les éditeurs IoT/GMAO sont non vérifiés (NV) : à confronter à un pilote sur votre parc avant toute décision.
L'IA n'estime jamais une donnée manquante : sans historique de pannes exploitable, le prédictif n'a pas de socle — commencez par fiabiliser la GMAO.
Prompt prêt à l'emploi
Vous cadrez l'opportunité d'une démarche de maintenance prédictive pour un établissement sanitaire ou médico-social, en amont de toute décision. À partir de l'inventaire d'équipements techniques et de l'état des lieux de la GMAO fournis (fictifs), produisez une note de cadrage : 1) périmètre d'équipements candidats hiérarchisé selon la criticité et la profondeur d'historique disponible (CVC, ascenseurs, production d'eau chaude sanitaire) ; 2) prérequis de données à réunir avant tout engagement (historique d'interventions, nomenclature d'équipements, points de mesure) ; 3) schéma d'articulation avec la GMAO existante, qui reste la source de vérité ; 4) liste de questions à poser aux éditeurs et critères d'évaluation d'un pilote. Rappelez que les dispositifs médicaux (matériovigilance, calibrations) sont hors périmètre, que les gains annoncés par les éditeurs sont non vérifiés, et n'estimez aucune donnée manquante : signalez les prérequis absents.
Jeu de données fictif
Inventaire synthétique d'équipements techniques (CVC, ascenseurs, ECS) d'un centre hospitalier fictif + extrait de GMAO avec historiques inégaux (volontairement lacunaires). 100 % fictif/synthétique — aucune donnée réelle.
Tous les jeux de données du site sont 100 % fictifs/synthétiques — aucune donnée réelle.
Mode atelier
Durée : 90 min
Objectifs
Délimiter un périmètre d'équipements candidats et ses prérequis de données
Construire une grille d'évaluation d'un pilote face aux annonces éditeurs
Déroulé
Charger l'inventaire et l'extrait de GMAO fictifs
Hiérarchiser les équipements candidats (criticité, historique)
Lister les prérequis de données et l'articulation GMAO
Formuler les questions aux éditeurs et les critères du pilote
Projets français en cours de mise en service : Hôpital Foch avec Foobot (qualité d'air et équipements) ; Hypervision/jumeau numérique du nouveau CHU de Nantes. Statut C — projets, non des résultats établis.
Annonces des éditeurs GMAO/IoT sur la maintenance prédictive (gains de temps, % de pannes évitées). Statut NV — à confronter à un pilote, exclues des contenus publics.
Règlement (UE) 2017/745 (MDR) et matériovigilance pour les dispositifs médicaux — hors périmètre de cette fiche. Statut V.
Statut de fiabilité : NV Non vérifié — ordre de grandeur éditeur.
Pourquoi ce cas
La maintenance prédictive est un cas émergent dans le secteur sanitaire et médico-social : des
projets existent — l’Hôpital Foch avec Foobot, l’Hypervision et le jumeau numérique du nouveau CHU
de Nantes — mais ils sont en cours de mise en service, non des retours d’expérience aboutis. C’est
précisément pourquoi le bon usage de l’IA aujourd’hui est le cadrage : délimiter le périmètre,
vérifier les prérequis de données et préparer l’évaluation d’un pilote, plutôt que d’acheter une
promesse. Un service technique qui ne dispose pas d’historiques GMAO fiables n’a pas le socle du
prédictif ; commencer par la fiche GMAO de ce volet est alors le vrai premier pas.
Points de vigilance
Perspective, non résultat. Les projets nommés ci-dessus se présentent comme des perspectives
du secteur ; aucun ne doit être cité comme preuve de gains établis.
Frontière biomédicale. La maintenance des dispositifs médicaux — matériovigilance, exigences
du règlement MDR, calibrations — relève d’outils et de responsabilités dédiés (ingénierie
biomédicale) et n’est pas traitée ici. Le périmètre de cette fiche s’arrête aux équipements
techniques du bâtiment.
Annonces éditeurs. Les gains annoncés par les éditeurs GMAO/IoT sont non vérifiés (NV) : ils
se confrontent à un pilote mesuré sur votre parc, pas à une plaquette.
Comment le jouer
Hiérarchisez les équipements candidats par criticité et par profondeur d’historique : sans
donnée, pas de prédictif.
Traitez la liste des prérequis de données comme le livrable principal — elle décide si le sujet
est mûr.
Exigez que tout gain annoncé par un éditeur soit reformulé en hypothèse à vérifier lors d’un
pilote, avec ses critères de mesure.