Voir grand, commencer petit, rester humain
Ce que vous devez savoir pour optimiser la gestion de votre parc automobile en adoptant les meilleures pratiques de l'IA.
L'intelligence artificielle (IA) est partout ! Des assistants vocaux comme Siri et Alexa aux outils en ligne comme ChatGPT, en passant par les solutions de cartographie routière comme Google Maps et bien d'autres, l'IA fait désormais partie du quotidien de tout le monde.
Pour les professionnels des parcs automobiles, la question n'est plus de savoir s'il faut adopter l'IA, mais comment le faire judicieusement. « La plus grande erreur que je constate, c'est que les gens se concentrent sur la technologie plutôt que sur les résultats », affirme Abhi Narayanan, promoteur de l'intelligence des données et de l'IA chez Geotab. « L'IA est un outil, pas une solution miracle. Réduire les accidents de carrosserie, diminuer les temps d'arrêt, améliorer l'utilisation des véhicules — voilà les vrais objectifs. »
Dor Shay, directeur technique d'Element Mobility et d'Autofleet, partage cet avis et met en garde contre les parcs automobiles qui adaptent leurs opérations à des outils rigides. « Un dirigeant de parc automobile qui choisit une solution d'IA devrait exiger que celle-ci s'adapte à ses besoins et non l'inverse », dit-il. « Ne vous contentez pas des approches génériques. »
Leur constat est clair : un déploiement d'IA réussi repose sur des objectifs précis, des données fiables, des systèmes transparents et l'humain au cœur du processus.
Des tableaux de bord aux décisions
Les gestionnaires de parc automobile savent ce que c'est que de crouler sous les données. Depuis des années, leur travail rime avec des heures passées dans des feuilles de calcul, des tableaux de bord et des rapports — la plupart rétrospectifs.
« Jusqu'ici, c'est l'humain qui portait tout le poids du travail technique », explique M. Narayanan. « Éplucher des quantités massives de données historiques pour simplement identifier des tendances. »
L'IA change la donne. Au lieu de confier aux humains la tâche de repérer les tendances, les modèles d'IA traitent des milliards de points de données, identifient des risques et fournissent des informations en quasi temps réel. Mais M. Narayanan tient à préciser que cela ne signifie pas déléguer le pouvoir de décision.
« L'IA s'occupe du quoi », dit-il, « pour que les humains puissent mieux cerner le pourquoi. » M. Shay est du même avis. Dans les outils d'Autofleet, l'IA s'occupe du gros du calcul, notamment l’optimisation des itinéraires, la gestion de la demande et l’affectation des véhicules, sans jamais perdre le contexte de vue.
« Les risques potentiels apparaissent directement dans l'interface », précise M. Shay. Si un gestionnaire force une nouvelle livraison dans l'horaire, « on lui montre l'impact sur les heures d'arrivée des autres livraisons. » Résultat : les gestionnaires voient exactement ce qui se passe avant de décider quoi que ce soit. Autrement dit, la meilleure IA ne court-circuite pas le jugement — elle le renforce.
Choisir la bonne IA
Avec autant d'étiquettes « propulsé par l'IA » sur le marché, comment s'y retrouver ? Le conseil de M. Narayanan est simple : commencez par le problème, pas par le produit.
« Ce n'est pas assez de dire : "On veut l'IA pour la sécurité" », affirme-t-il. « Il faut être précis : "On veut réduire les accidents de carrosserie," puis évaluer si un outil possède la qualité de données, l'envergure et la maturité nécessaires pour y parvenir. »
La confidentialité, la propriété et la sécurité des données sont tout aussi essentielles, ajoute M. Narayanan. Les gestionnaires de parc devraient poser des questions pointues : À qui appartiennent les données ? Comment sont-elles anonymisées ? Quelles certifications sont en place pour les protéger ?
M. Shay ajoute une autre dimension : la flexibilité. « Exigez une personnalisation basée sur vos flux de travail et vos contraintes réelles », dit-il. « Vous devriez pouvoir comprendre la logique derrière les décisions du système et l'adapter quand vos besoins changent. »
Cela inclut l'intégration : un outil d'IA qui ne s’intègre pas à vos systèmes existants devient simplement un autre cloisonnement. « S'il ne communique avec rien », explique M. Narayanan, « c'est juste une chose de plus à gérer. »
L'humain face à la machine
Les deux leaders sont catégoriques : l'avenir de la gestion de parc automobile n'est pas axé sur la prise de décision autonome, mais bien sur l'intelligence collaborative.
M. Shay identifie deux domaines où l'IA se démarque vraiment. D'un côté, les tâches répétitives à haute fréquence, qu'elle exécute sans relâche et sans erreur. De l'autre, les problèmes d'optimisation complexes comme la planification d'itinéraires, les prévisions et l'affectation de véhicules, qui nécessitent des calculs massifs.
Cependant, les décisions stratégiques, elles, demeurent résolument du ressort humain.
M. Narayanan donne l'exemple de la sécurité. Si les données de télématique et de caméra détectent des signes de fatigue au volant — déviation de voie, bâillements, mouvements erratiques — l'IA peut signaler le risque. Mais ce qui se passe ensuite ne devrait pas être une réponse automatique pilotée par l'IA.
« Un humain peut appeler le conducteur », dit-il. « Peut-être qu'il est à 20 minutes de chez lui. On peut l'aider à passer ce dernier tronçon en toute sécurité. C'est ça, le contexte humain. »
Dans ce modèle, l'IA agit comme un copilote analytique en prédisant, alertant et priorisant, tandis que les humains décident quand et comment agir.
Des données qui comptent vraiment
L'IA est peut-être puissante, mais elle n'est pas magique. Son efficacité dépend entièrement des données qu'on lui fournit — on ne récolte que ce qu'on sème. « L'IA performe exactement à la hauteur des données qu'on lui fournit », affirme M. Narayanan. Pour les parcs automobiles, ces données se répartissent généralement en trois catégories.
La première est la donnée transactionnelle : dépenses de carburant, factures d'entretien, paiements de péages et autres coûts opérationnels qui relient directement le comportement du véhicule et du conducteur à vos coûts, précise-t-il.
La deuxième est la donnée de télématique. « C'est votre GPS, votre niveau de carburant, la santé de votre moteur et tout ce qui nous renseigne sur l'état de vos véhicules au quotidien », explique M. Narayanan.
La troisième est la donnée contextuelle, qui ajoute une nuance environnementale et comportementale : conditions météorologiques, risques routiers, indicateurs de fatigue du conducteur et autres facteurs situationnels. Lors d'une récente tempête de neige, note M. Narayanan, les données de Geotab ont révélé une augmentation de 53 % des accidents de carrosserie dans les régions touchées.
M. Shay élargit encore la définition, en soulignant l'importance des contraintes. « L'IA doit comprendre non seulement ce qui se passe, mais aussi ce qui est possible et permis dans le cadre de vos opérations », dit-il.
Meilleures pratiques
Les deux leaders s'entendent sur un point : le succès de l'IA est autant une question de culture que de technologie. Et l'ennemi numéro un ? Les données désordonnées. Des journaux incomplets, des systèmes déconnectés ou des définitions incohérentes peuvent faire dérailler même les modèles les plus sophistiqués.
« La gestion rigoureuse des données doit être une priorité pour la haute direction », affirme M. Narayanan. « Vos données sont l'un des actifs les plus importants de votre entreprise. »
Mais il reste un enjeu de taille : convaincre les conducteurs. Sans leur confiance, même les initiatives d'IA bien intentionnées peuvent être perçues comme intrusives. « Quand on aborde le sujet avec les conducteurs, "Grand Frère" est souvent la première chose qui leur vient en tête », note M. Narayanan. « Il faut présenter cela comme un outil pour les ramener chez eux en toute sécurité. »
M. Shay insiste sur l'importance de commencer petit. N'espérez pas la perfection dès le premier jour. Choisissez un seul cas d'utilisation, mesurez le retour sur investissement, peaufinez, puis élargissez. Chez Autofleet, cette approche a permis à Zipcar de réduire ses temps d'arrêt de 71 %, grâce à des modèles enrichis de données toujours plus riches.
Chez Geotab, un effort ciblé sur la prédiction des défaillances de batteries a mené à un taux de réussite de 95 %. « Résultat : des économies considérables sur l'entretien », dit M. Narayanan.
Enfin, fermez la boucle. Les systèmes d'IA doivent apprendre autant de leurs succès que de leurs erreurs.
Voir grand, commencer petit
L'IA est incontournable en gestion de parc automobile. Mais le scepticisme aussi. Les parcs qui réussiront ne seront pas ceux qui suivent la mode, mais ceux qui posent les bonnes questions, qui gèrent rigoureusement leurs données et qui exigent de la transparence.
« La technologie continuera d'évoluer », affirme M. Narayanan. « Mais l'humain sera toujours au premier plan de cette industrie. »
M. Shay est encore plus direct : « On ne peut pas se permettre d'ignorer l'IA, mais il ne faut pas non plus se laisser emporter par l'engouement. »
L'avenir de la gestion de parc automobile appartient aux leaders qui savent que l'IA n'est pas là pour prendre le volant. Elle est là pour éclairer la route devant nous et nous aider à choisir le meilleur chemin.
