Les possibilités de la maintenance 4.0 sont prometteuses. Il a été observé qu’en moyenne, la maintenance prédictive augmentait la productivité de 25 %, réduisait les pannes de 70 % et diminuait les coûts de maintenance de 25 % [1]. Cependant, beaucoup d’intervenants en maintenance regardent la parade passer et se demandent comment embarquer avec le plus de chances de succès possible.
Une enquête de Cisco [2] montre que 60 % des initiatives IoT stagnent au stade de la preuve de concept et que seulement 26 % des entreprises ont eu une initiative IoT qu’elles considéraient comme un succès complet. Un tiers de tous les projets achevés ont été considérés comme un échec. Dans ses principales conclusions, le rapport de Cisco rapporte l’importance du facteur humain.
L’IIoT et la maintenance 4.0 peuvent sembler être une question principalement de technologie, mais les facteurs humains tels que la culture, l’organisation et le leadership sont essentiels au succès du projet.
Selon Blackburn-Grenon [3], les principaux défis identifiés à l’implantation des solutions 4.0 se regroupent au niveau des ressources humaines, et des risques financiers. Les risques technologiques arrivent au troisième rang.
Un soutien professionnel facilite les premières implantations en fournissant une approche systématique et un soutien au changement. Une démarche d’implantation progressive facilite l’étalement des déboursés en privilégiant les projets les plus rentables permet de minimiser les impacts financiers.
Dans le prochain article, nous verrons une méthode structurée pour évaluer l’intérêt financier lors d’une implantation, la preuve de valeur (POV). N’hésitez pas à communiquer avec nous pour toutes informations supplémentaires ou pour proposer des sujets d’article en maintenance.
Source:
[1] Deloitte Analytics Institute (Schleichert, Olaf & all., 2017)
[2] Johansen, C. et al. (2017). « Cisco Survey Reveals Close to Three-Fourths of IoT Projects Are Failing ».
[3] Blackburn-Grenon & All. (2021), A team-based workshop to capture organizational knowledge for identifying AI proof-of-value projects
