Cas pratique : IA prédiction de pannes en industrie agroalimentaire

Une IA de maintenance prédictive qui analyse les capteurs de machines n'est, en principe, ni à haut risque ni soumise à l'Art. 50 de l'AI Act : elle ne figure pas à l'Annexe III et n'interagit pas directement avec des personnes. Seule la maîtrise de l'IA (Art. 4) s'applique, avec le RGPD pour les journaux de maintenance qui portent le matricule d'un agent. Elle bascule à haut risque si elle sert aussi à surveiller ou évaluer des salariés, ou si elle devient un composant de sécurité d'un produit de l'Annexe I.

L'essentiel en 30 secondes

• Une IA qui prédit l'usure de machines à partir de capteurs n'est en principe pas à haut risque : elle ne relève d'aucun cas d'usage de l'Annexe III et n'est pas un composant de sécurité d'un produit régulé.
• L'Art. 50 ne s'applique pas : les lignes directrices de la Commission sur la transparence citent la maintenance prédictive et les systèmes d'optimisation industrielle parmi les systèmes qui n'interagissent pas directement avec des personnes.
• Reste l'Art. 4 : prendre des mesures pour favoriser la maîtrise de l'IA des opérateurs et des équipes de maintenance.
• Le RGPD s'applique aux journaux de maintenance qui contiennent le matricule d'un agent : pseudonymisation (Art. 32), information des salariés, information ou consultation du CSE, base légale documentée (le consentement d'un salarié est rarement libre).
• Le système relève du point 4(b) de l'Annexe III, donc du haut risque, s'il surveille ou évalue la performance ou le comportement des salariés (obligations à partir du 2 décembre 2027).
• Sanctions AI Act : 35 M€ ou 7 % du CA mondial pour les pratiques interdites, 15 M€ ou 3 % pour les obligations des opérateurs, le montant le plus bas pour une PME. RGPD : 20 M€ ou 4 %.

1. Contexte industriel et enjeux

Ce cas pratique est fictif. L'entreprise est une PME agroalimentaire française de 180 salariés, spécialisée dans la transformation de produits laitiers. Elle exploite cinq lignes de production en flux continu, sept jours sur sept.

Les arrêts non planifiés de machines entraînent des pertes de production et de matières premières. La direction veut les réduire grâce à un système prédictif branché aux automates existants (PLC Siemens S7-1500).

Le contexte réglementaire est dense : AI Act, RGPD, législation alimentaire (règlement (CE) n° 178/2002) et traçabilité. L'enjeu n'est pas seulement technique : il s'agit de pouvoir montrer à l'inspection du travail, à la CNIL et aux clients distributeurs que la machine ne décide pas seule.

Le guide AI Act pour les PME françaises décrit le périmètre applicable à une PME. Le cas pratique optimisation de flotte d'un transporteur traite d'une qualification voisine, celle du point 4(b) de l'Annexe III.

2. Solution technique : architecture IA

La pile technologique repose sur trois couches : collecte, inférence, restitution. Chaque couche est documentée en interne. L'Art. 11 sur la documentation technique vise les systèmes à haut risque : cette documentation est ici une bonne pratique, pas une obligation.

Capteurs IoT déployés :

• Sondes de température (PT100) sur les échangeurs.
• Accéléromètres pour mesurer les vibrations des moteurs.
• Capteurs de pression sur les circuits hydrauliques.
• Wattmètres pour la signature électrique des moteurs.

Modèle d'apprentissage :

• Réseau de neurones récurrent de type LSTM (Long Short-Term Memory).
• Entraînement sur les données historiques de l'usine.
• Prédiction à horizon glissant de 48 heures.
• Score de confiance restitué pour chaque alerte.

Plateforme d'hébergement :

• Cloud privé hébergé dans l'Union européenne, sous contrat de sous-traitance (Art. 28 du RGPD) pour les données personnelles.
• Chiffrement des données au repos et en transit.
• Journaux d'inférence conservés pour la traçabilité, avec une durée fixée en interne.

Composant	Technologie	Localisation	Conformité
Ingestion	Kafka	Datacenter Paris	Hébergement UE
Stockage froid	S3 compatible	UE	Article 28 RGPD
Entraînement	PyTorch + GPU	UE	Qualité des données, par analogie avec l'Art. 10
Inférence	TensorRT	Edge usine	Latence < 200 ms
Supervision	Grafana	UE	Journalisation, par analogie avec l'Art. 12

L'architecture sépare strictement les données opérationnelles (capteurs) des données personnelles (badges des agents en maintenance). Cette séparation est documentée dans le registre des traitements ; une AIPD est à envisager si les journaux permettent de suivre l'activité individuelle des agents.

3. Conformité EU AI Act : classification et risques

Le système n'est pas à haut risque. Justification : il ne relève d'aucun cas d'usage de l'Annexe III et n'est pas un composant de sécurité d'un produit couvert par l'Annexe I. Il n'entre pas non plus dans l'Art. 50(1) : les lignes directrices de la Commission sur la transparence citent les systèmes de maintenance prédictive et d'optimisation dans l'industrie parmi les systèmes qui n'interagissent pas directement avec des personnes (lignes directrices du 20 juillet 2026).

Il ne prend aucune décision concernant des personnes physiques (RH, scoring, biométrie). Sa fonction est industrielle : prédire l'usure d'un roulement ou d'un compresseur. Un système qui évaluerait la performance des opérateurs relèverait en revanche du point 4(b) de l'Annexe III.

Obligations et bonnes pratiques :

1. Maîtrise de l'IA : prendre des mesures pour favoriser la maîtrise de l'IA des opérateurs et des équipes de maintenance (Art. 4). Voir l'article sur la maîtrise de l'IA (Art. 4).
2. Documentation technique interne, par bonne pratique (l'Art. 11 vise les systèmes à haut risque).
3. Contrôle humain effectif des décisions d'arrêt machine, par bonne pratique (l'Art. 14 vise les systèmes à haut risque).
4. Registre interne des incidents et des alertes critiques.

Les « niveaux de risque » du tableau ci-dessous sont une grille de lecture, pas des catégories juridiques.

Niveau de risque AI Act	Application	Le cas étudié
Risque inacceptable (Art. 5)	Interdit	Non
Risque haut (Annexes I et III)	Conformité lourde	Non
Risque limité (Art. 50)	Transparence : agents conversationnels, contenus générés	Non
Risque minimal	Pas d'obligation spécifique hors Art. 4 ; bonnes pratiques	Oui

Si demain le système servait aussi à surveiller et évaluer la performance ou le comportement des opérateurs, il relèverait du point 4(b) de l'Annexe III (obligations à partir du 2 décembre 2027). Il en irait de même s'il devenait un composant de sécurité d'un produit couvert par la législation de l'Annexe I (obligations à partir du 2 août 2028). Un changement de finalité impose de refaire l'analyse de classification. Voir le projet de lignes directrices de la Commission sur la classification des systèmes à haut risque (19 mai 2026, soumis à consultation).

Les sanctions sont détaillées sur la page Sanctions AI Act pour une PME : amendes et calcul.

4. RGPD et protection des données

Les données capteurs sont, par nature, non personnelles. Mais le système croise aussi des journaux de maintenance qui contiennent le matricule de l'agent intervenant. Ces journaux relèvent du RGPD.

Mesures retenues :

• Pseudonymisation des matricules via une fonction de hachage HMAC-SHA256 avec clé tournante (Art. 32(1)(a) du RGPD).
• Base légale documentée avec le DPO : l'intérêt légitime (Art. 6(1)(f)) est envisageable pour la gestion de la maintenance, le consentement d'un salarié étant rarement libre (lignes directrices du CEPD sur le consentement).
• Information ou consultation du CSE avant le déploiement, et information des agents concernés (Art. 13 et 14 du RGPD). Voir l'article sur la consultation du CSE sur un système d'IA.
• Audit de sécurité du périmètre IT industriel ; une certification ISO/IEC 27001:2022 peut être envisagée.

Durée de conservation :

Type de donnée	Durée	Base légale
Mesures de capteurs (non personnelles)	Selon l'usage industriel	RGPD non applicable
Journaux d'inférence	Durée fixée en interne	Bonne pratique, par analogie avec l'Art. 12
Journal de maintenance pseudonymisé	Durée fixée avec le DPO	Intérêt légitime, à documenter
Identité agent en clair	Non conservée	Pseudonymisation à l'ingestion

Le RGPD cite la pseudonymisation parmi les mesures techniques appropriées (Art. 32(1)(a)). Le glossaire définit les termes RGPD utilisés.

5. Processus de déploiement

Dans ce scénario, le déploiement suit trois phases, dont les durées sont illustratives. Chaque phase fait l'objet d'un livrable signé par le DSI et le DPO.

Phase 1 — Collecte (3 mois) :

1. Inventaire des capteurs existants et compléments matériels.
2. Mise en place du bus de données Kafka.
3. Conservation des données brutes en zone tampon chiffrée.
4. Validation qualité par échantillonnage.

Phase 2 — Entraînement (2 mois) :

1. Préparation des jeux de données, suppression des biais évidents.
2. Entraînement du LSTM sur GPU dédié, sans transfert hors de l'Union européenne.
3. Validation croisée, mesure de précision et de rappel.
4. Documentation de la qualité du jeu de données, par analogie volontaire avec l'Art. 10.

Phase 3 — Mise en production (1 mois) :

1. Déploiement en périphérie (edge), à proximité des automates.
2. Période de double-run : IA en observation, humain en décision.
3. Bascule progressive : IA en aide à la décision, humain en validation.
4. Comité de pilotage hebdomadaire pendant quatre semaines.

Phase	Livrable principal	Validation
Phase 1	Dataset propre, schéma de flux	DSI + DPO
Phase 2	Modèle entraîné, rapport perf	Data scientist + comité éthique
Phase 3	Recette opérationnelle	Responsable production

Le double-run est une bonne pratique retenue par le comité d'éthique interne. Aucune alerte critique ne déclenche un arrêt machine sans validation humaine.

6. Gestion des biais et éthique

Le risque principal n'est pas l'erreur ponctuelle mais le biais systémique. Une machine ancienne, sous-entretenue dans l'historique, produit des signaux que le modèle peut interpréter comme un bruit normal.

Audit des biais :

• Analyse stratifiée des données historiques par âge de machine.
• Pondération du jeu d'entraînement pour équilibrer les classes.
• Tests adversariaux sur des scénarios de panne rares.
• Documentation des limites connues du modèle.

Gouvernance éthique :

• Comité d'éthique IA de trois membres internes : DPO, responsable production, élu du CSE.
• Revue trimestrielle des alertes faux positifs et faux négatifs.
• Procédure d'escalade en cas de désaccord persistant entre l'humain et l'IA.

Transparence opérationnelle : chaque alerte affichée à l'opérateur indique :

• La probabilité de panne sous 48 h.
• Les capteurs qui ont déclenché l'alerte (méthode SHAP).
• Le seuil de confiance du modèle.
• L'historique des alertes similaires et leur issue.

Cette restitution s'inspire volontairement des principes de transparence de l'Art. 13, qui vise les systèmes à haut risque, sans y être soumise.

Mécanisme	Fréquence	Acteur
Audit biais dataset	Annuel	Data scientist externe
Comité éthique	Trimestriel	Comité interne
Revue alertes critiques	Mensuel	Responsable production
Mise à jour modèle	4 fois / an	Data team

7. Suivi et amélioration continue

La mise en service n'est pas une fin. ISO/IEC 42001:2023, norme volontaire de système de management de l'IA, repose sur une logique d'amélioration continue (PDCA, pour Plan-Do-Check-Act). Elle n'est pas harmonisée et ne donne aucune présomption de conformité à l'AI Act (FAQ de la Commission sur la normalisation).

KPI suivis mensuellement (cibles illustratives) :

• Précision (precision) des alertes : cible > 85 %.
• Rappel (recall) sur les pannes effectives : cible > 80 %.
• Temps moyen entre alerte et action : cible < 4 h.
• Taux de faux positifs : cible < 5 par mois.

Audit annuel ISO 42001 :

1. Revue de la politique IA et des objectifs.
2. Vérification du registre des risques IA.
3. Contrôle des compétences (maîtrise de l'IA des opérateurs).
4. Validation des indicateurs de performance.
5. Plan d'amélioration pour l'année suivante.

Le modèle est réentraîné quatre fois par an. Chaque réentraînement déclenche une nouvelle validation par le comité éthique avant mise en production.

8. Éléments d'un business case

Le business case d'un projet de maintenance prédictive combine coûts, bénéfices attendus et risques. Le cas étant fictif, aucun chiffre n'est avancé.

Coûts initiaux :

• logiciel et licences ;
• matériel (capteurs, équipements en périphérie) ;
• sensibilisation et conduite du changement ;
• audit de sécurité et accompagnement externe éventuel.

Bénéfices attendus :

• réduction des arrêts non planifiés ;
• diminution des pertes de matières premières en cas d'arrêt brutal ;
• optimisation de la maintenance préventive.

Le coût de la non-conformité doit aussi figurer dans le business case. Pour ce système, le risque AI Act porte sur les pratiques interdites (35 M€ ou 7 % du CA mondial, Art. 99(3)) et, en cas d'évolution vers un usage à haut risque, sur les obligations des opérateurs (15 M€ ou 3 %, Art. 99(4)). Une PME se voit appliquer le montant le plus bas des deux (Art. 99(6)). Le RGPD ajoute jusqu'à 20 M€ ou 4 % du CA mondial pour les manquements aux principes de base (Art. 83(5)).

Le cas pratique IA antifraude en assurance montre une autre situation où un système d'IA influent n'est pas à haut risque.

FAQ

Une IA de maintenance prédictive est-elle à haut risque ?

En principe, non. Un système qui prédit l'usure de machines à partir de capteurs ne relève d'aucun cas d'usage de l'Annexe III et n'est pas, en tant que tel, un composant de sécurité d'un produit couvert par l'Annexe I. L'Art. 50(1) ne s'applique pas non plus : la maintenance prédictive n'interagit pas directement avec des personnes. Restent l'Art. 4 (maîtrise de l'IA) et le RGPD. Si le périmètre évolue (évaluation de la performance des opérateurs, point 4(b) de l'Annexe III), une nouvelle classification est nécessaire.

Comment gérer les données personnelles des agents de maintenance ?

Les journaux de maintenance qui contiennent un matricule relèvent du RGPD. Dans le scénario, ils sont pseudonymisés dès l'ingestion (Art. 32(1)(a)), les agents sont informés (Art. 13 et 14), le CSE est informé ou consulté avant le déploiement, et la base légale est documentée avec le DPO. Le consentement d'un salarié est rarement libre : l'intérêt légitime est une base envisageable, sous réserve d'une mise en balance.

Quelles sont les sanctions possibles pour non-conformité ?

L'Article 99 du règlement (UE) 2024/1689 prévoit trois paliers : 35 M€ ou 7 % du chiffre d'affaires mondial pour les pratiques interdites, 15 M€ ou 3 % pour les manquements aux obligations des opérateurs (fournisseurs, déployeurs…) et à la transparence (Art. 50). Le palier le plus bas, 7,5 M€ ou 1 %, vise les informations inexactes, incomplètes ou trompeuses fournies aux organismes notifiés ou aux autorités. Pour une PME, c'est le montant le plus bas des deux qui s'applique (Art. 99(6)). Pour ce système, hors haut risque, le risque AI Act porte sur les pratiques interdites. Les amendes RGPD peuvent atteindre 20 M€ ou 4 % du CA mondial pour les manquements aux principes de base (Art. 83(5)). Voir la page Sanctions AI Act pour une PME : amendes et calcul.

Comment structurer une démarche ISO/IEC 42001 ?

La norme se met en œuvre par étapes : contexte et périmètre (clause 4), engagement de la direction et politique IA (clause 5), planification (appréciation des risques 6.1.2, traitement des risques 6.1.3, évaluation d'impact des systèmes d'IA 6.1.4, objectifs 6.2), support (clause 7), fonctionnement (clause 8), évaluation (audit interne 9.2, revue de direction 9.3) et amélioration (clause 10). Elle est volontaire et ne donne aucune présomption de conformité à l'AI Act. Aucune durée type ne s'impose : elle dépend du périmètre et de la maturité de l'organisation.

Quels sont les risques éthiques majeurs ?

Les deux principaux risques sont le biais dans les données historiques (machines anciennes sous-entretenues qui faussent l'apprentissage) et la dépendance excessive à l'IA (perte de compétence des opérateurs). Dans le scénario, le comité d'éthique valide les alertes critiques, supervise la procédure d'escalade et maintient un contrôle humain effectif sur les décisions finales d'arrêt machine.

Sources officielles

• artificialintelligenceact.eu — texte consolidé du Règlement (UE) 2024/1689.
• Règlement (UE) 2024/1689 — version consolidée au 27 juillet 2026 — EUR-Lex
• Règlement (UE) 2026/1744 (« Omnibus IA ») — EUR-Lex
• CNIL — Fiches pratiques IA
• CNIL — Lignes directrices 5/2020 du CEPD sur le consentement
• Commission européenne — Lignes directrices sur les obligations de transparence (Article 50), 20 juillet 2026
• Commission européenne — Projet de lignes directrices sur la classification des systèmes à haut risque (19 mai 2026)
• Commission européenne — FAQ sur la normalisation de l'AI Act
• ISO/IEC 42001:2023 — Système de management de l'intelligence artificielle
• AI Act Service Desk — Commission européenne — service d'assistance officiel.
• La page sources recense les références réglementaires utilisées sur le site.

---

Disclaimer — Cet article fournit des informations générales sur l'EU AI Act applicables aux PME françaises. Il ne constitue pas un conseil juridique. Pour toute décision opérationnelle, faites valider votre démarche par votre DPO ou conseil juridique. regulia décline toute responsabilité quant à l'usage qui peut être fait de ces informations.