La bonne façon d'utiliser l'IA pour le dispatch de maintenance
Le dispatch IA fonctionne quand le modèle dispose de bonnes données : techniciens certifiés, registre des actifs précis et informations de poste en temps réel. Sans ces entrées, vous n'autocomplétez que des messages WhatsApp.
Il existe une version de la répartition de maintenance par IA qui fonctionne extrêmement bien. Il en existe une autre qui automatise de mauvaises décisions à grande échelle. La différence tient entièrement à la qualité des données, et la plupart des établissements ne sont pas prêts pour la version qui fonctionne.
Ce que fait réellement la répartition par IA
La répartition par IA prend un bon de travail entrant (avec le type d'équipement, la priorité, l'emplacement et la description) et le route vers le meilleur technicien disponible en fonction des compétences, des certifications, de la charge de travail actuelle et du planning de quart. Bien réalisée, elle réduit le temps de réponse P1 de 60 à 80 % et élimine le goulot d'étranglement de la répartition.
Mal réalisée, elle route une panne de réfrigération vers un technicien de génie civil parce que son profil n'a jamais été mis à jour, alors que le technicien certifié en réfrigération était disponible mais non connecté au système.
Les trois entrées dont l'IA a besoin pour fonctionner
1. Un registre de compétences et certifications des techniciens
Chaque technicien a besoin d'un profil structuré avec des compétences vérifiées et des certifications à jour. Pas une bio en texte libre : une liste structurée de compétences que le modèle de répartition peut associer au type d'équipement. Si vos techniciens n'existent que comme noms dans un groupe WhatsApp, la répartition par IA ne peut pas vous aider.
2. Un registre d'actifs précis avec classification
Chaque équipement nécessite une catégorie, une sous-catégorie et la compétence requise pour l'entretien. Le modèle doit savoir que l'actif A-421 est un climatiseur split nécessitant une certification CVC, pas juste "clim chambre 421." Sans données structurées, le modèle ne peut pas déterminer la compétence requise.
3. Données de quart et de disponibilité en temps réel
Le modèle de répartition doit savoir qui est en service, qui est déjà affecté à un bon de travail ouvert, et qui est disponible. Si les techniciens ne mettent pas à jour leur statut, le modèle route sur une carte obsolète.
Le problème de séquençage
La plupart des établissements veulent déployer la répartition IA avant d'avoir des données propres. C'est à l'envers. La bonne séquence est : (1) construire le registre d'actifs, (2) structurer les profils et certifications des techniciens, (3) établir une discipline de gestion des quarts, (4) faire tourner une répartition automatique basée sur des règles pendant trois mois, (5) superposer l'IA sur les données de pattern.
La répartition par IA est un multiplicateur. Si vos données sont bonnes, elle multiplie la vitesse des bonnes décisions. Si vos données sont mauvaises, elle multiplie la vitesse des mauvaises.
Quand êtes-vous prêt pour la répartition IA
Vous êtes prêt quand : votre registre d'actifs a moins de 5 % d'actifs non classifiés, chaque technicien a un profil de compétences structuré mis à jour dans les 90 derniers jours, et votre équipe utilise la GMAO pour mettre à jour le statut des bons en temps réel. Si ces trois conditions sont remplies, la répartition IA améliorera immédiatement votre temps de réponse P1.
Le moteur de répartition d'Arckium calcule un score de préparation avant déploiement. Vous obtenez une évaluation honnête de la qualité de vos données avant que l'IA soit mise en production, parce qu'un bon résultat de répartition la semaine prochaine vaut mieux qu'une démo impressionnante aujourd'hui.