Intelligence décisionnelle pour le sport automobile : Natzka et AF Corse au Politecnico di Milano
Quel composant nécessite une intervention ? Quand l’équipe doit-elle le remplacer ? Sur quels éléments se fonde cette décision ? Et où le jugement humain doit-il rester prépondérant ? Ce sont des décisions récurrentes qui influent sur la sécurité, la performance, la disponibilité et les coûts. C’est précisément à ces questions que l’aide à la décision en sport automobile répond.
Plus de 100 voitures · Plus de 10 000 composants surveillés ·
Environ 100 événements par an · 80 % d’automatisation · Rapports 90 % plus rapides
Le 18 juin 2026, AF Corse et Natzka ont présenté leurs conclusions lors de la session d’étude de cas de l’ Osservatorio Data & Decision Intelligence du Politecnico di Milano. Devant près de 1 000 participants présents en salle et en ligne, Luca Corradini, chef d’équipe chez AF Corse, et Andrea Masiero, notre directeur des produits, ont présenté le projet de surveillance proactive Lifing.
La session a présenté au public un exemple concret d’intelligence décisionnelle dans le sport automobile : télémétrie, modèles prédictifs, flux de travail et expertise, le tout fonctionnant comme un système de décision unique et continu. De plus, sa pertinence dépasse largement le cadre de la course. Ce projet illustre ce qui se produit lorsqu’une organisation cesse de considérer les données comme un simple résultat et commence à les structurer autour des décisions que les utilisateurs doivent prendre.
Une décision à forte valeur ajoutée, répétée des milliers de fois
Le contexte opérationnel est le Ferrari 296 Challenge . Le projet concerne 100 voitures et plus de 10 000 composants regroupés en 40 systèmes fonctionnels, répartis sur une centaine d’événements à travers le monde et environ 12 000 kilomètres par voiture et par an.
À l’échelle industrielle, la flotte est réduite. Cependant, chaque composant exige une ingénierie de précision et représente une valeur considérable. Remplacer une pièce trop tôt engendre des coûts inutiles. La remplacer trop tard compromet la sécurité, les performances et le confort du conducteur. La précision prime donc sur la taille.
L’évaluation de la durée de vie consiste à calculer la durée de vie utile restante de chaque composant. Concrètement, le système indique à l’équipe le nombre de kilomètres ou d’heures de fonctionnement restants avant qu’une pièce ne nécessite une inspection ou un remplacement.
Chaque recommandation repose sur un équilibre entre trois priorités. La sécurité prime. Viennent ensuite les performances. La troisième priorité est l’expérience des pilotes amateurs participant au championnat. Le défi ne consiste donc pas seulement à estimer précisément la durée de vie des composants, mais aussi à transformer cette estimation en une décision opportune, explicable et applicable. C’est là le cœur du rôle de l’aide à la décision en sport automobile.
Comment l’intelligence décisionnelle en sport automobile relie une course à l’autre
Le point fort du projet n’est pas une prédiction isolée, mais plutôt la boucle continue qui relie les événements d’une période aux décisions que requiert l’événement suivant.
En course : saisir ce qui se passe sous pression
Pendant les essais, les qualifications et la course, l’équipe enregistre le kilométrage, l’usure, les interventions programmées et les remplacements imprévus. La rapidité est essentielle, mais la facilité d’utilisation l’est tout autant. Les personnes travaillant dans les stands ont besoin d’informations fiables sans avoir à jongler avec des tableurs, des systèmes déconnectés ou des structures de données incohérentes.
Nous avons donc remplacé l’ancien processus basé sur Excel par une interface adaptative qui s’ajuste au rôle, au contexte et à la tâche de l’utilisateur. Ainsi, la technologie facilite le travail au lieu de le ralentir pour les personnes chargées des appels opérationnels.
Après la course : transformer la télémétrie en contexte partagé
Après chaque événement, la plateforme centralise les données télémétriques, met à jour la consommation réelle des composants, analyse les dysfonctionnements et génère des rapports de course et des rapports clients. C’est à ce moment précis que les signaux bruts se transforment en une vision opérationnelle partagée. Ingénieurs, mécaniciens, équipes logistiques et gestionnaires travaillent tous à partir des mêmes informations grâce à un modèle de données unique et cohérent.
La plateforme met également à jour la durée de vie restante de chaque composant. Pour les consommables et les pièces non critiques, elle fonctionne automatiquement, éliminant ainsi les tâches manuelles répétitives. En revanche, pour les composants critiques, elle recommande une action et sollicite l’avis d’un expert pour validation.
Planification : prenez une décision avant le début du prochain événement.
La phase la plus importante est prospective. Le système combine les données actualisées sur la durée de vie des composants avec les circuits à venir, le calendrier des événements et les profils de conduite prévus. Il identifie ensuite les composants les plus exposés aux risques, propose des remplacements avant l’événement et facilite la planification logistique et la participation.
Le résultat n’est pas un rapport de plus. Il s’agit d’une décision structurée :
- Que faut-il inspecter ?
- Que remplacer ?
- Quelles pièces commander ?
- Qu’est-ce qui peut continuer à fonctionner en toute sécurité ?
- Qui doit approuver cette décision ?
- Et que doit-il se passer ensuite ?
C’est à ce stade que l’intelligence décisionnelle pour le sport automobile passe de la surveillance à l’exécution.
Pourquoi davantage d’IA à elle seule n’aurait pas résolu le problème
Le projet nécessitait des bases solides avant que les modèles prédictifs ou une automatisation plus poussée puissent porter leurs fruits. Avant la mise en œuvre, différentes équipes pouvaient décrire ou coder le même composant de manières différentes. Nous avons donc commencé par un modèle de données partagé : des métadonnées communes, des règles de décision claires et des flux de travail connectés tout au long du cycle de course.
Cette étape semble moins spectaculaire que l’analyse prédictive, mais c’est elle qui rend l’automatisation efficace. Sans langage commun, une organisation ne fait qu’automatiser la confusion. Grâce à un contexte partagé, le système peut relier les données de télémétrie, l’historique des composants, les conditions de fonctionnement, les règles métier et l’expertise nécessaires à la prise de décision.
Cela reflète un principe plus général de Natzka : partir de la décision, et non de la technologie. L’IA est un outil. Des données fiables, une logique métier partagée, des flux de travail explicites et une gouvernance claire sont les clés de son bon fonctionnement.
Des données aux flux de décision explicites
Les outils d’analyse traditionnels permettent de visualiser l’état des composants, leur consommation historique et les risques prévus. Toutefois, la simple visibilité ne suffit pas à garantir le passage à l’action. Une décision nécessite également une implication claire, des règles définies et un plan d’exécution précis.
Qui examine la recommandation ? Quel seuil déclenche un remplacement ? Quand une action peut-elle être automatisée ? Quand un ingénieur intervient-il ? Et que se passe-t-il après approbation ? La plateforme explicite ces éléments. Elle relie les informations à l’origine de la décision au flux de travail qui la met en œuvre, permettant ainsi aux recommandations d’alimenter les inspections, les remplacements, les rapports, la planification logistique ou les futurs achats.
Voici la différence entre l’analyse de données et l’aide à la décision. L’analyse de données aide une organisation à comprendre la situation. L’aide à la décision l’aide à déterminer les prochaines étapes, puis à coordonner les actions qui en découlent.
L’automatisation là où elle est utile, le contrôle humain là où il est indispensable.
Le projet est passé d’un processus entièrement manuel à une automatisation à environ 80 %. Il a également réduit le temps de génération des rapports d’environ 90 %, permettant ainsi d’obtenir des résultats quasi instantanés au lieu de plusieurs heures de travail manuel après la course.
L’intervention humaine restante n’est pas une automatisation inachevée, mais un choix de conception délibéré. Les tâches routinières sont plus rapides. Les remplacements non critiques suivent des règles définies. Les rapports sont générés automatiquement. Les décisions critiques pour la sécurité et les situations de concurrence nécessitent toutefois toujours la validation d’experts.
Ce modèle, qui maintient l’humain au centre du processus, établit une limite claire. La plateforme garantit rapidité, cohérence, données probantes et actions recommandées. Le spécialiste conserve son jugement, sa responsabilité et le pouvoir de décision final. En bref, l’objectif n’est pas une autonomie maximale, mais le niveau d’autonomie adapté à chaque décision.
Ainsi, l’aide à la décision en sport automobile combine des données quantitatives, telles que le kilométrage, les heures de fonctionnement et la télémétrie, avec les connaissances qualitatives des ingénieurs et des pilotes. Au lieu d’imposer un choix entre expertise humaine et automatisation, le système permet aux deux de contribuer là où elles apportent le plus de valeur.
De la surveillance prédictive à l’action prescriptive
La prochaine étape de l’intelligence décisionnelle pour le sport automobile se concentre sur les événements anormaux. La pluie, les accidents, les impacts et les conditions de piste inhabituelles ne suivent pas une moyenne linéaire. Par conséquent, ils peuvent réduire la durée de vie des composants de manière non linéaire, ce que les modèles conventionnels peinent à appréhender. Le système doit donc aller au-delà de la simple extrapolation à partir des conditions nominales.
L’approche adoptée est celle d’un processus décisionnel plus prescriptif et proactif. En cas d’anomalie, la plateforme recalcule la durée de vie restante des composants concernés et propose une réponse priorisée : éléments à inspecter, à remplacer, à surveiller, actions les plus urgentes et justification de ces recommandations. Les experts continuent de définir le périmètre d’intervention et d’approuver les actions critiques. Au lieu d’une simple alerte, ils reçoivent un plan d’action structuré et étayé par des données probantes.
Une deuxième évolution rapproche le processus de l’approvisionnement. L’équipe anticipera les demandes des fournisseurs concernant les composants arrivant en fin de vie, ce qui étend le processus de décision à l’ensemble de la chaîne d’approvisionnement. Ensemble, ces étapes font évoluer le cas d’usage d’une surveillance prédictive vers une exécution coordonnée et automatisée.
Quels enseignements les dirigeants d’entreprise peuvent-ils tirer de ce parcours ?
Le sport automobile crée un environnement opérationnel extrême. Pourtant, les leçons qu’il en tire sont facilement transposables à d’autres secteurs, car la même logique qui sous-tend la prise de décision en sport automobile s’applique à toute décision récurrente et à forts enjeux.
Commencez par la décision récurrente
Ne commencez pas par la source de données ni par le modèle. Commencez plutôt par définir la décision : qui en est responsable, quelles sont les données d’entrée importantes, quelles règles s’appliquent, quels risques sont à prendre en compte et quelles mesures doivent être prises.
Créer un contexte partagé et propice à la prise de décision
Les données issues de systèmes différents ont une valeur limitée si les équipes les interprètent différemment. Un modèle de données commun, en revanche, crée une réalité opérationnelle unique à partir de laquelle les humains et l’IA peuvent collaborer.
Transformer les recommandations en flux de travail explicites
Les informations recueillies ne doivent pas se limiter à un tableau de bord. Elles doivent être liées à la responsabilité, aux approbations, aux exceptions et aux actions en aval.
Appliquer l’IA dans des limites réglementées
L’objectif n’est pas d’automatiser toutes les décisions. Il s’agit de définir les domaines où l’IA doit apporter un soutien, accélérer ou exécuter des tâches, et ceux où le jugement d’experts doit rester prépondérant.
Mesurer les résultats commerciaux
Un reporting plus rapide est précieux. Cependant, l’impact le plus important réside dans la réduction des erreurs, une meilleure utilisation des composants, une maîtrise accrue des coûts et une préparation plus fiable au prochain événement. Ce sont des résultats opérationnels mesurables, et non de simples améliorations techniques.
La qualité de la décision commence avant même que la pression n’arrive.
La session du Politecnico di Milano a rendu l’intelligence décisionnelle concrète. Le projet Lifing relie la télémétrie, l’analyse prédictive, les règles métier, les flux de travail et l’expertise autour d’une question opérationnelle fondamentale : que faire ensuite ? C’est ce qui distingue la détection d’un risque de sa gestion. C’est aussi ce qui distingue l’IA comme capacité isolée de l’IA intégrée à un modèle opérationnel fiable.
En course automobile, le résultat visible s’affiche sur la piste. La qualité des décisions, cependant, se dessine bien plus tôt : lorsque les équipes structurent leurs informations, clarifient les responsabilités, évaluent les différents scénarios et préparent la prochaine action avant même que la pression ne se fasse sentir. C’est là toute la valeur de l’intelligence décisionnelle en sport automobile.
Nous aidons les organisations à instaurer la même discipline dans d’autres environnements à forts enjeux : un contexte partagé, des flux de décision explicites, une exécution de l’IA encadrée et des résultats qui s’améliorent à chaque cycle.
