On parle beaucoup de convergence entre objets connectés et intelligence artificielle. Pascal Tellier, fondateur de Griot Conseil, l'a construite pour de bon — sur son propre réseau LoRaWAN d'expérimentation, quatre passerelles et une trentaine de capteurs. Un agent IA y surveille l'état du parc, diagnostique les défaillances, va chercher la bonne procédure d'intervention et exécute l'action, sous validation humaine. Avec des briques open source et un modèle qui tourne en local.
À retenir
- L'agent ne remplace pas la supervision, il l'absorbe : le relevé quotidien arrive par mail, déjà pré-analysé.
- Quatre étages de maintenance — corrective, conditionnelle, préventive, agentique — sur un même socle de données consolidées.
- Le modèle tourne en local, pour des clients industriels qui ne veulent pas de leurs données ailleurs.
- La valeur n'est pas dans le LLM, elle est dans la traduction du métier en prompt.
- Sur la responsabilité juridique, personne n'a encore de réponse. Lui non plus, et il le dit.
« Un agent IA, ça combine la réflexion et l'action »
Deluxe Conseil (D.C.) — Le terme « agent IA » recouvre à peu près tout en ce moment. Vous, comment le définissez-vous ?
Pascal Tellier (P.T.) — Pour moi, c'est un module qui combine deux choses : la compréhension — l'analyse d'une problématique — et la capacité d'agir sur cette problématique. Ça combine les deux : la réflexion et l'action.
D.C. — Question candide : pourquoi un réseau de capteurs a-t-il besoin d'être maintenu ?
P.T. — Comme tout système. Un bâtiment, c'est un système : il y a des portes de garage qui tombent en panne, des ventilations qui tombent en panne. Dans un réseau LoRaWAN aussi — des passerelles, des capteurs. L'idée, c'est de faciliter l'exploitation en y mettant un peu d'intelligence.
D.C. — Comment surveilliez-vous ce réseau auparavant ?
P.T. — Le matin, il faut se connecter sur la plateforme de supervision, checker les tableaux de bord pour voir si c'est vert ou pas. Et s'il y a un problème, il faut investiguer : aller voir dans le capteur, les logs, à droite à gauche. Ça prend du temps, et il faut que les personnes soient compétentes — ce qui n'est pas toujours le cas. Ce sont des tâches à faible valeur ajoutée. L'IA peut les prendre en charge, pour que la personne fasse du mode projet plutôt que du run.
Le déclencheur, d'ailleurs, ce ne sont pas les pannes : ce sont les outils. L'arrivée des LLM et des solutions open source a ouvert le champ des possibles.
Les quatre étages de la maintenance
D.C. — Racontez-moi ce que fait l'agent.
P.T. — Il faut distinguer quatre niveaux :
- Corrective — il y a un incident, on intervient, on répare.
- Conditionnelle, par seuil — une règle dit que si mon moteur chauffe plus de trois heures au-dessus de 50 °C, il y a un problème.
- Préventive — j'anticipe ce qui va arriver.
- Agentique — là, j'agis.
Pour instancier ces niveaux, il faut un socle : les informations se trouvent un peu partout, dans différents outils, et la première étape est de les consolider dans un seul endroit. Ensuite on connecte un LLM dessus. Je demande « quel est l'état de mon réseau ? », et il compile tout. J'ajoute un module qui va chercher la procédure d'intervention — j'ai un capteur de la marque Adeunis, comment je remplace la pièce ? C'est le LLM couplé à un RAG, une base documentaire capable de trouver la bonne procédure pour le bon capteur.
Pour le conditionnel, on combine plusieurs facteurs — qualité du signal, activité de la passerelle en face, état de la batterie — qui donnent un score. Chaque matin, je reçois par mail le relevé des capteurs passés sous un seuil. Je sais ce qui ne va pas, avec les pistes : signal mauvais, donc il s'est passé quelque chose ; ou batterie qui déconne, et là il va falloir la changer. Le préventif, lui, interroge l'avenir : des projections, des régressions linéaires. Ma batterie faiblit — est-ce que j'interviens cette semaine, ou est-ce que ça peut attendre ?
D.C. — Et l'agent, il propose ou il exécute ?
P.T. — Il faut des barrières, surtout au début. L'IA considère par exemple qu'un CPU de passerelle est à 100 % depuis un moment ; la première étape, c'est peut-être de rebooter. Elle propose l'action, et si je clique, elle lance le reboot automatiquement. C'est toujours sous pilotage humain, mais c'est l'agent qui exécute.
Ce que l'agent répond
Le portail est une interface de chat. Elle ne s'adresse pas directement au modèle : elle envoie la question à un moteur d'automatisation, qui déclenche le flow correspondant, va chercher les données et les soumet au LLM.
« Quel est l'état de mon réseau ? » — un bilan synthétique : les capteurs, les passerelles, les alarmes, les événements récents du type « telle passerelle a été redémarrée mais ne s'est pas reconnectée ».
« Quel est l'état de ce capteur ? » — score 85/100, signal bon, batterie normale, dernière trame reçue. En dessous, des actions de suivi : « m'aider à remplacer la batterie » va chercher la procédure du modèle concerné.
« Quels capteurs risquent de tomber en panne ? » — un signal critique, une batterie basse, un capteur en tendance baissière.
« Donne-moi un plan d'action » — une synthèse priorisée.
Sous le capot : un LLM local, un cluster à trois nœuds
D.C. — Sur quoi tout ça tourne-t-il ?
P.T. — La collecte est automatisée avec n8n, choisi pour son caractère open source et sa facilité à être mis on-premise — un critère pour la plupart de nos clients PME et industriels, qui préfèrent garder leurs données en interne. Tout tourne sur un cluster Kubernetes à trois nœuds, pour la résilience et la répartition de charge, dans un package clé en main installable en l'état chez le client. Une espèce de boîte noire… grise, parce que tous les composants sont open source. Il n'y a rien de payant et rien d'extraordinaire.
D.C. — Quel modèle avez-vous retenu ?
P.T. — On en a testé une petite dizaine, avec une recette maison : une batterie de questions déclinée sur chacun. On voulait quelque chose d'assez léger pour tourner en local. On a choisi gpt-oss 20B, 20 milliards de paramètres — le meilleur compromis. On a réfléchi à réentraîner, mais ce n'était pas nécessaire.
D.C. — Combien de temps pour construire ça ?
P.T. — Facilement six mois, à trois : un senior sur l'infrastructure, un stagiaire sur les modèles et les flows, et moi en coordination.
Les garde-fous : le prompt, la trace, l'humain qui clique
D.C. — Comment savez-vous qu'il ne se trompe pas ?
P.T. — Toute la clé est dans ce qu'on met dans le prompt et dans les skills. Un LLM générique a des connaissances, mais pas celles de notre système, qui est forcément spécifique. C'est ce travail de traduction qui permet à l'IA de répondre correctement et de ne pas fabuler.
Les réseaux LoRaWAN, c'est notre spécialité. Mais appliqué à un bâtiment ou à un atelier, il faut discuter avec les gens du métier pour comprendre leur équipement dans leur contexte. La valeur ajoutée est là : comprendre les enjeux du client et traduire ça en prompt. Il n'y a pas de truc miracle.
D.C. — Et la traçabilité ?
P.T. — Toutes les actions sont tracées, celles des agents surtout, pour vérifier qu'il n'y a pas de dérive — que l'agent ne reboote pas la passerelle tous les jours. Les actions humaines aussi. Si j'ajoute une passerelle et que je constate ensuite que mon réseau va moins bien, l'IA peut dire : tiens, il y a eu une action à ce moment-là. Peut-être qu'ils ont mis une cloison dans un bureau et que la propagation est moins bonne.
Ce que ça change
D.C. — Qu'est-ce qui a changé de mesurable ?
P.T. — Le gain de temps. « Mesurable », c'est toujours un peu… En revanche, on est surpris par la qualité des réponses. On avait un capteur qui communiquait mal ; l'agent nous a dit : probablement dans un espace clos, une armoire. Et effectivement, c'était le cas. Les gains sur le diagnostic sont surprenants. Je ne vais pas dire inquiétants, mais c'est impressionnant.
D.C. — Et l'accueil des équipes ?
P.T. — Plutôt l'enthousiasme. Se connecter tous les matins à 8 h pour regarder le truc de supervision, c'est marrant une semaine, mais après c'est rébarbatif.
Cela dit, nous, on est des informaticiens. Dans des métiers plus traditionnels, il y aura une phase d'accompagnement, et peut-être une réticence à être concurrencé par l'IA. Vu d'un peu plus haut, pourtant : quand les gens partent à la retraite, beaucoup de compétences se perdent. Les modéliser donne à l'entreprise une meilleure pérennité.
Le seuil, le coût — et la responsabilité
D.C. — À partir de combien de capteurs est-ce que ça vaut le coup ?
P.T. — Ce n'est pas tellement le nombre, c'est les équipes. Y a-t-il quelqu'un de disponible pour superviser ? S'il y a un gars à temps plein qui ne fait que ça, ça se justifie moins — mais en général ce n'est pas le cas. Ce qui compte, c'est la valeur du système. Si c'est un système critique, la question ne se pose pas : il faut compter en arrêt de service. Si l'impact, c'est 1 000 € ou 10 000 € d'arrêt par jour, le calcul est vite fait.
D.C. — Et le coût ?
P.T. — Pas les licences, puisque c'est de l'open source. C'est surtout le matériel : pour héberger un LLM, il faut une machine costaud, plutôt dans les 4 000 à 6 000 €. Et après, la prestation d'intégration.
D.C. — Si l'agent rate quelque chose, qui est responsable ?
P.T. — Honnêtement, je n'en sais rien. Je ne sais pas si les assurances couvrent ce type de risque — c'est une bonne question à poser. Vous avez un peu le même sujet sur les véhicules autonomes : des questions de responsabilité civile qui arrivent, et je ne sais pas s'il y a une réponse aujourd'hui. C'est aussi pour ça que j'ai une approche d'intégration : je pose la solution chez le client, je lui donne les clés, et ma responsabilité s'arrête à ce qui a été mis en place.
Par où commencer — et quand ne pas y aller
D.C. — Beaucoup d'organisations ont un parc de capteurs et des données qui dorment. Que leur conseillez-vous ?
P.T. — Déjà, comprendre ce qui leur fait mal : qu'est-ce qui les empêche de dormir, qu'est-ce qui leur a fait perdre du temps. À partir de là, tirer le fil. On ne met pas de l'IA pour le plaisir. S'il n'y a pas de besoin, ça fait un peu d'acculturation : on a mis un LLM, on a posé trois questions, et puis — so what ?
Et la réponse n'est pas forcément l'IA. Mettre des alarmes, c'est peut-être déjà suffisant s'il y a quelqu'un derrière qui les regarde et qui est compétent. L'IA vient remplacer des gens qui n'ont pas l'expertise du réseau, ou qui n'ont pas le temps. C'est un outil, un assistant. De la supervision augmentée.
Pour le reste : bien cadrer l'objectif même s'il n'est pas clair au début, beaucoup échanger avec les gens qui exploitent, puis expérimenter — mettre les mains dans le cambouis. Étape par étape, et avec humilité : ne pas avoir la prétention de résoudre tous les problèmes. Mais ça vaut le coup d'inciter les clients à démarrer, puis de regarder si ça leur apporte quelque chose. Je suis persuadé que ça le fait.
D'où vient le nom « Griot »
« J'ai choisi Griot parce qu'il y a IoT dedans. Et un griot, c'est aussi un sorcier africain qui prédit l'avenir. Je me suis dit : ça y est, j'ai trouvé — je fais de l'IoT, et je fais de la prédiction avec l'IA. »
Entretien réalisé le 9 septembre 2026, relu et resserré pour la publication. Griot Conseil est client de Deluxe Conseil.