Le jeu de données le plus précieux en IA est celui que personne ne conserve

Dans la première édition, j'ai soutenu que la prochaine génération d'IA — les modèles mondiaux, l'IA physique — sera remportée sur des données qui n'ont jamais été mises en ligne. C'était la thèse.

Cette édition est la preuve, et elle est plus étroite que ce que j'attendais. Parce que lorsque vous arrêtez de théoriser et que vous écoutez réellement le marché — des milliers de signaux indépendants et datés de l'économie réelle — il ne pointe pas vers une vague opportunité de « données industrielles ». Il pointe, encore et encore, vers un jeu de données.

Voici ce que deux mois d'écoute nous ont appris.

1. Ce que la machine a entendu : 5 000 signaux, une forme récurrente

Notre plateforme repose sur un principe simple et délibérément peu médiatisé que nous appelons signal-first : nous ne partons pas d'une opinion sur l'emplacement des données. Nous partons des faits — une levée de fonds, une transaction de fusion-acquisition, un partenariat de données, un appel d'offres, un déploiement IoT, un dépôt réglementaire — chacun daté, chacun sourcé dans la presse spécialisée, chacun pointant vers un thème qui produit des données.

Au cours des huit dernières semaines, le moteur a récolté environ 5 000 signaux de ce type. Il a ensuite fait quelque chose d'important : il a refusé de faire confiance à un seul d'entre eux. Un thème ne devient une véritable « niche » que lorsque au moins trois sources indépendantes convergent vers lui — une protection contre le battage médiatique d'un titre bruyant. Sur cette base, 195 niches ont été confirmées.

Et voici la partie frappante. Ces ~5 000 signaux ont généré des milliers de thèmes candidats — mais ils s'effondrent en une poignée de familles, et chacune d'elles représente l'économie physique en action :

• Énergie, réseau, énergies renouvelables et stockage — ~1 000 clusters, ~2 500 signaux
• Chaîne d'approvisionnement, logistique et fret — ~620 clusters, ~2 200 signaux
• Robotique et automatisation industrielle — ~455 clusters, ~1 500 signaux
• Mobilité, VE, automobile et flottes — ~530 clusters, ~1 350 signaux
• Exploitation minière, minéraux critiques et matériaux — ~310 clusters, ~1 000 signaux

Pas « IA ». Pas « LLM ». Pas le web. Le marché continue de parler de machines qui fonctionnent dans le monde réel — et, implicitement, des données que ces machines produisent chaque seconde et que personne ne conserve.

2. Posez la question « quelles données, et pour qui ? » — et cela se réduit à une seule niche

Les signaux vous indiquent où se trouve la chaleur. La vraie question est : quel jeu de données cela crée-t-il réellement, et qui paierait pour cela ?

Nous avons maintenant cartographié 413 détenteurs de données réels (contre 311 dans la dernière édition — la carte se compose). Lorsque nous classifions ce sur quoi chacun est réellement assis, la distribution n'est pas plate. Une niche domine le reste :

• 43 % de chaque détenteur que nous avons cartographié correspond au même cas d'utilisation : Maintenance prédictive — 179 sur 413. Les seconds (surveillance industrielle, intelligence documentaire, RAG réglementaire, IA diagnostique) sont loin derrière.
• 100 % de ces 179 sont des séries temporelles. Absolument toutes. Journaux de machines, télémétrie de capteurs, télématique de flottes — le signal brut du monde physique, horodaté.
• Cela traverse proprement les secteurs : industriel (89), mobilité/flottes (58), énergie et autres (23), santé (7) — les mêmes familles dont les signaux parlaient avec insistance.
• Et le côté demande a un profil d'acheteur dominant : les fournisseurs d'IA industrielle et d'optimisation de la maintenance.

C'est le schéma le plus répété et le plus confirmé indépendamment dans tout ce que nous avons collecté. Le marché ne demande pas de « données ». Il demande des séries temporelles de maintenance prédictive — et il le demande bruyamment.

3. Pourquoi cette niche, et pas une autre : le coût du problème est stupéfiant

La maintenance prédictive n'est pas la niche la plus prolifique par accident. Elle repose sur l'un des coûts non résolus les plus importants de l'économie mondiale.

Selon le rapport True Cost of Downtime 2024 de Siemens, les 500 plus grandes entreprises mondiales perdent environ 1,4 billion de dollars par an à cause des temps d'arrêt imprévus — soit 11 % de leur chiffre d'affaires, environ le PIB de l'Espagne. À l'extrême, une heure d'arrêt imprévu dans une usine automobile coûte désormais jusqu'à 2,3 millions de dollars — plus de 600 dollars par seconde — et ce coût horaire a environ doublé depuis 2019.

C'est exactement la douleur que la maintenance prédictive vise à éliminer. C'est pourquoi le marché pour celle-ci est réel, pas une promesse : des analystes indépendants estiment le marché mondial de la maintenance prédictive à environ 13 à 14 milliards de dollars en 2025 (Grand View ~$14,2 milliards ; Fortune Business Insights ~$13,65 milliards ; Mordor ~$14,1 milliards ; MarketsandMarkets ~$12,1 milliards). Les estimations de croissance varient considérablement — de ~11 % à ~34 % de TCAC selon le cabinet — alors traitez le taux de croissance principal comme une fourchette, pas un chiffre définitif. Mais la direction est unanime : en hausse et à droite, pendant une décennie.

Un coût gigantesque, quantifié et récurrent — et les données qui le résoudraient sont exactement les données que nos détenteurs sous-exploitent.

4. Pourquoi cela ne peut pas être extrait : ces données vivent derrière le pare-feu

Voici ce qui rend cette niche structurellement différente du marché du texte web que les laboratoires ont déjà épuisé.

Les séries temporelles de maintenance prédictive ne sont pas sur Internet, et ne le seront jamais. Elles vivent à l'intérieur des systèmes SCADA, des historiens d'usine, des bases de données CMMS et des automates programmables — derrière le pare-feu opérationnel, dans des formats conçus pour le contrôle, pas pour la publication. Il n'y a pas de robot d'exploration qui y accède.

Et la plupart d'entre elles ne sont même jamais utilisées. Le chiffre le plus cité ici — Rethink Data de Seagate et IDC — a révélé que seulement 32 % des données disponibles pour les entreprises sont jamais mises au travail ; les 68 % restants ne sont pas exploités (2020). Forrester a estimé la part des données d'entreprise non utilisées pour l'analyse à 60 à 73 % (2016). Ces chiffres sont plus anciens, et ils concernent les données d'entreprise au sens large — mais ils décrivent exactement le réservoir inactif à l'intérieur de chaque usine, réseau et flotte.

L'échelle est visible partout où une entreprise a réussi à agréger ne serait-ce qu'une partie de ces données. Dans ses dépôts auprès de la SEC, la société d'opérations connectées Samsara signale plus de 25 billions de points de données circulant sur sa plateforme chaque année — et déclare clairement que « le coût et la disponibilité des capteurs, de la puissance de calcul… ont empêché une analyse généralisée des données d'opérations physiques ». Vingt-cinq billions de points, et ce n'est qu'une plateforme privée. Le reste est obscur.

C'est la définition d'un actif rare : énorme, précieux, et inaccessible à tous ceux qui voudraient s'en servir pour l'entraînement.

5. Les acheteurs arrivent déjà — et ils constituent une nouvelle classe de modèles

Pendant des années, « qui achèterait des séries temporelles opérationnelles ? » était une question légitime. En 2024, cela a cessé de l'être — car une toute nouvelle catégorie d'IA est apparue, ayant précisément besoin de cela.

Les deux dernières années ont produit la première vague de modèles fondamentaux de séries temporelles : TimesFM de Google, Chronos d'Amazon, Moirai de Salesforce, Granite / Tiny Time Mixers d'IBM, MOMENT de CMU, TimeGPT de Nixtla. La même recette « pré-entraîner un grand modèle, généraliser partout » qui a transformé le texte et les images — maintenant dirigée vers les signaux au fil du temps.

Mais ils se sont heurtés au même mur que celui que nous décrivons. TimesFM de Google a été pré-entraîné sur environ 100 milliards de points temporels tirés en grande partie de Google Trends et des vues de pages Wikipedia — des données publiques du web, pas une seule heure de SCADA ou de télémétrie de capteur. Et les chercheurs qui construisent ces modèles disent la partie silencieuse à voix haute :

« Les modèles fondamentaux ont transformé la vision et le langage en pré-entraînant sur des corpus volumineux et structurellement cohérents — pourtant aucun substrat analogue n'existe pour les séries temporelles industrielles. » — FactoryNet, 2026

« Contrairement au langage, qui dispose d'abondantes données publiques de pré-entraînement en téraoctets, les données de séries temporelles sont relativement rares, très diverses et publiquement limitées. » — IBM Research, Tiny Time Mixers (NeurIPS 2024)

Le capital suit la même logique. Le spécialiste de la santé des machines Augury a levé 75 millions de dollars à une valorisation de plus d'un milliard de dollars (février 2025) ; la plateforme de maintenance industrielle Tractian a levé 120 millions de dollars (décembre 2024). Les acheteurs de données de maintenance prédictive ne sont plus hypothétiques. Ils sont financés, ils construisent, et ils meurent de faim pour exactement la réserve sur laquelle nos 413 détenteurs sont assis.

En résumé

L'édition n°1 a déclaré que la prochaine IA a besoin de données qui n'ont jamais été en ligne. L'édition n°2 vous dit quelles données, car le marché n'arrêtait pas d'y pointer : les séries temporelles de maintenance prédictive de l'économie physique — machines, réseaux, flottes, mines.

C'est le signal le plus répété que nous collectons. C'est la plus grande niche que nous ayons cartographiée (43 % de chaque détenteur). C'est 100 % de séries temporelles. Elle repose sur un problème annuel de 1,4 billion de dollars. Elle ne peut pas être extraite. Et une nouvelle classe de modèles fondamentaux vient d'arriver, incapable de s'entraîner sans elle.

D'un côté : des opérateurs assis sur un actif rare et sous-exploité — souvent sans réaliser que c'est le carburant de la prochaine décennie de l'IA. De l'autre : une nouvelle génération de modèles, et les fournisseurs qui les entourent, prêts à payer pour cela. Ce qui manque entre les deux, c'est l'infrastructure pour faire correspondre, qualifier et faire confiance à l'échange.

C'est ce que nous construisons.

Si vous exploitez des machines, un réseau, une flotte ou une usine — vous êtes presque certainement en possession de séries temporelles de maintenance prédictive pour lesquelles quelqu'un est maintenant prêt à payer. Si vous construisez une IA qui a besoin d'un signal opérationnel réel — c'est là qu'il se trouve. Dans tous les cas, il est temps de parler.

— Salim Labriki, d-nvest

Note méthodologique : les chiffres de dimensionnement du marché sont des estimations propriétaires de fournisseurs, attribuées par cabinet ; lorsque les analystes divergent (notamment sur le TCAC), nous montrons la fourchette plutôt que de choisir un chiffre. Un « signal » est un fait externe daté (presse/registre) ; une niche est considérée comme qualifiée uniquement lorsque ≥3 sources indépendantes convergent vers elle.