Une machine d'occasion à l'usine : bonne affaire ou pari risqué ?
Publié par Chen Xiong, le 16 novembre 2026
Acheter une voiture d'occasion, tout le monde connaît : moins cher, mais avec une part d'inconnu. Les usines se posent aujourd'hui la même question pour leurs robots et leurs machines. Ma thèse, soutenue en novembre 2026 au LS2N à Nantes, a développé des outils mathématiques et d'intelligence artificielle pour décider quand entretenir, réparer ou remplacer une machine, y compris par une machine d'occasion, sans mettre en danger toute la ligne de production.
Quand l'usine manque de machines
Pendant la crise du Covid, puis la pénurie de puces électroniques, beaucoup d'industriels ont découvert un problème inattendu. Il ne manquait pas seulement des pièces pour fabriquer leurs produits. Il manquait aussi les machines pour les fabriquer. Commander un robot neuf pouvait prendre des mois.
Pendant ce temps, d'autres machines dorment dans des entrepôts. Dans l'industrie automobile, on estime que 60 à 70 % des équipements de production sont retirés avant la fin de leur durée de vie prévue : mis au rebut, démontés pour pièces, ou simplement stockés. Un bras robotique encore capable de travailler des années finit parfois à la ferraille.
Réutiliser ces machines semble donc une bonne idée. C'est moins cher, plus rapide à obtenir, et cela va dans le sens de l'économie circulaire voulue par l'Union européenne : garder les objets en usage le plus longtemps possible. Un marché de l'occasion pour les équipements industriels commence d'ailleurs à se développer.
Alors pourquoi les industriels hésitent-ils encore ? Parce qu'une machine d'occasion, comme une voiture d'occasion, arrive avec une histoire qu'on connaît mal. Est-elle très usée ? Combien de temps tiendra-t-elle ? Et surtout : que se passe-t-il pour toute l'usine si elle tombe en panne ?
Une usine, c'est comme une guirlande de Noël
Dans une ligne d'assemblage, les machines ne travaillent pas seules. Elles sont reliées entre elles, et la façon dont elles sont reliées change tout.
Pensez aux vieilles guirlandes de Noël : une seule ampoule grillée, et toute la guirlande s'éteint. C'est ce qu'on appelle un système en série. Dans une usine organisée ainsi, si un seul robot tombe en panne, toute la ligne s'arrête. Chaque machine est un maillon dont dépend toute la chaîne.
À l'inverse, imaginez une pièce éclairée par trois lampes. Si l'une s'éteint, on y voit encore. C'est un système en parallèle : plusieurs machines peuvent faire le même travail, et la ligne ne s'arrête que si toutes lâchent en même temps. Les vraies usines mélangent souvent les deux.



Trois façons d'organiser une ligne de production : en série, une seule panne arrête tout ; en parallèle, une machine peut en remplacer une autre ; les vraies usines combinent souvent les deux. Source : Chen Xiong, thèse de doctorat, IMT Atlantique, 2026
Cela change la question à se poser. Il ne suffit pas que chaque machine soit « assez fiable ». Dix machines qui ont chacune un petit risque de panne forment, en série, une ligne dont le risque total est bien plus grand. À l'inverse, une machine doublée par une autre peut se permettre d'être un peu moins fiable. Dans ma thèse, on fixe donc l'objectif au niveau de toute la ligne : par exemple, « la probabilité que la ligne tombe en panne doit rester sous 5 % ». C'est ce qu'on appelle une contrainte de fiabilité.
C'est aussi ce qui rend l'occasion acceptable. Une machine usée n'est pas un problème en soi, tant que l'ensemble de la ligne respecte son objectif.
Entretenir, réparer ou remplacer ? Un casse-tête à plusieurs coups
Une machine s'use avec le temps, un peu comme les pneus d'une voiture. On peut décrire son état par quelques niveaux : neuve, bon état, état moyen, très usée, en panne. Cette usure avance de façon en partie aléatoire : deux machines identiques ne vieillissent pas exactement au même rythme.
À intervalles réguliers, le responsable de l'usine doit choisir pour chaque machine :
- l'entretenir, pour ralentir son usure, à faible coût ;
- la réparer, pour la remettre dans un meilleur état ;
- la remplacer par une machine neuve, chère mais fiable ;
- la remplacer par une machine d'occasion, moins chère mais déjà un peu usée.

Les niveaux d'usure d'une machine et les quatre décisions possibles. Illustration : Chen Xiong
Chaque choix a des conséquences sur les années suivantes. Économiser aujourd'hui peut coûter cher demain. C'est un peu comme aux échecs : le bon coup se juge à la partie entière, pas au coup suivant. Et la partie se joue sur toutes les machines à la fois, puisque la fiabilité de la ligne dépend de toutes.
Le problème devient vite énorme. Avec 5 états possibles par machine, une ligne de 10 machines compte déjà près de 10 millions de situations différentes. Avec 100 machines, le nombre dépasse tout ce qu'un ordinateur peut énumérer.
Pour s'en sortir, ma thèse combine deux familles d'outils. La première est la recherche opérationnelle, la branche des mathématiques qui cherche la meilleure décision possible sous des règles précises. Elle permet de garantir que l'objectif de fiabilité est respecté. La seconde est l'apprentissage par renforcement, une forme d'intelligence artificielle qui apprend par essais et erreurs, comme un enfant qui apprend à faire du vélo. L'ordinateur simule des milliers d'années de vie de l'usine, essaie des décisions, et retient celles qui coûtent le moins.
L'idée clé consiste à découper le gros problème en petits problèmes, un par machine. Chaque machine apprend sa propre stratégie. Un « chef d'orchestre » mathématique les coordonne : il fixe un « prix » au risque de panne et l'ajuste jusqu'à ce que la ligne entière respecte son objectif. Grâce à cette méthode, nous avons pu traiter des lignes allant jusqu'à cent machines.
Ce que nous avons appris des cas d'étude
Nous avons testé ces méthodes sur des données issues de deux lignes industrielles réelles : une station de soudure robotisée pour l'automobile et une ligne d'assemblage de composants électroniques. Trois enseignements ressortent, dont certains vont contre l'intuition.
1. La meilleure occasion n'est pas toujours la plus belle. On pourrait croire qu'il vaut mieux acheter une machine d'occasion presque neuve. Nos calculs montrent l'inverse. Quand le marché propose seulement des machines en très bon état, donc chères, la meilleure stratégie consiste surtout à réparer les machines existantes. Mais dès que des machines plus usées et bon marché sont disponibles, la stratégie bascule : près de 9 interventions sur 10 deviennent des remplacements par de l'occasion. Le coût total baisse, et l'objectif de fiabilité est toujours respecté. Dans nos expériences, une machine neuve n'est jamais le choix le plus avantageux. Ici, économie et écologie vont dans le même sens.
2. Se montrer trop optimiste est dangereux. Pour décider, il faut estimer combien de temps une machine d'occasion va encore tenir. C'est un peu comme le compteur kilométrique d'une voiture : s'il sous-estime l'usure, on se fait avoir. Nous avons simulé des estimations faussées. Quand on croit une machine plus solide qu'elle ne l'est, la stratégie paraît moins chère et semble respecter l'objectif… sur le papier. En réalité, la ligne tombe en panne 1,7 à 2,8 fois plus souvent que prévu. Une estimation prudente coûte un peu plus, mais reste sûre. En cas de doute, mieux vaut donc pencher vers la prudence.

Risque réel de panne de la ligne selon l'estimation utilisée pour décider, par rapport à l'objectif de fiabilité. Données : Chen Xiong, thèse de doctorat, 2026
3. Doubler une machine n'est pas toujours rentable. Ajouter une seconde machine à un poste fragile semble une bonne idée : si l'une tombe en panne, l'autre prend le relais. Mais cette machine supplémentaire doit elle aussi être entretenue pendant des années. Dans les cas étudiés, la ligne doublée coûtait toujours plus cher à faire fonctionner, avant même de compter le prix d'achat. Dans un cas, elle offrait même une fiabilité bien supérieure à ce dont l'usine avait besoin. Notre outil permet de chiffrer ces choix avant d'investir.
Et demain ?
Réutiliser les machines industrielles ne doit plus être un pari. Avec des outils comme ceux développés dans cette thèse, un responsable d'usine peut comparer une offre d'occasion avec une réparation ou un achat neuf. Il obtient un coût chiffré et une garantie sur la fiabilité de sa ligne. Quand de nouvelles offres apparaissent sur le marché, il suffit de relancer le calcul.
Ces méthodes dépassent l'usine. On retrouve le même casse-tête partout où de nombreux équipements doivent ensemble assurer un service : un parc d'éoliennes, une flotte de trains ou d'avions, un réseau de distribution d'eau ou d'électricité.
Des questions restent ouvertes. Par exemple, notre modèle ne sait pas encore conseiller d'attendre une meilleure offre plutôt que d'acheter tout de suite. C'est une piste pour la suite.
Cette thèse, soutenue le 3 novembre 2026, a été réalisée au Laboratoire des Sciences du Numérique de Nantes (LS2N) et à IMT Atlantique, sous la direction de Simon Thevenin et Guillaume Massonnet. Elle s'inscrit dans le projet européen ALICIA (programme Horizon Europe) et a bénéficié du soutien financier de la Région Pays de la Loire.
Photo de couverture : Lenny Kuhne / Unsplash
