Le véritable test de Deepomatic: la décision de vérification de terrain acceptée

Synthèse

• Deepomatic doit être jugé sur la décision de vérification de terrain acceptée, pas sur la capacité de la vision par ordinateur à identifier un objet dans une photo parfaite. Dans la construction de réseaux, le raccordement de fibre, l'inspection d'actifs et les travaux similaires aux compteurs intelligents, l'unité économique est un travail qui peut être approuvé, payé, documenté et intégré dans le registre réseau sans une nouvelle visite évitable.
• La limite actuelle du produit public est Deepomatic à l'intérieur d'IQGeo. Le site de Deepomatic indique qu'il fait désormais partie d'IQGeo; IQGeo déclare avoir finalisé l'acquisition le 4 août 2025; et l'ancien produit Deepomatic Lens est présenté sous le nom NetLux AI. Cela justifie la couverture de la capacité de vérification de terrain par vision par ordinateur de Deepomatic, tout en gardant séparées la plateforme géospatiale plus large d'IQGeo, les réseaux clients et les résultats opérationnels.
• Les preuves publiques sont les plus solides sur la surface de flux de travail et les points de preuve clients sélectionnés: capture guidée de photos sur mobile, vérification de conformité des photos et des travaux en temps réel, validation hors ligne de la qualité photo, gestion des cas, tableaux de bord de performance, logique de paiement des sous-traitants et une étude de cas Lumiere avec 37 points de contrôle automatisés et 97 % de conformité des rapports de terrain. Les preuves sont plus faibles en ce qui concerne la précision indépendante, les fausses acceptations, les faux rejets, la charge de travail de révision, la charge de support et le coût total par travail accepté.
• Le test commercial est de savoir si la réduction des déplacements de camions, des audits manuels, l'accélération de la clôture, l'amélioration de la documentation conforme à l'exécution et une meilleure supervision des sous-traitants dépassent les coûts de déploiement de l'application, d'ajustement du modèle, de formation des techniciens, d'intégration, de travail de révision, de maintenance de la qualité des données, de décisions incorrectes et d'incitations contestées. Deepomatic peut rendre le travail de terrain plus observable, mais l'observabilité n'équivaut pas à une confiance automatique.

La frontière de l'entreprise est désormais une frontière d'intégration

Deepomatic n'est plus une histoire de produit autonome comme au moment où les premières couvertures décrivaient une entreprise parisienne de vision par ordinateur vendant de l'automatisation visuelle aux organisations de services sur le terrain. L'entrée de l'annuaire identifie Deepomatic comme une société de logiciels de vision par ordinateur par IA axée sur la capture automatisée de données de terrain et la vérification de la qualité pour les opérations d'infrastructure critique. La page d'accueil publique de Deepomatic est encore plus directe: elle indique queDeepomatic fait désormais partie d'IQGeo. L'annonce d'IQGeo du 4 août 2025 déclare avoir finalisé l'acquisition de Deepomatic, un développeur de vision par ordinateur par IA spécialisé dans la capture et la vérification automatisées de données de terrain, et présente la technologie comme un moyen de transformer l'imagerie de terrain en temps réel en intelligence réseau.

Cela est important car le produit est désormais mieux compris comme faisant partie d'un système d'exploitation pour le travail réseau. La pageNetLux AI d'IQGeoindique que le produit était auparavant Deepomatic Lens et est adapté aux cas d'usage télécom et utilitaires tels que les opérations de relevé, de construction, de raccordement et de maintenance. La même page précise que Deepomatic Lens a été renommé NetLux AI début 2026 et décrit ce changement comme un changement de nom de produit plutôt qu'une refonte fonctionnelle. Pour l'acheteur, cependant, le changement de marque ne supprime pas la véritable frontière. La décision de terrain passe toujours par les techniciens, les sous-traitants, les appareils mobiles, les standards photo, les ordres de travail, l'inventaire réseau, la gestion des exceptions et l'approbation du back-office.

L'acquisition peut renforcer cette frontière si le contrôle visuel est intégré dans le même flux de travail où un travail est assigné, localisé, exécuté, validé et réinjecté dans le système d'enregistrement. Elle peut l'affaiblir si les acheteurs traitent « l'IA de vision par ordinateur » comme un module complémentaire générique qui coexiste avec le système d'ordres de travail et ajoute un tableau de bord supplémentaire à réconcilier. Le premier arrangement peut réduire la vérification en double. Le second peut simplement déplacer le problème de qualité de l'inspection de terrain vers la réconciliation des données.

C'est pourquoi Deepomatic doit être séparé de trois histoires adjacentes. Premièrement, ce n'est pas IQGeo dans son ensemble. La plateforme plus large d'IQGeo couvre la planification, la conception, la mobilité de terrain, la gestion de réseau et les jumeaux numériques géospatiaux. Deepomatic est la couche de vérification visuelle de terrain à l'intérieur de cet environnement. Deuxièmement, ce n'est pas le résultat client de l'opérateur télécom. Une meilleure photo d'installation peut aider un client haut débit, mais l'attrition, l'expérience de service et les revenus appartiennent au processus réseau et service plus large de l'opérateur.

Troisièmement, ce n'est pas la vision par ordinateur dans l'abstrait. Le problème difficile n'est pas de détecter un connecteur, une étiquette, une armoire ou un compteur une fois. C'est de prendre une décision de terrain répétée avec suffisamment de contexte pour qu'un opérateur puisse faire confiance au résultat.

La décision acceptée est l'unité de valeur

La façon la plus utile d'évaluer Deepomatic est de se demander ce qui est accepté après l'exécution du logiciel. Un technicien termine un raccordement de fibre. Un sous-traitant documente une armoire. Une équipe de services publics installe un compteur. Un agent de maintenance inspecte un actif. Dans chaque cas, le travail n'est pas terminé parce qu'un téléphone a pris une photo.

Il est terminé lorsque les preuves satisfont aux normes de l'opérateur, que le bon actif est lié au bon ordre de travail, que les métadonnées sont plausibles, que la photo est suffisamment claire, que les points de contrôle requis sont passés, que les exceptions sont examinées et que le système en aval peut agir sur le résultat.

Cette décision acceptée est différente d'une prédiction de modèle. La prédiction du modèle peut dire qu'une photo est nette, qu'un numéro de série est visible, qu'une armoire est organisée, qu'un actif est présent ou qu'un défaut apparaît. La décision acceptée dit quelque chose d'opérationnellement plus fort: ce travail peut être clôturé, cet enregistrement conforme à l'exécution peut être mis à jour, ce sous-traitant peut être payé, cette exception doit être rejetée, ou ce site nécessite une autre visite. L'écart entre ces deux énoncés est l'endroit où le produit de Deepomatic crée de la valeur ou crée du travail de supervision caché.

Les documents d'IQGeo eux-mêmes soutiennent ce cadrage. La page produit NetLux AI décrit la validation automatisée de la conformité des photos et des travaux, le retour en temps réel, l'analyse en ligne et hors ligne, la collecte automatisée de métadonnées d'actifs, la gestion des cas, les KPI de performance de terrain et la prise de décision basée sur les données. Leguide de vision par ordinateur IAindique que la vision par ordinateur peut vérifier les activités de construction sur le terrain en temps réel à l'aide de photos prises par les travailleurs et peut aider les opérateurs à appliquer les normes de qualité à travers les sous-traitants. Le même guide prend soin de dire que l'IA ne signifie pas qu'aucun humain n'est impliqué. Elle complète les gestionnaires de contrôle qualité plutôt que de les éliminer.

Cette distinction doit rester au centre de l'analyse. Si le taux de décision acceptée est élevé, le flux de travail s'améliore. Si le système signale trop de bons travaux, il crée une file d'attente de révision et retarde la clôture. S'il accepte trop de mauvais travaux, il pollue le registre réseau et crée de futurs déplacements de camions. Si les techniciens apprennent à satisfaire la caméra sans faire un meilleur travail, le logiciel devient un rituel de conformité. Si les sous-traitants contestent les preuves, l'opérateur peut gagner un tableau de bord mais perdre confiance dans le processus de paiement.

Le problème cible de Deepomatic est précieux parce que la vérification terrain a historiquement été coûteuse, fragmentée et tardive. Les audits manuels n'échantillonnent qu'une partie du travail. Les inspections en personne nécessitent une planification et des déplacements. Les réviseurs du back-office voient souvent le problème après que l'équipe a quitté le site. Les photos de terrain peuvent être incohérentes. Les systèmes d'ordres de travail peuvent manquer du contexte des actifs nécessaire pour juger la photo. Les sous-traitants peuvent être payés sur le volume d'achèvement plutôt que sur la qualité des données à long terme.

Un outil qui déplace la validation au point de travail peut changer l'économie. Mais seulement si la décision acceptée est solide.

La qualité photo n'est pas un problème d'entrée mineur

La qualité photo est la première surface de contrôle. Cela semble banal, mais c'est l'une des raisons les plus importantes pour lesquelles cette catégorie de produits existe. Les photos de terrain ne sont pas des images de studio. Elles sont prises dans des tranchées, des sous-sols, des armoires, des poteaux, des sites de rue, des locaux techniques, des locaux clients et des emplacements exposés aux intempéries. Elles peuvent être floues, sombres, recadrées, surexposées, dupliquées, obstruées, mal orientées, manquant l'actif pertinent ou déconnectées de l'ordre de travail qu'elles sont censées prouver.

Les preuves de l'application mobile montrent que Deepomatic comprend cela. La fiche Google Play deDeepomatic Lensdécrit la capture guidée de photos, les indicateurs visuels que les éléments clés sont visibles, les vérifications de netteté, de cadrage et d'éclairage, les alertes lorsque des corrections sont nécessaires et l'analyse de contrôle qualité hors ligne exécutée directement sur le smartphone. La fiche de l'App Store d'Apple porte la même promesse de base: les critères de qualité photo sont vérifiés immédiatement, et le travailleur peut reprendre l'image avant de quitter le site.

Ce n'est pas une fonction cosmétique. Cela déplace le contrôle qualité du rejet post-hoc vers la capture guidée de preuves. Sans ce décalage, la vision par ordinateur peut devenir une meilleure façon de rejeter une documentation médiocre après la partie coûteuse du travail de terrain déjà terminée. Avec lui, le produit peut empêcher une nouvelle visite évitable en informant le technicien que l'élément requis est manquant, que l'étiquette est illisible, que le cadrage est insuffisant ou que la preuve de travail ne satisfait pas à la norme du client.

Néanmoins, la validation de la qualité photo ne peut pas être confondue avec la validation de la qualité du travail. Une image nette et bien éclairée peut prouver le mauvais actif. Une photo d'actif correcte peut être liée au mauvais ordre de travail. Une image d'apparence valide peut montrer un état temporairement propre qui se détériore après clôture. Un technicien peut photographier l'angle conforme et omettre celui en désordre. Une image dupliquée peut passer l'examen humain si l'opération manque de contrôles anti-duplication. Une photo prise d'un autre écran ou d'une image imprimée peut créer une fausse chaîne de preuves.

La page NetLux AI d'IQGeo indique explicitement que le système traite les téléversements en double et peut reconnaître les photos prises d'un autre écran de téléphone ou d'une image imprimée. L'existence de ces contrôles est importante car elle reconnaît un problème d'incitation, pas seulement un problème de qualité d'image.

C'est là que la tâche de vérification de terrain devient plus rigoureuse qu'une démo de modèle. Une démo demande si le logiciel peut reconnaître l'actif. Un flux de travail de production demande si la photo, le contexte de l'actif, les métadonnées, l'emplacement, l'état de l'ordre de travail et le comportement du technicien ensemble justifient l'acceptation du travail. La première est une tâche de classification. La seconde est un système de contrôle.

La vision par ordinateur a besoin du contexte du flux de travail pour avoir un sens

La vision par ordinateur devient utile dans les opérations de terrain lorsque le modèle sait ce qu'il est censé vérifier. Une photo d'armoire de fibre n'est pas simplement une image. C'est une preuve pour une étape spécifique du travail. Une photo d'installation de compteur n'est pas simplement une image d'un appareil. C'est la preuve qu'une installation, un étiquetage, un scellé, un emplacement ou une condition de sécurité requis satisfont à la règle d'un client. Une photo de clôture de construction n'est pas simplement un enregistrement d'équipement. C'est une affirmation que l'actif doit être accepté dans le registre réseau de l'opérateur.

Les documents publics de Deepomatic pointent à plusieurs reprises vers cette dépendance au flux de travail. La page NetLux AI décrit des vérifications IA prêtes à l'emploi pour certains cas d'usage, des vérifications IA personnalisées pour des travaux à volume modéré, et une personnalisation plus élevée pour les volumes d'entreprise. Elle indique que des exigences spécifiques peuvent nécessiter des algorithmes sur mesure utilisant des ensembles de données fournis par le client.

Le guide IA décrit le déploiement comme un processus itératif dans lequel les photos sont capturées, analysées et utilisées pour mettre à jour les modèles à mesure que les opérations et les normes évoluent. Dans une couverture indépendante antérieure, TechCrunch a rapporté que le travail avec un nouveau client impliquait l'intégration, l'ajout de points de contrôle, l'utilisation de bibliothèques de tâches existantes ou l'entraînement sur de nouveaux ensembles de photos.

Ces détails rendent le produit plus crédible, mais ils exposent également la structure de coûts. Un acheteur n'acquiert pas un juge visuel universel. Il achète un système de vérification de terrain configuré. Le système doit connaître les types d'actifs de l'opérateur, les étapes de travail, le catalogue d'équipements, les normes de terrain, les angles de photo acceptables, les seuils de révision, les règles des sous-traitants et les points d'intégration. Il doit également s'adapter à mesure que les actifs, les géographies et les normes changent.

Le risque est la variation spécifique à la géographie. Les actifs télécom et utilitaires peuvent varier selon le pays, l'opérateur, le sous-traitant, la construction héritée, l'équipement du fournisseur, le parc immobilier, l'âge des armoires et le contexte réglementaire. Un modèle ajusté sur les armoires de fibre d'un opérateur peut ne pas se généraliser parfaitement à la composition d'actifs d'un autre opérateur. Une installation de compteur intelligent dans un territoire de service public peut avoir des exigences visuelles différentes de celle d'un autre.

Un sous-traitant travaillant en souterrain peut capturer des preuves différentes d'un sous-traitant travaillant en aérien. L'acheteur doit savoir si un échec de vérification signifie que le travail de terrain est incorrect, que la photo est incorrecte, que les métadonnées sont incorrectes, que le modèle est hors distribution, ou que la règle est trop rigide.

Le cadre de gestion des risques de l'IA du NIST est utile ici car il traite l'IA comme un système de cycle de vie plutôt que comme un artefact de modèle ponctuel. Le NIST AI RMF Core met l'accent sur la gouvernance, la cartographie, la mesure et la gestion des risques, et indique que les systèmes d'IA déployés doivent être mesurés dans des conditions similaires à leurs paramètres de déploiement, avec les limitations documentées. Ce principe s'adapte parfaitement au marché de Deepomatic.

Si la condition de déploiement est « des milliers de photos de sous-traitants provenant d'environnements de terrain changeants », alors l'évaluation doit mesurer ce cadre, pas seulement des exemples propres dans une démonstration commerciale.

Les files d'attente de révision sont le coût d'exploitation caché

L'automatisation échoue souvent économiquement parce que les exceptions croissent plus vite que le chemin automatisé ne se réduit. L'acheteur de Deepomatic doit donc mesurer la file d'attente, pas seulement le taux de réussite. Combien de travaux passent sans examen humain? Combien sont rejetés immédiatement sur le terrain et corrigés avant que le technicien ne parte? Combien sont remontés au back-office? Combien de temps prend la révision? Combien d'escalades sont annulées? Combien de travaux rejetés deviennent des déplacements de camions?

Combien de travaux acceptés génèrent plus tard des plaintes de clients, des corrections d'enregistrements réseau ou des travaux de maintenance?

Les documents produits reconnaissent la file d'attente indirectement. NetLux AI est présenté comme aidant les équipes de bureau avec des données d'opérations historiques, la facilitation de la gestion des cas, les KPI de performance et la prise de décision basée sur les données. Le guide d'IQGeo indique que l'IA peut permettre aux gestionnaires de qualité de se concentrer sur les travaux nécessitant une attention plutôt que de vérifier manuellement chaque opération. C'est le modèle d'exploitation correct: le logiciel ne doit pas prétendre que chaque décision est automatique.

Il doit réduire la charge de travail humaine en séparant les acceptations ordinaires des exceptions qui méritent une révision.

Mais la file d'attente peut aussi devenir l'endroit où les économies disparaissent. Si le modèle est réglé de manière trop conservatrice, trop de travaux acceptables atterrissent en révision manuelle. Les équipes de back-office croissent alors avec le volume, et l'acheteur peut simplement troquer le travail d'audit sur le terrain contre du travail de révision sur écran. Si les seuils sont trop permissifs, la file d'attente reste petite mais le mauvais travail entre dans le système.

Le coût apparaît plus tard sous forme de défauts de service, de corrections clients, de performances de sous-traitants contestées, de jumeaux numériques inexacts ou de maintenance d'urgence. Si la file d'attente manque de raisons claires, les réviseurs ne peuvent pas décider rapidement si le problème est la qualité de la photo, la non-conformité de l'actif, les métadonnées manquantes, l'incertitude du modèle ou le comportement du sous-traitant.

La meilleure métrique n'est pas « l'IA a vérifié 100 % des opérations » en soi. La meilleure métrique est la distribution des résultats: auto-accepté, corrigé sur le terrain, escaladé, approuvé manuellement, rejeté manuellement, revisité, corrigé ultérieurement et contesté. Une étude de cas sélectionnée par le fournisseur peut montrer des signes forts de valeur sans donner ce dénominateur complet. Le business case interne de l'acheteur en a besoin.

C'est aussi là que le coût de supervision devrait être explicite. Quelqu'un doit définir les points de contrôle. Quelqu'un doit examiner les cas limites. Quelqu'un doit mettre à jour le modèle ou les règles à mesure que l'équipement change. Quelqu'un doit enquêter sur les échecs répétés des sous-traitants. Quelqu'un doit gérer les appels. Quelqu'un doit maintenir l'intégration avec les systèmes d'ordres de travail, d'inventaire, de paiement et de reporting. La valeur de Deepomatic augmente si ces tâches sont réduites et structurées.

Elle chute si elles deviennent une couche humaine informelle qui donne l'impression que l'automatisation est plus propre qu'elle ne l'est.

Les incitations des sous-traitants peuvent battre une conception de vérification faible

Deepomatic opère sur un marché où de nombreux travaux sont effectués par des sous-traitants ou des sous-sous-traitants. Cela rend les incitations centrales. Les sous-traitants sont souvent payés pour terminer le travail rapidement et peuvent être évalués sur le volume, la performance du premier coup, le taux de revisite, la qualité de la documentation et la satisfaction de l'opérateur. Un système de vérification visuelle peut améliorer cette relation s'il rend les critères d'acceptation clairs, donne un retour immédiat, réduit les litiges et accélère le paiement après un bon travail.

Il peut nuire à la relation s'il apparaît arbitraire, opaque ou réglé pour rejeter le travail sans donner aux équipes de terrain un chemin de correction équitable.

Le guide d'IQGeo est inhabituellement direct sur l'économie des sous-traitants. Il indique que la vision par ordinateur IA peut aider à valider automatiquement le travail des sous-traitants afin que les opérateurs puissent payer dès que les travaux sont vérifiés comme complets et corrects. Il dit également que les opérateurs peuvent mesurer quels sous-traitants font le meilleur travail et les récompenser avec plus de projets. C'est un mécanisme commercial fort. Cela transforme la vérification d'un audit de back-office en une couche de gestion de la performance.

Ce mécanisme ne fonctionne que si les preuves sont dignes de confiance. Un sous-traitant doit croire que les règles sont compréhensibles, que l'application est utilisable, que le modèle ne lit pas systématiquement de manière erronée les conditions locales et que le travail rejeté peut être corrigé sans créer de retards non facturables. Un travailleur de terrain doit croire que le système l'aide à terminer le travail plutôt que d'ajouter une corvée de caméra après le travail qualifié. Un opérateur de réseau doit croire que réussir la vérification est corrélé à moins de défauts, moins de revisites et de meilleurs enregistrements.

Le risque d'incitation perverse est réel. Si la métrique est « photo acceptée », les travailleurs peuvent optimiser pour la photo. Si la métrique est « travail clôturé », les superviseurs peuvent pousser les travailleurs à trouver le chemin le plus court à travers les vérifications. Si les sous-traitants sont payés plus rapidement après validation automatisée, ils peuvent apprendre quelles images satisfont le système tandis que le travail physique marginal reste non corrigé. Si le système rejette trop de cas ambigus, les sous-traitants peuvent orienter plus de travaux vers la gestion des exceptions et négocier autour de l'outil.

Si les gestionnaires de l'opérateur traitent le tableau de bord comme une vérité objective sans échantillonner la réalité du terrain, ils peuvent manquer la façon dont les gens s'adaptent.

Cela ne rend pas Deepomatic faible. Cela explique pourquoi la version la plus forte du produit n'est pas seulement un classificateur. C'est un système de règles et de retour d'information qui rend les normes explicites, capture des preuves dignes de confiance, donne aux techniciens des conseils correctifs, achemine le travail ambigu vers les humains, détecte les images dupliquées ou manipulées et utilise les données de performance des sous-traitants avec précaution. Un acheteur devrait traiter l'adoption par les sous-traitants comme un risque de déploiement, pas comme une réflexion de communication après coup.

Le cas Lumiere montre le bon type de preuve et ses limites

L'étude de cas client Lumierepublique est importante car elle déplace la discussion de la vision par ordinateur générique vers la maintenance d'infrastructure. IQGeo indique que Lumiere a utilisé Deepomatic Lens pour le contrôle qualité basé sur l'IA des armoires de fibre. L'étude de cas énumère 37 points de contrôle automatisés sur les armoires de fibre, 97 % de conformité des rapports de terrain et 99,4 % des armoires de fibre maintenues en état de fonctionnement. Elle indique que le client avait besoin d'une documentation appropriée du travail de fibre par les FAI et les sous-traitants, de la détection des défauts, de la responsabilisation et de l'intelligence réseau actionnable pour optimiser les coûts de maintenance.

C'est le bon cadre opérationnel. Ce n'est pas une histoire de reconnaissance d'une armoire dans une image. C'est une histoire de préservation de l'intégrité de l'infrastructure par des vérifications répétées, la documentation des sous-traitants et la gestion de la performance. Elle nomme également la différence entre l'inspection et l'intelligence. Une photo d'armoire devient utile lorsqu'elle alimente une vue continue de la santé des actifs et du comportement des sous-traitants.

Les limites sont tout aussi importantes. L'étude de cas publique ne divulgue pas la référence avant le déploiement, le nombre de photos examinées, le taux de fausses acceptations, le taux de faux rejets, le nombre de réviseurs humains, le pourcentage de travaux escaladés, le coût de la mise en œuvre, la durée de la période de mesure, le budget total de maintenance ou l'amélioration contrefactuelle qui se serait produite par un changement de processus seul. C'est une histoire client hébergée par le fournisseur, pas un audit indépendant.

Cela n'invalide pas les preuves. Les histoires clients portent rarement un niveau de détail d'audit. Cela signifie que la conclusion doit être mesurée. L'histoire Lumiere soutient l'affirmation que l'IA visuelle de type Deepomatic peut être intégrée dans de véritables flux de travail de qualité des actifs et utilisée pour suivre un ensemble de points de contrôle de terrain. Elle ne prouve pas que chaque déploiement de Deepomatic atteindra la même économie, ni ne prouve que le modèle seul a causé les résultats rapportés.

La leçon plus profonde est que la valeur de Deepomatic dépend de la décision de quels contrôles de terrain sont suffisamment objectifs pour l'automatisation. Certains contrôles sont bien adaptés: la photo requise est-elle présente, l'image est-elle claire, une étiquette visible est-elle lisible, un composant d'armoire est-il présent, un numéro de série est-il capturé, un compteur est-il visible, une image dupliquée est-elle réutilisée, la photo est-elle liée au bon travail.

D'autres contrôles nécessitent du jugement: l'installation est-elle robuste dans une utilisation future, la solution de contournement locale est-elle acceptable, un défaut est-il urgent, l'explication du sous-traitant est-elle crédible, la condition de terrain justifie-t-elle une exception à la règle. Le déploiement gagnant attribue ces contrôles délibérément au lieu de tous les pousser dans le modèle.

La validation hors ligne est une réalité de terrain, pas une puce de fonctionnalité

La connectivité est une contrainte sérieuse dans le travail de terrain. Les équipes peuvent travailler dans des sous-sols, des armoires, des emplacements souterrains, des sites de services publics éloignés ou des zones avec une couverture mobile peu fiable. Si la boucle de vérification dépend d'une connexion réseau en direct, le technicien peut devoir quitter le site avant de recevoir un rejet. Cela transforme le retour en temps réel en un audit différé.

Les documents publics de l'application mobile et les vidéos de Deepomatic mettent l'accent sur le fonctionnement hors ligne. La fiche Google Play indique que l'analyse de contrôle qualité personnalisée peut être exécutée directement sur le smartphone lorsqu'il n'y a pas de connectivité. L'explicateur hors ligne d'IQGeo indique que les travailleurs peuvent recevoir une validation instantanée pour leur travail même sans signal.

La FAQ de NetLux AI indique que la validation de conformité photo hors ligne couvre le cadrage, l'éclairage, le flou et le contexte, tandis que les points de contrôle de conformité du travail devaient devenir progressivement disponibles hors ligne à partir de fin 2025.

C'est une distinction significative. La conformité photo hors ligne n'est pas la même chose que la conformité complète du travail hors ligne. Vérifier si une photo est claire et cadrée peut se faire sur l'appareil plus facilement que de vérifier la règle métier complète, l'identité de l'actif, la relation avec l'ordre de travail et le dernier enregistrement réseau.

Un acheteur devrait demander exactement quels contrôles sont disponibles hors ligne, ce qui se passe lorsque l'appareil se reconnecte, comment les conflits sont résolus, si les versions du modèle sont synchronisées et si les approbations hors ligne peuvent être annulées après validation côté serveur.

Le chemin hors ligne modifie également la supervision. Si un travailleur de terrain reçoit un retour immédiat sur l'appareil, il peut corriger la qualité photo avant de partir. Si l'application trouve ultérieurement un problème côté serveur, le risque de revisite demeure. Si la version du modèle sur le téléphone est obsolète, l'application peut guider le travailleur selon les règles d'hier. Si l'opérateur souhaite des contrôles plus stricts pour un nouveau type d'actif, les appareils doivent recevoir ce changement de manière fiable.

Le produit peut toujours être précieux, mais le fonctionnement hors ligne crée un problème de gestion des versions et de chaîne de preuves.

C'est pourquoi la décision acceptée doit être horodatée, versionnée et explicable dans le flux de travail du client. L'opérateur doit savoir quel modèle ou ensemble de règles a produit la réussite ou le rejet, quelles preuves étaient disponibles à ce moment-là, si la vérification a eu lieu hors ligne ou en ligne, et si une vérification ultérieure côté serveur a modifié le résultat. Sans cette piste d'audit, l'opérateur peut avoir un retour de terrain plus rapide mais une responsabilité plus faible.

L'intégration décide si l'enregistrement réseau s'améliore

L'argument le plus fort pour combiner Deepomatic avec IQGeo est que les preuves de terrain peuvent mettre à jour l'enregistrement réseau plutôt que de rester un tas de photos vérifiées. L'annonce d'acquisition d'IQGeo indique que l'intégration dans la gestion de réseau géospatiale peut permettre aux opérateurs de maintenir des jumeaux numériques basés sur des données de terrain vérifiées capturées en temps quasi réel. La page Network Manager Telecom d'IQGeo indique que les équipes peuvent capturer des photos et des annotations dans l'application mobile, tandis que l'IA visuelle valide la construction et met à jour le modèle réseau.

La page NetLux AI décrit des connecteurs avec Praxedo, Oracle, Zinier, SiteTracker, Render et d'autres systèmes.

C'est là que le produit peut passer du contrôle qualité à la mémoire opérationnelle. Une photo de terrain vérifiée peut confirmer la présence, l'état, l'étiquette, l'emplacement ou l'état d'installation d'un actif. Cette preuve peut soutenir la planification, la maintenance, la conformité, la gestion des sous-traitants et les flux de travail de service client. Si l'enregistrement réseau est précis, les équipes futures passent moins de temps à découvrir la réalité à partir de zéro. Si l'enregistrement est erroné, chaque automatisation en aval hérite d'une mauvaise carte.

L'intégration est aussi le lieu où le coût apparaît. Les systèmes d'ordres de travail ont des codes de statut désordonnés. Les inventaires d'actifs comportent des données héritées. Les applications des sous-traitants peuvent être différentes de celles de l'opérateur. Les systèmes de paiement ont besoin de déclencheurs d'acceptation propres. Les modèles SIG peuvent ne pas correspondre à la taxonomie de terrain. Les catalogues d'équipements spécifiques au client nécessitent une maintenance. Les règles de protection des données peuvent s'appliquer aux photos, aux emplacements et aux informations sur les travailleurs.

Un déploiement d'IA visuelle utile doit toucher ces systèmes sans faire de chaque changement un projet personnalisé.

Les niveaux de produit de Deepomatic le reconnaissent. L'édition Starter est axée sur de faibles volumes, des vérifications prêtes à l'emploi et aucune intégration. Les niveaux Business et Enterprise impliquent des volumes plus élevés, des vérifications IA personnalisées et une intégration dans les applications mobiles existantes. C'est une segmentation raisonnable, mais cela montre aussi pourquoi la valeur de production ne peut pas être déduite d'une démo. Un déploiement à faible volume prêt à l'emploi peut prouver un flux de travail.

Un déploiement d'opérateur à volume élevé doit survivre à la variation des données, à l'adoption par les sous-traitants, à la gouvernance de l'intégration et aux opérations de révision soutenues.

Le test d'intégration est simple à énoncer et difficile à réussir: après l'acceptation d'un travail, le système en aval devient-il plus précis sans étape de réconciliation manuelle? Si oui, Deepomatic fait partie d'une boucle opérationnelle fermée. Si non, c'est un outil d'inspection dont la sortie nécessite encore une autre équipe pour traduire dans le véritable système d'enregistrement.

Les revendications d'échelle ont besoin de dénominateurs

IQGeo indique que NetLux AI est utilisé par plus de 30 000 travailleurs de terrain, analyse 20 millions d'opérations de terrain par an et analyse une photo en moins de deux secondes. Le guide d'IQGeo dit que le logiciel de vision par ordinateur a traité plus de 20 millions de travaux en 2024, y compris plus d'un demi-milliard de transactions provenant de plus de 30 000 utilisateurs quotidiens sur le terrain. Des sources publiques antérieures décrivaient Deepomatic surveillant environ un million d'opérations sur le terrain par mois. Ce sont des signaux d'échelle substantiels.

Ils doivent être lus comme des signaux d'échelle, pas comme des preuves de qualité. Un nombre élevé d'opérations analysées indique une utilisation opérationnelle. Il ne divulgue pas en soi combien d'opérations ont été acceptées automatiquement, combien ont été corrigées sur le terrain, combien se sont révélées incorrectes par la suite, combien ont nécessité une révision humaine, combien d'efforts ont été nécessaires pour ajuster le système, ou comment les performances ont varié selon les clients et les géographies.

Une revendication d'analyse de photo en deux secondes est utile pour le retour sur le terrain, mais la latence de décision de l'acheteur inclut le temps de capture, la correction par le travailleur, la synchronisation, les vérifications côté serveur, les files d'attente de révision et les mises à jour du système en aval.

C'est un problème courant dans l'IA d'entreprise. Le volume et la latence sont plus faciles à divulguer que l'économie de la décision acceptée. Une plateforme peut traiter de nombreuses images rapidement et créer quand même une file d'attente coûteuse. Inversement, un système plus lent peut être plus précieux s'il réduit les revisites et les litiges. L'acheteur devrait éviter de transformer « 20 millions d'opérations » en un retour sur investissement présumé. C'est une preuve que le système est déployé à l'échelle. Le retour sur investissement dépend toujours de l'acceptation locale, des reprises et de la supervision.

L'échelle crée également des exigences de maintenance. Plus de photos signifient plus de cas limites, plus de variations d'actifs, plus de défis de détection de doublons, plus de signaux de dérive du modèle et plus de données de révision. Si le fournisseur peut utiliser cette échelle pour améliorer les vérifications spécifiques au client et les conseils de terrain, le produit se renforce avec le temps. Si l'échelle augmente simplement le nombre d'exceptions, le back-office absorbe la complexité.

Le meilleur tableau de bord côté acheteur montrerait non seulement le volume, mais aussi la forme de l'entonnoir de décision: photos requises par travail, reprises moyennes, acceptation au premier passage, échecs corrigés sur le terrain, taux de révision, taux d'annulation par le réviseur, taux de revisite, variance des sous-traitants, version du modèle/de la règle, type d'actif, géographie et corrections d'enregistrements en aval. C'est le dénominateur qui transforme la vision par ordinateur en économie d'exploitation.

Le business case est un cas de coût de supervision

La promesse commerciale de Deepomatic est attrayante parce que les coûts évités sont concrets. Un déplacement de camion est coûteux. Une clôture de fibre retardée retarde les revenus. Un mauvais enregistrement conforme à l'exécution crée des coûts de planification et de maintenance futurs. L'échantillonnage manuel manque des défauts. Rouvrir une tranchée ou revisiter un site client peut anéantir les économies d'une installation rapide. Un litige avec un sous-traitant consomme du temps de gestion. Un programme de maintenance sans données précises sur l'état des actifs dépense de l'argent de manière réactive.

La page NetLux AI nomme ces avantages directement: moins de déplacements de camions, des coûts de contrôle qualité réduits grâce aux vérifications IA à travers les opérations, des calendriers de déploiement plus rapides, des jumeaux numériques plus précis et des réseaux plus résilients. Le blog d'IQGeo sur l'inspection des services publics indique que l'analyse photo peut réduire les révisions manuelles, diminuer les déplacements de camions et fournir une documentation de conformité vérifiable.

La logique du guide des sous-traitants dit qu'un paiement vérifié plus rapide peut améliorer la trésorerie des sous-traitants et le contrôle de l'opérateur.

Les coûts contraires sont tout aussi concrets. L'acheteur doit déployer une application ou intégrer Deepomatic dans un flux de travail mobile existant. Les techniciens doivent apprendre les normes photo et les flux de correction. Les sous-traitants peuvent nécessiter des changements commerciaux. L'opérateur doit définir des points de contrôle et des seuils d'acceptation. Les photos et les données de localisation des clients nécessitent des contrôles de sécurité et de conservation. L'ajustement du modèle peut nécessiter des ensembles de données provenant d'actifs locaux.

L'intégration avec les systèmes d'ordre de travail, d'inventaire d'actifs, de SIG, de paiement et de reporting nécessite un travail de projet. Les réviseurs doivent encore gérer les exceptions. La direction doit surveiller si le système réduit effectivement le mauvais travail plutôt que de produire des rapports plus jolis.

Le résultat n'est pas une question d'IA générique. C'est une question de coût de supervision. Le logiciel réduit-il la quantité de supervision humaine nécessaire par travail de terrain accepté? Déplace-t-il la correction plus tôt, lorsque le technicien est encore sur place? Rend-il la supervision des sous-traitants plus fondée sur des preuves? Réduit-il les visites répétées sans augmenter le faux rejet? Maintient-il le registre réseau suffisamment à jour pour améliorer la planification et la maintenance ultérieures? Permet-il aux gestionnaires de qualité d'examiner les exceptions importantes au lieu d'échantillonner à l'aveugle?

Si les réponses sont oui, la catégorie de produits de Deepomatic est convaincante. Sinon, l'opérateur peut payer pour un système qui ajoute un reporting structuré sans réduire le travail réel.

Ce que les acheteurs devraient demander avant de passer à l'échelle

La première question de l'acheteur devrait porter sur la décision acceptée, pas sur le modèle. Quelles décisions de travail le système sera-t-il autorisé à prendre automatiquement? Lesquelles ne recevront que des recommandations? Lesquelles nécessitent une révision humaine? Lesquelles sont trop subjectives pour l'automatisation? Un acheteur devrait définir ces catégories avant de passer à l'échelle du déploiement, car un objectif vague de « contrôle qualité IA » deviendra une file d'attente de révision vague.

La deuxième question concerne la capture des preuves. Quelles photos sont requises pour chaque travail? Qu'est-ce qui compte comme cadrage, éclairage et contexte suffisants? Le travailleur peut-il voir ce qui manque avant de quitter le site? Les doublons, les photos d'écran et les contournements d'images imprimées sont-ils détectés? Les métadonnées d'emplacement, d'horodatage, d'appareil, d'ordre de travail et d'actif sont-elles attachées? La chaîne de preuves est-elle suffisamment durable pour les litiges avec les sous-traitants et la documentation réglementaire?

La troisième question concerne les performances du modèle et des règles dans l'environnement propre de l'acheteur. Quel est le taux d'acceptation au premier passage? Quel est le taux de reprise? Combien de photos rejetées sont corrigées immédiatement? Combien de travaux sont escaladés? Quels sont les taux de faux rejet et de fausse acceptation sur un échantillon examiné? Comment les performances varient-elles selon le sous-traitant, le type d'actif, la région, la météo, l'appareil et la connectivité? Qu'est-ce qui change lorsque le catalogue d'équipements change?

La quatrième question concerne les opérations de révision. Qui possède la file d'attente? Comment les exceptions sont-elles priorisées? Les réviseurs voient-ils la raison du rejet? Les sous-traitants peuvent-ils faire appel? Les cas limites répétés sont-ils utilisés pour mettre à jour les règles ou les modèles? À quelle vitesse les changements parviennent-ils aux appareils de terrain? Comment les réviseurs sont-ils mesurés pour ne pas devenir une autre couche d'audit manuel lent?

La cinquième question concerne l'intégration en aval. Un travail accepté met-il à jour automatiquement l'inventaire réseau, le statut de l'ordre de travail, le processus de paiement des sous-traitants, le dossier de conformité ou le plan de maintenance? Si oui, quelles protections empêchent les mauvaises données d'entrer dans le registre? Si non, qui effectue la réconciliation, et le business case inclut-il ce travail?

La sixième question concerne la protection des données et la gouvernance de la main-d'œuvre de terrain. Les photos de terrain peuvent inclure des locaux clients, des données de localisation, l'activité des travailleurs, des détails d'infrastructure critique et des informations réseau commercialement sensibles. La fiche Google Play indique que l'application peut collecter la localisation, les photos et les vidéos, et que les données sont chiffrées en transit. C'est utile mais pas suffisant pour la gouvernance d'entreprise.

Les opérateurs ont encore besoin de règles de conservation, de contrôles d'accès, de journaux d'audit, d'avis aux clients le cas échéant et de limites claires autour de la surveillance des performances des travailleurs.

Ces questions ne sont pas hostiles à Deepomatic. Ce sont les questions qui transforment le produit de la reconnaissance d'image en infrastructure d'opérations de terrain.

Le jugement

Les preuves publiques de Deepomatic soutiennent une thèse claire et étroite. L'entreprise, qui fait maintenant partie d'IQGeo et est présentée publiquement via NetLux AI, s'attaque à un véritable goulot d'étranglement opérationnel: le travail de terrain ne peut pas être automatisé ou digne de confiance si les preuves derrière chaque travail sont tardives, incomplètes, de faible qualité, déconnectées de l'ordre de travail ou trop coûteuses à examiner.

Ses signaux de produit les plus forts sont les aspects pratiques: capture guidée de photos, correction instantanée, vérifications de qualité photo hors ligne, validation de conformité du travail, contrôles de photos en double, données de performance des sous-traitants, gestion de cas et intégration dans les flux de travail de gestion de réseau.

Les preuves ne soutiennent pas une affirmation large selon laquelle Deepomatic élimine la gestion de la qualité sur le terrain. Elles ne divulguent pas la précision indépendante à travers des déploiements clients désordonnés. Elles ne donnent pas un taux de décision acceptée universel. Elles ne quantifient pas les fausses acceptations, les faux rejets, le travail de révision ou le coût total par travail accepté. Les histoires du fournisseur et des clients montrent une valeur plausible, en particulier dans les contextes de fibre et de services publics, mais elles ne remplacent pas la mesure côté acheteur.

Deepomatic est donc mieux compris comme une couche d'automatisation pour une décision spécifique: ce travail de terrain, étayé par ces photos et ce contexte, peut-il être accepté maintenant? C'est une décision précieuse car elle peut empêcher les revisites, accélérer la clôture, améliorer les enregistrements et rendre la supervision des sous-traitants plus objective. C'est aussi une décision exigeante car de mauvaises images, un contexte erroné, la variation locale des actifs, des systèmes déconnectés et des incitations mal alignées peuvent tous faire échouer le modèle.

L'acquisition par IQGeo augmente le potentiel de hausse car les preuves de terrain vérifiées sont plus précieuses lorsqu'elles mettent à jour directement le modèle réseau. Elle élève également la barre. Si l'IA visuelle fait désormais partie d'une pile d'intelligence réseau plus large, l'acheteur devrait s'attendre à plus qu'un simple contrôle photo réussite/échec.

La norme devrait être une boucle fermée: capturer les bonnes preuves, les valider en contexte, corriger les erreurs sur place, acheminer les exceptions de manière transparente, mettre à jour le registre réseau, mesurer les performances des sous-traitants et garder le coût de supervision visible.

C'est le véritable test pour Deepomatic. Pas si un modèle peut voir un objet, mais si un opérateur de réseau peut accepter le travail.