Pourquoi le SIG parfait n'existe (presque) jamais
Transfert de compétence, héritage de délégation de service public, fusion de collectivités, données saisies sur papier pendant des décennies… les raisons pour lesquelles un SIG se retrouve incomplet sont aussi nombreuses que banales. Et pourtant, beaucoup de collectivités vivent cette situation comme un échec ou un frein à l’action.
En réalité, c’est la norme. La plupart des services d’eau potable travaillent avec des « photos incomplètes » de leur réseau : années de pose manquantes sur une partie du linéaire, matériaux renseignés de façon hétérogène, historiques de fuites partiels, tronçons mal géoréférencés.
Prenez la photo de la Tour Eiffel masquée à moitié : même incomplète, on reconnaît immédiatement ce que c’est. Un réseau d’eau potable, c’est pareil. Derrière les zones vides de votre SIG, la « forme » du réseau existe. La question n’est pas d’attendre d’avoir une donnée parfaite. C’est de trouver comment exploiter ce qu’on a déjà.
C’est pareil pour un réseau d’eau potable :
➡️ vous n’avez pas besoin d’une donnée parfaite pour agir,
➡️ vous avez besoin d’un modèle capable de compléter le reste.
C’est ce qu’ont démontré les collectivités que nous accompagnons : on peut planifier et améliorer son rendement avec des trous dans la raquette.
Ce que cela bloque concrètement : fuites, rendement et renouvellement des canalisations
Côté recherche de fuites, sans connaissance précise des matériaux, de l'âge des conduites ou des antécédents d'intervention, il est difficile de cibler les zones les plus à risque. Les campagnes de recherche deviennent moins efficaces : on cherche partout au lieu de chercher là où la probabilité de fuite est la plus forte.
Côté rendement, le manque de données empêche de poser un diagnostic fiable. En France, le rendement moyen des réseaux d'eau potable est d'environ 80 %, ce qui signifie que près d'un litre sur cinq est perdu avant d'atteindre le robinet. Améliorer ce chiffre suppose de savoir où agir en priorité — ce qui est justement compliqué quand les données manquent.
Côté renouvellement, les méthodes classiques de priorisation reposent sur une approche multicritère : âge, matériau, diamètre, fréquence des casses. Si ces données sont absentes ou peu fiables, l'analyse multicritère devient difficile à exploiter. On finit par prioriser sur la base de ce qu'on connaît le mieux, pas de ce qui est le plus à risque.
D’autant que le cadre réglementaire ne laisse pas le choix : le décret du 27 janvier 2012 impose aux collectivités dont le taux de perte dépasse un certain seuil de produire un plan d’actions avec un programme pluriannuel de travaux. Difficile de le construire quand la base de données est lacunaire.
Trois approches pour agir malgré un SIG incomplet
Enrichir les données par des sources indépendantes du SIG
Le réseau d'eau est posé dans un sol, traversé par du trafic, soumis à des conditions climatiques, entouré d'un tissu urbain. Toutes ces informations existent indépendamment du SIG et apportent un éclairage précieux sur le comportement des canalisations.
Morphologie du territoire, contexte géotechnique, environnement de pose, pluviométrie, densité du bâti, trafic routier, contraintes de voirie… ce sont autant de paramètres qui influencent directement le vieillissement et la fragilité des conduites. Certains modèles intègrent désormais plus d'une centaine de ces variables externes, là où les approches traditionnelles n'en utilisent que trois ou quatre.
L'intérêt est double : ces données sont souvent accessibles (bases géologiques publiques, données INSEE, référentiels IGN), et elles permettent au modèle de fonctionner même quand les attributs internes du réseau sont lacunaires.
Cibler la recherche de fuites grâce à l'IA prédictive et à l'expertise métier
La recherche de fuites reste le levier le plus rapide pour améliorer le rendement d'un réseau. Mais quand on ne sait pas où chercher, les campagnes coûtent cher et rapportent peu.
C'est là que l'IA prédictive change la donne. Plutôt que de ratisser l'ensemble du linéaire, les modèles prédictifs croisent des centaines de paramètres — y compris les données externes évoquées plus haut — pour identifier les zones où la probabilité de fuite est la plus élevée. Le résultat : des campagnes de recherche mieux ciblées, plus courtes et plus efficaces.
Ces modèles tirent leur force de l'expérience accumulée sur le terrain.
Même avec des données partielles, les collectivités qui combinent ces approches — données externes, IA prédictive pour la recherche de fuites, planification itérative — obtiennent des résultats concrets.
Le point clé : le modèle ne dépend pas uniquement du SIG de la collectivité. Les données locales améliorent la précision quand elles sont disponibles, mais ce ne sont pas elles seules qui font tourner l'algorithme. C'est ce qui permet d'agir même avec un SIG très incomplet.
Mais l'IA ne cherche pas les fuites toute seule. Ce sont des chercheurs de fuites qui arpentent le terrain, équipés des prédictions du modèle pour concentrer leur expertise là où elle a le plus d'impact.
Prioriser les renouvellements avec une démarche itérative
Pour le volet patrimonial — décider quelles canalisations renouveler en priorité —, la logique est la même : ne pas attendre la donnée parfaite pour planifier.
Les outils de gestion patrimoniale de nouvelle génération permettent de générer des scénarios de plan pluriannuel d'investissement (PPI) même avec 30 à 40 % de données manquantes. L'IA propose un plan de rénovation basé sur des hypothèses, qui pourra être révisé à mesure que la connaissance du réseau s'améliore.
C'est le principe du cycle vertueux de la donnée : une première aide à la décision, même imparfaite, permet d'agir. Chaque action sur le terrain — réparation de fuite, renouvellement de tronçon, campagne de détection — génère de la donnée nouvelle et plus fiable. Cette meilleure donnée améliore à son tour les décisions suivantes. Chaque itération renforce le cercle.
Ici, l'accompagnement humain est tout aussi déterminant. Des experts SIG travaillent aux côtés des collectivités pour interpréter les résultats, ajuster les scénarios aux réalités du territoire et aider à construire un PPI défendable devant les élus.
Ce que ça donne sur le terrain : résultats chiffrés
Réduire les pertes avec le Syndicat d’Ambérieu-en-Bugey
Le SIERA gère 225 km de réseau desservant 8 communes et 24 500 habitants dans l'Ain. Au départ, la collectivité ne disposait même pas d'un vrai SIG : uniquement des fichiers Autocad avec le matériau et le diamètre des conduites pour seules informations. Pas d'années de pose, pas d'historique de fuites, pas de géoréférencement précis.
Plutôt que d'investir dans une campagne de cartographie exhaustive, le SIERA a choisi d'agir avec ces données minimales. L'IA a croisé les informations disponibles avec les paramètres environnementaux pour identifier les zones critiques et cibler les campagnes de recherche de fuites.
Résultat : –30 % de pertes, et des fichiers Autocad progressivement transformés en SIG exploitable au fil des campagnes de détection. Chaque intervention a enrichi la base de données — matériaux confirmés, diamètres corrigés, tronçons repositionnés. La preuve qu'un patrimoine documentaire minimal n'empêche pas l'action, à condition de s'appuyer sur les bons outils.
Retrouvez l’ensemble des nos cas clients ici.
Construire un PPI sans aucune donnée SIG : démonstration en conditions réelles
Lors d'un récent webinaire, Mathis Guyot, directeur technique et innovation chez Leakmited, a réalisé une démonstration de Twin, l'outil de gestion patrimoniale de Leakmited. En partant d'un réseau réel, il a volontairement mis à zéro l'ensemble des critères classiques du SIG : âge des canalisations, diamètre, matériaux métalliques, matériaux plastiques, nombre de fuites sur 3 ans et sur 10 ans — tous réglés sur « Nul ».
Résultat : même sans aucune donnée SIG, Twin a généré un scénario de PPI complet sur 10 ans — 363 chantiers programmés, un budget de 29,99 M€, et 5,41 % du réseau rénové. Le tout avec un score expert moyen de 78.8/100, un coût au mètre linéaire estimé à 346,5 € et une répartition des méthodes de rénovation par matériau.
Comment est-ce possible ? Parce que le modèle ne repose pas sur les données du SIG. Il s'appuie sur le Score Leakmited — un indicateur calculé à partir de plus de 100 paramètres environnementaux et d'une base de plus d'un million de fuites réelles. Les données du SIG affinent le résultat quand elles existent, mais elles ne sont pas un prérequis.
« Un plan pluriannuel, sur une décennie, doit évoluer. Cela s’urbanise, il y a beaucoup de paramètres : la modélisation de réseau, les renforcements, les extensions, tout ce qui change avec la croissance du territoire. On souhaitait savoir quelles données entrantes on avait, quelles difficultés on rencontrait pour les mettre à jour, et quel outil on pouvait utiliser pour pérenniser cette démarche et optimiser nos investissements avec le budget qu’on nous fixe et le taux de renouvellement d’environ 1 % par an. Avec Leakmited, on peut valoriser nos données, fiabiliser nos arbitrages et créer des plans de renouvellement dynamiques, en quelques clics, au lieu de passer des semaines sur des tableurs. »
Cécile Faragoni, Cheffe de service Eau Potable, Grand Paris Sud
Par où commencer quand on a un SIG lacunaire
Nous avons consacré un article entier à cette question : quelle méthodologie suivre, quels sont les critères minimum pour lancer un diagnostic, et comment chaque intervention enrichit le SIG sans coût supplémentaire.
👉 Réseaux d'eau : pourquoi viser un SIG à 100 % avant d'agir est une erreur budgétaire
En résumé
Les collectivités qui réduisent leurs pertes et améliorent leur rendement aujourd'hui ne sont pas celles qui ont le meilleur SIG. Ce sont celles qui ont accepté de travailler avec ce qu'elles ont, en combinant trois leviers : des données externes pour compenser les lacunes, l'IA prédictive pour cibler la recherche de fuites et les renouvellements, et une démarche itérative où chaque action enrichit la connaissance du réseau.
Chaque fuite trouvée, chaque tronçon renouvelé, chaque campagne menée génère une donnée plus fiable. Et chaque donnée plus fiable améliore la décision suivante. C'est ce cycle vertueux qui fait la différence — pas la perfection du point de départ.
