IA · réparation électronique
L'IA appliquée à la réparation, sans les hallucinations.
Demandez à un chatbot généraliste où se trouve le fusible d'entrée d'une carte qu'il n'a jamais vue : il répondra quand même. WrenchBoard prend le contre-pied : un agent IA contraint par le schéma réel, le boardview réel et des règles de panne auditées. Il ne cite que ce qu'il peut prouver sur votre carte.
Ce que l’IA change vraiment dans un atelier
Le quotidien de la réparation au niveau composant n’est pas limité par l’habileté au fer : il est limité par l’accès au savoir. Les références existent : schémas PDF de centaines de pages, boardviews, fils de forum où la solution est au message 47, expérience des seniors qui part à la retraite avec eux. Aucun moteur de recherche ne raisonne là-dessus.
C’est exactement le travail d’un modèle de langage : lire des sources hétérogènes, les croiser, raisonner dessus en langage naturel. À une condition : que ses réponses soient ancrées dans la carte qui est sur votre banc, pas dans une moyenne statistique de ce qu’il a lu pendant son entraînement.
L’architecture : un agent contraint, pas un chatbot augmenté
WrenchBoard ne pose pas une boîte de chat à côté d’un visualiseur. L’agent de diagnostic est construit dans l’outil, avec 43 outils spécialisés qu’il appelle pendant qu’il raisonne :
- Lecture de la carte : interroger le graphe électrique compilé depuis le schéma, chercher un composant, lister les règles de panne correspondant aux symptômes.
- Pilotage du boardview : surligner, zoomer, atténuer, pointer une broche, proposer un protocole de mesure que la vue suit étape par étape.
- Journal de réparation : consigner chaque mesure, comparer avant/après, enregistrer la cause confirmée en fin de session.
- Capteurs : demander une image du microscope de l’atelier quand le raisonnement a besoin de voir la carte.
Chaque réponse passe par un sanitizer : un refdes que le parseur ne connaît pas est signalé, pas affirmé. Les hypothèses sortent avec leur probabilité, issues des règles auditées de l’appareil, et quand l’agent raisonne hors des règles, sur la seule topologie du schéma, il le dit.
Une mémoire en couches, comme une équipe
Un technicien senior vaut par son expérience accumulée. L’agent WrenchBoard reproduit cette structure avec quatre mémoires distinctes : les patterns de panne inter-appareils et les playbooks de diagnostic (partagés, lecture seule), le pack de connaissances de l’appareil en cours (lecture seule, construit hors-ligne et audité), et le carnet de la réparation active (lecture-écriture, relu à chaque reprise de session).
Résultat : la connaissance circule dans le bon sens. Ce qu’un diagnostic confirme enrichit la base ; ce que la base contient est traçable et auditable ; rien ne repose sur la mémoire imprévisible du modèle.
Choisir la profondeur de raisonnement
Toutes les pannes ne méritent pas le même effort de calcul. À l’ouverture d’une session, le tier du modèle se choisit : Haiku pour les diagnostics rapides sur panne connue, Sonnet en usage courant, Opus pour les cartes difficiles où il faut raisonner longuement sur le graphe. Le même flux de travail, détaillé sur la page diagnostic de carte mère, s’applique quel que soit le tier.
Une IA d’atelier, pas une démo
Le pari de WrenchBoard : l’IA utile à la réparation n’est pas celle qui impressionne en démo, mais celle qui se trompe le moins au banc. C’est pour cela que tout l’édifice, du logiciel de microsoudure complet jusqu’au moindre highlight du boardview, est construit autour de la vérifiabilité. Essayez une session sur un appareil couvert : le plan gratuit suffit pour juger sur pièce.
FAQ
Questions fréquentes
En quoi est-ce différent de poser ma question à ChatGPT ou Claude ?
Un chatbot généraliste raisonne de mémoire, sans accès à votre carte : il peut inventer un refdes ou citer le schéma d'un autre modèle. L'agent WrenchBoard est branché sur la carte réellement parsée (boardview, graphe électrique du schéma, règles de panne de l'appareil), et chaque référence qu'il cite est validée contre ces données avant d'être affichée.
Quel modèle d'IA fait tourner l'agent ?
Les modèles Claude d'Anthropic, sélectionnables par tier à l'ouverture de session (Haiku, Sonnet, Opus) selon la profondeur de raisonnement voulue. Le projet a pris la 2ᵉ place au hackathon Anthropic « Built with Opus 4.7 ».
Que veut dire « anti-hallucination » concrètement ?
Chaque réponse de l'agent passe par un sanitizer : les refdes cités sont vérifiés contre les composants réellement présents dans le boardview parsé (avec tolérance aux fautes de frappe), les causes proposées doivent venir des règles de l'appareil ou du graphe électrique. Une référence invérifiable est signalée comme telle, jamais présentée comme un fait.
L'IA fait-elle les mesures à ma place ?
Non, elle ne remplace ni vos sondes ni votre jugement. Elle structure la boucle : hypothèse classée par probabilité, protocole de mesure pas-à-pas, interprétation des valeurs que vous rapportez. Elle peut aussi demander une image de votre microscope pour examiner une zone de la carte.
Mes données de réparation servent-elles à entraîner le modèle ?
Non. Les sessions alimentent la mémoire de diagnostic de la plateforme (mesures, causes confirmées, playbooks), pas l'entraînement du modèle de langage. Et le moteur est source-available : un atelier peut l'auto-héberger et garder l'intégralité de ses données en local.
Commencer
Essayez Wrench Board gratuitement, dans votre navigateur.
Plan gratuit, sans carte bancaire. Ouvrez l'app, choisissez un appareil couvert, et lancez une session de diagnostic avec l'agent.