• Une entreprise de transport de voyageurs peut réduire de 28 % à 40 % les appels liés aux perturbations si l’information voyageurs devient plus rapide, plus fiable et mieux coordonnée.
• Le cas d’usage prioritaire concerne les interruptions de service : conducteur absent, panne véhicule, déviation, incident voirie, correspondance manquée, retard scolaire ou affluence imprévue.
• L’IA aide le poste de régulation à qualifier l’incident, identifier les voyageurs concernés, préparer les messages multicanaux et proposer des scénarios de substitution.
• Dans ce cas, l’entreprise a gagné 61 à 79 heures par mois sur la gestion des perturbations et réduit de 33 % les appels entrants sur les incidents récurrents.
• L’information voyageurs repose déjà sur des données normalisées et publiées : horaires théoriques, temps réel, perturbations, retards et annulations font partie des données attendues sur le Point d’Accès National.

Quelle entreprise de transport de voyageurs est concernée ?

Ce cas concerne une entreprise de transport de voyageurs spécialisée dans les lignes interurbaines, scolaires et périurbaines. Elle exploite des services pour plusieurs communautés d’agglomération et un conseil régional, avec des lignes régulières, des doublages scolaires, des navettes de zones d’activité et des correspondances avec TER.

L’entreprise compte 290 salariés, dont 214 conducteurs, 18 régulateurs et agents d’exploitation, 12 agents relation voyageurs et une cellule qualité de service. Elle exploite 178 véhicules, dont cars interurbains, bus périurbains et véhicules affectés aux renforts scolaires.

Son activité combine trois contraintes fortes : transporter des voyageurs à horaires fixes, gérer des aléas terrain en temps réel et informer rapidement des publics très différents. Les scolaires, les actifs, les personnes âgées et les voyageurs en correspondance réagissent différemment à une même perturbation.

La problématique choisie est spécifique au transport de voyageurs : rendre l’information voyageurs fiable pendant les perturbations, avant que les appels, les réclamations et les tensions aux arrêts saturent les équipes.

Pourquoi l’information voyageurs devenait-elle un point de tension ?

Chaque matin, le plan de transport semblait maîtrisé. Pourtant, dès 6h45, les premiers aléas apparaissaient : conducteur malade, car immobilisé, travaux de voirie, accident sur un axe départemental, arrêt inaccessible, retard de correspondance ou affluence scolaire supérieure à la prévision.

Le poste de régulation devait réagir vite. Il fallait comprendre l’incident, mesurer son impact, prévenir les conducteurs, informer les voyageurs, alerter l’autorité organisatrice et mettre à jour les canaux d’information.

Avant intervention, l’entreprise gérait chaque mois :

• 1 150 à 1 350 incidents d’exploitation qualifiés
• 420 à 510 perturbations avec impact voyageurs
• 2 800 à 3 400 appels entrants liés aux horaires ou retards
• 650 à 780 réclamations ou messages entrants post-incident
• 95 à 130 situations nécessitant une information multi-canal urgente

Le délai moyen entre la détection d’un incident et la première information exploitable diffusée atteignait 18 à 26 minutes selon les lignes. Sur les incidents scolaires du matin, ce délai créait vite des tensions avec les familles et les établissements.

Pourquoi ce cas d’usage mérite-t-il une décision de direction ?

L’information voyageurs agit directement sur la qualité perçue. Un retard de quinze minutes vécu sans information produit plus de tension qu’un retard comparable annoncé clairement, avec une ETA, une alternative et une cause factuelle.

Le sujet dépasse donc le confort utilisateur. Il touche au contrat avec l’autorité organisatrice, à la relation avec les communes, à la sécurité aux arrêts, à la charge du service client et à la confiance dans le réseau.

L’Autorité de régulation des transports rappelle que les données de mobilité, comme les horaires de transport en commun et les alertes de perturbation, doivent être publiées sur un Point d’Accès National. Son rapport 2025 souligne aussi l’accélération de la publication des données de mobilité, tout en signalant des lacunes sur certaines données utiles aux voyageurs.

Ainsi, le sujet rejoint une évolution structurelle du secteur : les opérateurs doivent produire une information transport plus rapide, plus exploitable et plus cohérente entre canaux. Les voyageurs comparent désormais l’expérience réelle avec les standards du temps réel.

Quelle était la situation initiale ?

L’entreprise disposait déjà d’un SAEIV, d’un logiciel d’exploitation, d’un outil de ticketing et d’un portail de publication de données. Malgré ces équipements, la gestion des incidents reposait encore sur beaucoup d’actions manuelles.

Un régulateur recevait l’alerte conducteur, vérifiait la ligne, estimait le retard, cherchait les courses touchées, appelait parfois un renfort, prévenait le service client, puis formulait un message pour les voyageurs. Ce processus variait selon l’expérience de la personne en poste.

L’échantillon analysé sur six semaines montrait des temps moyens élevés :

• 7 à 10 minutes pour qualifier un incident simple
• 14 à 22 minutes pour estimer l’impact sur les courses suivantes
• 18 à 30 minutes pour préparer une information voyageurs multi-canal
• 35 à 55 minutes pour organiser une substitution avec véhicule de réserve

La difficulté principale venait du croisement des données. Une perturbation touchait parfois plusieurs lignes, des correspondances TER, des arrêts scolaires et des voyageurs abonnés aux alertes. Le régulateur devait reconstruire l’impact à la main.

Quelles douleurs spécifiques au transport de voyageurs freinaient l’exploitation ?

La première douleur concernait les messages trop tardifs. Les voyageurs recevaient parfois l’information après avoir déjà attendu à l’arrêt. Dans ce cas, le message corrigeait une frustration déjà installée.

La deuxième douleur venait des canaux multiples. L’information devait alimenter l’application, les panneaux aux arrêts, les réseaux sociaux, le centre d’appels, les conducteurs, l’autorité organisatrice et parfois les établissements scolaires. Chaque canal avait ses contraintes de format et de timing.

La troisième douleur portait sur les correspondances. Un retard de douze minutes sur une ligne interurbaine pouvait créer une rupture avec un TER, un bus urbain ou une navette scolaire. Les outils existants signalaient le retard, mais ils ne formulaient pas toujours l’impact voyageur.

La quatrième douleur concernait les publics sensibles. Les élèves, parents, personnes à mobilité réduite et voyageurs peu familiers du réseau avaient besoin d’une information plus précise : arrêt concerné, durée estimée, alternative, véhicule de remplacement, point de prise en charge.

Enfin, la charge émotionnelle pesait sur les équipes. Le service client recevait des appels de parents inquiets, de salariés en retard et de communes mécontentes. Une partie de ces appels provenait d’un déficit d’information en amont.

Comment ce cas a-t-il été analysé ?

L’analyse a suivi le cycle complet d’une perturbation voyageurs : détection, qualification, estimation d’impact, décision d’exploitation, diffusion de l’information, suivi, clôture et retour qualité.

Cinq critères ont guidé la priorisation :

• fréquence mensuelle de la perturbation
• impact direct sur les voyageurs
• temps consommé par la régulation
• disponibilité des données en temps utile
• capacité à diffuser une information fiable rapidement

Trois familles d’incidents ont été retenues pour le premier périmètre : absence conducteur sur lignes scolaires, panne véhicule en début de service et déviation non programmée liée à la voirie.

Ces trois situations présentaient un volume suffisant, un impact visible et des données disponibles. Elles permettaient aussi de mesurer rapidement l’effet sur les appels entrants, le délai d’information et la satisfaction des clients institutionnels.

Les situations critiques ont gardé un circuit renforcé : accident corporel, évacuation de véhicule, incident impliquant des mineurs, situation de sécurité publique, intempérie majeure ou interruption longue avec communication institutionnelle.

Quelles recommandations ont été formulées ?

La première recommandation a porté sur la qualification assistée des incidents. L’IA proposait une catégorie, un niveau d’urgence, les lignes touchées, les arrêts impactés et les voyageurs potentiellement concernés.

La deuxième recommandation a créé une fiche d’impact opérationnel. Cette fiche regroupait la ligne, la course, le conducteur, le véhicule, le retard estimé, les correspondances à risque, les arrêts sensibles et le niveau de communication requis.

La troisième recommandation a structuré les messages voyageurs. Chaque message devait contenir la ligne concernée, le sens, les arrêts impactés, l’horaire estimé, l’alternative éventuelle et la prochaine mise à jour.

La quatrième recommandation a intégré des scénarios de substitution. L’IA aidait à comparer plusieurs options : véhicule de réserve, transfert d’une course proche, attente coordonnée d’une correspondance, déviation, navette partielle ou information d’annulation.

La cinquième recommandation a harmonisé les canaux. Le régulateur validait une information source, puis l’outil préparait des versions adaptées : SMS court, notification application, message centre d’appels, note à l’autorité organisatrice, consigne conducteur.

Enfin, les utilisateurs ont reçu une formation ciblée sur les limites de l’IA. L’article 4 de l’AI Act impose aux fournisseurs et déployeurs de systèmes d’IA d’assurer un niveau suffisant d’AI literacy pour les personnes qui utilisent ces systèmes dans leur contexte professionnel.

Comment l’avant / après s’est-il matérialisé ?

L’exemple le plus parlant concernait une ligne scolaire interurbaine desservant trois communes et deux établissements. Un conducteur a signalé une panne avant la prise de service à 6h42, avec un départ prévu à 6 h 58.

Avant, le régulateur appelait un conducteur de réserve, vérifiait la disponibilité véhicule, prévenait l’établissement, répondait aux premiers appels parents, puis demandait au service client de publier un message. La première information voyageurs arrivait souvent après 7h12.

Après, l’IA a préparé une fiche d’impact en deux minutes : course touchée, arrêts concernés, établissements desservis, voyageurs abonnés aux alertes, temps estimé du véhicule de remplacement et message recommandé.

Le régulateur a validé le scénario "véhicule de réserve avec départ décalé". Les familles ont reçu une notification à 6h50, l’établissement a reçu une note courte, et le centre d’appels a disposé du même message.

Le délai de première information est passé de 20 à 25 minutes à 6 à 8 minutes sur ce type d’incident. Les appels entrants sur l’incident ont baissé de 42 % par rapport aux situations comparables des semaines précédentes.

Quels résultats chiffrés ont été observés ?

Après trois mois d’usage stabilisé, les indicateurs suivis montraient des gains cohérents :

• -36 % de temps moyen de qualification des incidents voyageurs
• -33 % d’appels entrants sur les perturbations récurrentes
• -41 % de délai moyen avant première information publiée
• -24 % de réclamations liées à une information jugée tardive
• +29 % de perturbations clôturées avec cause et impact documentés
• 61 à 79 heures gagnées par mois sur la régulation et l’information voyageurs

Une donnée terrain anonymisée a aussi été suivie : sur les 320 premières perturbations traitées avec assistance IA, 76 % ont reçu une information voyageurs validée en moins de dix minutes. Avant cadrage, la proportion atteignait 38 %.

Le gain économique provenait de quatre effets : moins d’appels, moins de ressaisie, moins de tensions avec les donneurs d’ordre et meilleure préparation des bilans qualité. Le gain humain comptait aussi. Les régulateurs travaillaient avec une vue plus claire des priorités.

Pourquoi la qualité de service a progressé ?

La qualité a progressé parce que les voyageurs recevaient une information plus rapide, plus homogène et plus utile. Les messages indiquaient ce qui changeait concrètement pour eux : arrêt, horaire, alternative et mise à jour suivante.

Le service client a aussi gagné en cohérence. Les agents disposaient du même message que la régulation et les conducteurs. Par conséquent, les voyageurs recevaient moins de réponses divergentes selon le canal utilisé.

Le Point d’Accès National français rassemble déjà des données statiques et temps réel, dont les horaires de transport public collectif, le transport ferroviaire, les autocars longue distance et plusieurs services de mobilité. Cette infrastructure favorise des usages plus avancés de l’information voyageurs quand les données internes sont propres.

Le Cerema souligne également que l’information temps réel peut porter sur la sécurité, les temps de parcours, les restrictions, les fermetures pour travaux ou les événements de grande ampleur. Cette diversité montre l’importance d’un traitement rapide et structuré des aléas.

Quelles erreurs ont été évitées ?

La première erreur aurait été de publier automatiquement des messages sans validation. L’entreprise a conservé une validation humaine pour chaque information voyageurs diffusée en situation perturbée.

La deuxième erreur aurait été de traiter tous les incidents avec le même niveau d’urgence. Une panne sur ligne scolaire, un retard mineur hors pointe et une déviation en centre-ville demandent des circuits différents.

La troisième erreur aurait concerné les messages trop techniques. Les voyageurs attendent une information orientée trajet : durée, arrêt, alternative, prochain passage. Les causes internes intéressent surtout les équipes d’exploitation.

La quatrième erreur aurait consisté à suivre seulement le retard réel. L’entreprise a aussi mesuré le délai de première information, les appels entrants, les réclamations et la qualité de clôture des incidents.

Quand ce cas d’usage devient-il prioritaire ?

Ce cas devient prioritaire quand les perturbations génèrent un volume élevé d’appels et de réclamations. Les signes sont simples : informations publiées tard, divergences entre canaux, pression des autorités organisatrices et tensions aux arrêts.

Il devient aussi prioritaire quand le réseau combine lignes régulières, scolaires et correspondances. Dans ce cas, un retard local crée vite des effets en chaîne. L’IA aide à repérer ces impacts avant les premiers appels.

Le sujet mérite également attention quand l’entreprise publie déjà des données transport, mais peine à transformer l’information d’exploitation en message voyageurs utile. La donnée brute devient alors un actif sous-utilisé.

Enfin, l’ouverture et la qualité des données de mobilité progressent. L’ART a publié en février 2026 un rapport indiquant que la publication des données de mobilité s’est accélérée en 2025, avec un effet positif sur l’information disponible dans les calculateurs d’itinéraires.

Quels enseignements une autre entreprise de transport peut-elle transposer ?

Le premier enseignement concerne le périmètre. Les bons premiers cas d’usage se trouvent dans les perturbations fréquentes, visibles et documentées. Les absences conducteurs, pannes véhicule et déviations offrent souvent un bon point d’entrée.

Le deuxième enseignement porte sur la vitesse. Une information publiée dix minutes plus tôt réduit la pression sur le centre d’appels et améliore la perception du service, même quand le retard reste inchangé.

Le troisième enseignement concerne la coordination. L’information voyageurs réussit quand régulation, conducteurs, service client, autorité organisatrice et canaux numériques partagent une même version validée.

Le quatrième enseignement touche à la gouvernance. L’IA doit aider à qualifier, structurer et préparer. La décision d’exploitation et la validation du message restent entre les mains des équipes responsables.

FAQ

Comment améliorer l’information voyageurs avec l’IA ?
L’IA peut qualifier les incidents, identifier les lignes concernées, estimer l’impact sur les courses suivantes, préparer les messages et proposer des scénarios de substitution. La valeur apparaît quand le régulateur valide rapidement une information source, puis la diffuse sur plusieurs canaux cohérents.

Quels incidents traiter en premier dans le transport de voyageurs ?
Les meilleurs premiers cas sont les absences conducteurs, les pannes véhicule en prise de service, les déviations soudaines et les retards touchant des correspondances. Ces incidents sont fréquents, visibles par les voyageurs et mesurables via les appels, réclamations et délais d’information.

Quels gains peut-on attendre ?
Un gain de 30 % à 40 % sur le délai de première information reste réaliste quand les données d’exploitation sont fiables. Les gains complémentaires concernent les appels entrants, les réclamations, le temps de régulation et la qualité des bilans transmis aux autorités organisatrices.

Quels risques faut-il surveiller ?
Les principaux risques concernent les messages inexacts, les horaires estimés trop affirmatifs, les données incomplètes et la diffusion trop rapide sur plusieurs canaux. Un cadre solide prévoit une validation humaine, des sources identifiées, des seuils d’escalade et un suivi qualité des messages.

Ce cas concerne-t-il uniquement les réseaux urbains ?
Ce cas s’applique aux réseaux interurbains, scolaires, périurbains, ferroviaires régionaux, navettes d’entreprise et transports à la demande. Le facteur décisif reste la fréquence des perturbations et la nécessité d’informer vite des publics clairement identifiables.

Conclusion

Dans le transport de voyageurs, l’IA peut améliorer l’information en situation perturbée en accélérant la qualification des incidents, la mesure d’impact, la préparation des messages et la coordination entre canaux.

Ce cas produit un résultat opérationnel clair : moins d’appels, moins de tensions aux arrêts, des voyageurs mieux informés, des régulateurs moins saturés et des bilans qualité plus fiables. La valeur se crée dans la précision de l’information, la rapidité de diffusion et la validation humaine.

‍
Vous voulez savoir si l’information voyageurs, la régulation des perturbations ou la coordination multi-canal constitue le bon cas d’usage IA pour votre réseau ? Commencez par le Diagnostic IA Express de Skalgo :

https://www.skalgo.com/diagnostic-express