L’intelligence artificielle d’entreprise passe rapidement de l’expérimentation à l’exécution, mais les environnements de développement de produits montrent pourquoi l’adoption à grande échelle de l’IA demeure difficile.

Ces environnements sont complexes par nature. Le développement de produits dépend des exigences, des données d’ingénierie, de la gestion du cycle de vie des produits (PLM), de l’exécution manufacturière, de la qualité, des rétroactions de service et des contrôles de conformité travaillant ensemble. L’introduction de l’IA dans une partie de ce cycle peut améliorer une tâche précise, mais cela ne transformera pas l’entreprise si le processus global demeure fragmenté.

Le rapport The AI Impact Imperatives, 2026 de HCLTech a révélé que les personnes interrogées s’attendent à ce que 43 % des grands projets d’IA qui débuteront au cours des 24 prochains mois échouent. Dans le développement de produits complexes, ce risque concerne la performance des modèles et la capacité de l’IA à s’intégrer aux processus, aux données et à la gouvernance de l’entreprise.

Sudhir Kumar Singh, chef de la pratique DDMS, ERS chez HCLTech, le constate clairement dans ses discussions avec les clients.

« Les gens en sont actuellement à la phase de test », dit-il. « Les gens veulent des solutions d’IA partout. »

La pression est compréhensible. Les clients demandent aux équipes de transformation de réduire des échéanciers qui prenaient auparavant 12 mois à seulement 6 ou 7 mois. On s’attend à ce que l’IA, la GenAI et l’automatisation contribuent à offrir cette accélération. Mais dans les industries réglementées et dirigées par l’ingénierie, la rapidité ne peut se faire au détriment de la discipline des processus.

« Personne ne veut compromettre les processus. Personne ne veut compromettre l’aspect conformité, l’aspect qualité, l’aspect sécurité. Tout cela est non négociable », a déclaré Singh.

C’est pourquoi l’IA dans le développement de produits doit être considérée comme plus qu’une simple couche de productivité. Elle doit devenir partie intégrante d’un modèle de cycle de vie connecté.

Le problème des cas d’utilisation isolés de l’IA

De nombreuses organisations abordent encore l’IA à travers des cas d’utilisation isolés. Une équipe peut appliquer l’IA pour raccourcir le cycle des exigences. Une autre peut l’utiliser pour améliorer la transition de la nomenclature d’ingénierie à la nomenclature de fabrication. Une équipe de fabrication peut introduire une solution d’IA distincte pour améliorer l’exécution de la production.

Chaque cas d’utilisation peut apporter de la valeur, mais la plus grande opportunité se présente lorsque l’IA peut soutenir l’ensemble du cycle de vie du produit.

Le rapport de HCLTech indique que 40 % des répondants citent la coordination interfonctionnelle comme un défi limitant l’adoption de l’IA, tandis que 39 % citent l’alignement avec la stratégie d’entreprise. Dans le développement de produits, ces défis sont particulièrement évidents, car aucune fonction unique ne possède le cycle de vie complet.

Un ingénieur en R&D peut comprendre la conception du concept, mais pas l’exécution manufacturière. Une équipe de production peut comprendre les contraintes de production, mais pas l’intention originale de conception. Une organisation de service peut comprendre les défaillances sur le terrain, mais cette information ne revient pas toujours dans le développement futur du produit.

Pour Singh, la PLM est importante parce qu’elle peut aider à créer un système en boucle fermée.

« Nous l’appelons un système en boucle fermée », dit-il. « L’ensemble du système doit fonctionner sans heurt aujourd’hui si nous voulons améliorer la productivité ou le délai de mise en marché. »

Ce système doit relier la gestion du cycle de vie des applications, la PLM, l’exécution manufacturière et l’ensemble du paysage applicatif autour d’eux. Si l’IA est introduite dans une seule phase, l’entreprise peut améliorer un processus local sans améliorer le cycle de vie complet.

La PLM comme couche d’intelligence du cycle de vie

La PLM peut aider à déplacer l’IA de cas d’utilisation isolés vers des flux de travail connectés, car elle se trouve au centre des données produit, du processus et de la traçabilité.

Dans un cycle de vie connecté, les exigences sont capturées, les concepts produits sont conçus, les données d’ingénierie sont gérées, les données de fabrication sont créées, les produits sont lancés et la performance sur le terrain est prise en compte dans les décisions de conception futures. Les données devraient circuler en boucle, et non en ligne droite.

C’est important puisque l’IA dépend de données fiables. Le rapport HCLTech indique que seulement 21 % des répondants estiment que leur patrimoine de données est modernisé et opérationnel. Il a aussi révélé que la majorité des répondants rapportent des problèmes de visibilité des données, d’orchestration automatisée des données, de gestion intelligente des données, de consolidation des plateformes de données et de création de produits de données exploitables.

Ces problèmes affectent directement l’IA en PLM. Si les données du produit sont dupliquées, incohérentes ou déconnectées à travers les systèmes, l’IA aura de la difficulté à identifier la bonne source de vérité. Plutôt qu’accélérer les décisions, elle pourrait créer de nouvelles incertitudes.

Singh affirme que c’est là que la prochaine étape de la PLM équipée de l’IA doit se concentrer.

« L’IA doit s’assurer qu’il n’y ait qu’une seule source de vérité », dit-il. « Pas de duplication des données, pas d’écart dans les données, pas de corruption des données. »

C’est particulièrement important à mesure que le développement de produits devient plus intelligent. L’IA peut contribuer à raccourcir les cycles d’ingénierie, automatiser le soutien à la décision, améliorer la préparation manufacturière et connecter les rétroactions du terrain au développement de nouveaux produits. Mais ces avantages dépendent de données propres, exactes et contextuelles circulant à travers le cycle de vie.

La valeur d’affaires dépend des résultats du cycle de vie

Le dossier d’affaires pour l’IA dans la PLM ne devrait pas être défini uniquement par des améliorations d’outils individuels. Les mesures les plus solides sont les résultats du cycle de vie : un délai de mise en marché plus rapide, une productivité accrue, moins d’écarts dans les données, une meilleure qualité, une meilleure préparation manufacturière et des rétroactions de service plus efficaces.

Pour y parvenir, les organisations doivent avoir une prise en charge interfonctionnelle. Les équipes TI peuvent implanter des plateformes PLM, mais les utilisateurs d’affaires déterminent comment ces plateformes sont utilisées. Les équipes d’ingénierie, de fabrication, de qualité et de service apportent toutes des perspectives différentes sur la façon dont l’IA peut créer de la valeur. Si un seul groupe définit l’agenda de l’IA, le résultat risque d’être incomplet.

Singh a souligné que les organisations de service peuvent jouer un rôle important parce qu’elles interviennent dans plusieurs phases du cycle de vie et dans de multiples environnements clients. Cette perspective élargie peut aider les organisations à comprendre où l’IA devrait être intégrée, comment les systèmes doivent se connecter et où la gouvernance des données compte le plus.

L’avenir de la PLM sera façonné par cette intégration. L’IA ne sera pas un élément distinct de la PLM. Elle sera de plus en plus intégrée à l’intelligence produit, à la prise de décision sur le cycle de vie et à la transformation de l’entreprise.

« Toutes les solutions d’IA sont guidées par les données », a déclaré Singh. « Il est très important d’avoir le bon ensemble de données disponibles pour faire évoluer les solutions d’IA. »

Pour les organisations de produits, l’implication est claire. L’IA peut accélérer certaines parties du cycle de vie, mais elle ne peut transformer l’ensemble du cycle de vie que si les fondations sont connectées.

Les organisations qui réussiront seront celles qui intégreront l’IA dans un environnement de données produit propre, intégré et gouverné, où les exigences, l’ingénierie, la fabrication, le service et les connaissances terrain se renforcent mutuellement.

C’est ainsi que l’IA peut passer de gains de productivité isolés à une intelligence produit à l’échelle de l’entreprise.