Le prostep ivip Symposium est depuis longtemps un baromètre pour l’évolution des disciplines de l’ingénierie et du cycle de vie des produits. Cette année, le signal était sans équivoque. L’IA a dépassé l’étape conceptuelle. Les conversations dans les sessions, les tables rondes et les échanges informels étaient centrées sur la réalité du déploiement, les barrières à l’adoption et le travail concret visant à faire en sorte que les systèmes intelligents gagnent leur place dans les processus d’ingénierie.

Pour les professionnel·le·s du PLM, du fil numérique et des opérations d’ingénierie, cela marque un véritable point d’inflexion, qui mérite une attention particulière.

L’IA n’est plus un sujet de présentation, mais une réalité actuelle

Le thème le plus constant du Symposium était que l’IA a quitté le domaine de la démonstration pour être utilisée activement. Les organisations exploitent des processus assistés par l’IA pour la validation des exigences, l’analyse de l’impact des changements, la gestion de la configuration et la gouvernance des données fournisseurs. Le discours est passé du potentiel à la performance.

Ceci est d’une grande importance pour les dirigeants en ingénierie. La fenêtre pour une observation passive se rétrécit. Des pairs dans les secteurs automobile, aérospatial, machines industrielles et MedTech passent de l’étape pilote à la production. L’avantage concurrentiel commence à se concentrer autour des organisations ayant adopté l’IA dans leurs processus d’ingénierie, et non auprès de celles qui en sont encore aux preuves de concept.

Le Symposium a également mis en avant une perspective plus nuancée de l’adoption de l’IA en contexte réel. Elle est rarement spectaculaire. La plupart des déploiements relèvent de l’IA augmentée travaillant aux côtés des ingénieur·e·s sur des tâches à forte charge cognitive mais à faible ambiguïté, comme la classification de documents, la vérification de la cohérence entre nomenclatures et la recherche sémantique dans les bases de connaissances produit. La valeur s’accumule discrètement jusqu’à devenir visible.

Le constat contre l’IA généraliste pour l’ingénierie

L’une des discussions les plus vives du Symposium portait sur le choix des modèles. La question centrale était de savoir si les grands modèles linguistiques, entraînés sur des données vastes et généralistes, sont la bonne base pour les applications IA spécifiques à l’ingénierie. La réponse émergente, soutenue par des praticien·ne·s ayant déjà déployé l’IA dans les environnements PLM et R&D, est qu’ils/elles ne le sont souvent pas.

La connaissance en ingénierie est précise, contextuelle et propre à chaque organisation. Une exigence dans une nomenclature (BOM) MedTech, par exemple, comporte des implications réglementaires qu’un modèle généraliste ne reconnaîtra pas. De même, un ordre de modification dans un système de gestion de configuration aérospatiale déclenche une logique d’impact en aval que le raisonnement généraliste ne peut pas tracer avec fiabilité. La précision exigée dans ces domaines nécessite une architecture différente de modèle.

C’est là que les petits modèles linguistiques spécialisés (SLMs) retiennent sérieusement l’attention. Entraînés sur des corpus d’ingénierie sélectionnés et ajustés à partir des données produit propres à l’organisation, les SLMs présentent deux avantages opérationnels importants : ils sont exacts là où les grands modèles linguistiques (LLMs) ne le sont pas, et ils coûtent significativement moins cher à grande échelle.

SLMs : L’argument économique et stratégique pour les équipes d’ingénierie

L’argument financier en faveur des SLMs dans les environnements d’ingénierie est simple. Les coûts d’inférence des grands modèles, sollicités à la fréquence exigée par le PLM, sont considérables. Les équipes d’ingénierie qui appliquent l’IA aux données produit, aux historiques de modifications et à la documentation de conformité font face à des volumes élevés de requêtes et à des contextes longs. Les SLMs, fonctionnant à une fraction des coûts informatiques, rendent cette solution viable financièrement à l’échelle de l’entreprise.

L’argument stratégique est tout aussi convaincant. La plupart des organisations de grande taille ont accumulé des décennies de savoir en ingénierie : dans des bibliothèques de CAO, des structures de nomenclature héritées, des documents de justification de conception, des résultats de simulation et des dossiers fournisseurs. Ce savoir institutionnel est actuellement enfermé, inaccessible à la vitesse des flux de travail contemporains en ingénierie. Les SLMs formés sur ces données ne créent pas de nouvelle connaissance. Ils déverrouillent ce qui existe déjà.

Ce constat change la donne dans la conversation sur l’investissement en IA pour les CTO et les dirigeants en ingénierie. La question n’est plus de savoir combien investir dans l’accès à la toute dernière génération de modèles, mais comment structurer le patrimoine intellectuel existant comme un actif de formation. Les organisations dotées de stratégies de fil numérique matures et d’environnements PLM bien gouvernés ont une longueur d’avance ici.

La leçon stratégique pour les dirigeants en ingénierie

Le prostep ivip Symposium a permis d’étalonner la réalité de l’IA en ingénierie : au-delà de l’effet d’annonce, mais encore loin d’une maturité opérationnelle généralisée. Les organisations en avance considèrent l’adoption de l’IA non plus comme une suite de choix technologiques isolés, mais comme un programme de développement de capacités.

Pour les responsables PLM et R&D, les priorités révélées lors des discussions de cette année sont concrètes. Vérifiez la maturité des actifs de données d’ingénierie existants pour l’entraînement de SLM. Ciblez deux ou trois catégories de flux de travail, telles que l’analyse d’impact des modifications, la traçabilité de la conformité et la recherche de connaissances, où l’IA spécialisée offrira le gain de productivité le plus évident. Construisez la gouvernance avant de passer à l’échelle.

Le Symposium a clarifié, plus que tout, un point capital : les organisations d’ingénierie de pointe ne se demandent plus si l’IA a sa place dans leurs processus. Elles s’appliquent à choisir la bonne architecture de modèle, à mettre en ordre les fondations de données et à bâtir la préparation organisationnelle. C’est là que se trouvent le véritable travail, et l’écart concurrentiel réel.