Le prostep ivip Symposium a longtemps servi de baromètre pour anticiper l’orientation des disciplines d’ingénierie et de gestion du cycle de vie des produits. Cette année, le signal était sans équivoque. AI a dépassé le stade du concept. Les discussions dans les séances, les tables rondes et les échanges informels étaient axées sur la réalité du déploiement, les obstacles à l’adoption et les efforts concrets pour intégrer les systèmes intelligents dans les processus d’ingénierie.

Pour les praticiens en PLM, fil numérique et opérations d’ingénierie, il s’agit d’un point d’inflexion significatif, qui mérite une attention particulière.

L’IA n’est plus un sujet de présentation, c’est une réalité concrète

Le thème le plus récurrent du Symposium était que l’IA a quitté le domaine de la démonstration pour entrer dans l’utilisation active. Les organisations exploitent des processus assistés par l’IA pour la validation des exigences, l’analyse d’impact des changements, la gestion de configuration et la gouvernance des données fournisseurs. Le langage a évolué du potentiel à la performance.

C’est une évolution importante dont les responsables en ingénierie doivent tenir compte. La période d’observation passive se rétrécit. Les pairs des secteurs automobile, aérospatial, machinerie industrielle et technologies médicales passent à la phase de production après les projets pilotes. L’avantage concurrentiel commence à se forger chez les organisations ayant adopté des processus d’ingénierie renforcés par l’IA, et non chez celles qui se limitent encore à des preuves de concept.

Le Symposium a également fait apparaître une perspective plus nuancée sur la réalité de cette adoption : elle est rarement spectaculaire. La majorité des déploiements concernent des IA d’appoint qui épaulent les ingénieurs dans les tâches à forte charge cognitive mais à faible ambiguïté, comme la classification de documents, la vérification de cohérence entre nomenclatures ou la recherche sémantique dans les bases de connaissances produits. La valeur s’accumule discrètement avant de devenir visible.

Les limites de l’IA généraliste dans les contextes d’ingénierie

Une des discussions les plus pointues lors du Symposium portait sur le choix des modèles. La question centrale était de savoir si les modèles de langage étendus, formés sur des données généralistes, constituent une base appropriée pour les applications d’IA propres à l’ingénierie. La réponse qui émerge, confirmée par les professionnels ayant déjà adopté l’IA dans les environnements PLM et R&D, est que ce n’est souvent pas le cas.

Les connaissances en ingénierie sont précises, contextuelles et propres à chaque organisation. Une exigence dans une nomenclature (BOM) en technologies médicales, par exemple, implique des considérations réglementaires qu’un modèle généraliste n’identifiera pas. De même, un ordre de modification dans un système de gestion de configuration aérospatial déclenche une logique d’impact en aval qu’un raisonnement généraliste ne peut retracer de façon fiable. La précision requise dans ces domaines exige une architecture de modèle différente.

C’est ici que les petits modèles de langage spécialisés (SLMs) attirent une attention accrue. Entraînés sur des corpus d’ingénierie sélectionnés et ajustés avec des données produits propres à l’organisation, les SLMs offrent deux avantages opérationnellement essentiels : une précision inégalée par les modèles de grande taille (LLMs) et un coût d’exploitation considérablement réduit à grande échelle.

SLMs : les fondements économiques et stratégiques pour les équipes d’ingénierie

L’argument économique en faveur des SLMs dans les environnements d’ingénierie est simple. Les coûts d’inférence liés à l’utilisation fréquente de grands modèles pour les processus PLM ne sont pas négligeables. Les équipes qui exploitent l’IA sur les données produits, les historiques de changements et la documentation de conformité font face à des volumes importants de requêtes et à des exigences de contexte étendues. Les SLMs, qui fonctionnent avec une fraction de la puissance de calcul, rendent cela financièrement viable à l’échelle de l’entreprise.

L’argument stratégique est tout aussi convaincant. La plupart des organisations d’envergure ont accumulé des décennies de savoir en ingénierie : dans des bibliothèques de conception assistée par ordinateur (DAO), des structures de nomenclatures héritées, des documents de justification de conception, des résultats de simulation et des archives de fournisseurs. Ce savoir institutionnel, à ce jour, reste inacessible à la vitesse des processus d’ingénierie modernes. Les SLMs entraînés sur ces données ne créent pas de nouvelles connaissances. Ils rendent accessible ce qui existe déjà.

Cela redéfinit l’approche d’investissement en IA pour les CTO et leaders en ingénierie. La question ne porte plus principalement sur l’investissement pour l’accès aux modèles avancés, mais sur la valorisation de la propriété intellectuelle existante en tant qu’actif d’entraînement. Les organisations ayant une stratégie numérique mature et des environnements PLM bien structurés ont un réel avantage initial ici.

La leçon stratégique pour les responsables en ingénierie

Le prostep ivip Symposium a permis d’évaluer objectivement la réelle maturité de l’IA en ingénierie : au-delà du cycle médiatique, mais encore loin d’une maturité opérationnelle généralisée. Les organisations en avance considèrent l’adoption de l’IA comme un programme de développement des capacités plutôt que comme une suite de décisions technologiques isolées.

Pour les responsables PLM et R&D, les axes de priorité issus des discussions cette année sont très concrets. Auditer les actifs de données existants pour préparer l’entraînement de SLMs. Identifier deux ou trois catégories de flux de travail – telles que l’analyse d’impact des changements, la traçabilité de conformité et la recherche de connaissances – où l’IA spécialisée apportera le plus grand gain de productivité. Mettre en place la gouvernance préalable avant le passage à l’échelle.

Le Symposium aura clarifié avant tout une chose : les organisations d’ingénierie en tête ne se demandent pas si l’IA doit intégrer leurs processus. Elles se concentrent sur le choix de l’architecture de modèle, la solidité des fondations de données et la préparation de l’organisation. C’est là que se joue le véritable travail et que se creuse la distance concurrentielle.