Les agents d’IA ont besoin de plus qu’un simple accès aux données d’ingénierie

Le contenu de cette page a été traduit automatiquement par un service tiers.

La conversation évolue

Une grande partie des discussions autour des agents d’IA porte encore sur les capacités des modèles eux-mêmes. Sont-ils suffisamment précis ? Peuvent-ils raisonner efficacement ? Finiront-ils par fonctionner avec une supervision humaine minimale ?

Ces questions sont importantes, mais une autre devient de plus en plus déterminante : avec quelles informations ces agents travaillent-ils ?

Dans le domaine de l’ingénierie, les agents d’IA fonctionnent rarement de manière isolée. On attend d’eux qu’ils récupèrent des exigences, interprètent des structures produit, comparent des révisions, résument des modifications techniques, recommandent des actions et, de plus en plus, coordonnent des activités entre les systèmes de PLM, de simulation, de fabrication, de qualité et de service. Leur valeur dépend de bien plus que de la sophistication du modèle sous-jacent. Elle dépend de leur capacité à comprendre les connaissances d’ingénierie qui se cachent derrière les données qu’ils récupèrent.

Cette distinction est importante.

Les informations d’ingénierie ont une signification qui va bien au-delà du document ou de l’enregistrement lui-même. Une exigence peut être encore en cours de révision. Une conception peut exister dans plusieurs configurations. Un processus de fabrication peut ne s’appliquer qu’à une variante de produit spécifique. Deux révisions d’une même pièce peuvent correspondre à des étapes de développement très différentes.

Sans ce contexte, un agent d’IA peut produire une réponse qui semble convaincante tout en passant à côté des détails qui déterminent si cette réponse est réellement correcte.

À mesure que les organisations commencent à déployer des agents d’IA dans les environnements d’ingénierie, la conversation évolue des performances du modèle vers la qualité des connaissances. La question est de moins en moins de savoir si un agent peut récupérer des informations, mais plutôt si l’organisation a créé un environnement dans lequel ces informations peuvent être interprétées correctement.

Les connaissances d’ingénierie vont au-delà des données

La plupart des organisations gèrent déjà d’énormes volumes d’informations d’ingénierie. Modèles CAO, exigences, résultats de simulation, nomenclatures, artefacts logiciels, plans de fabrication, dossiers qualité, documentation des fournisseurs et données de service contribuent tous à la définition complète du produit.

Le défi ne consiste pas simplement à réunir ces différentes sources.

Chaque élément d’information entretient des relations qui lui donnent son sens. Les ingénieurs doivent savoir quelle exigence a motivé une décision de conception, quelle révision a été approuvée pour la production, quel test a validé une modification et quel processus de fabrication s’applique à une configuration spécifique. Ces relations permettent aux équipes de comprendre ce qui a changé, pourquoi et quelles seront les conséquences en aval.

Cela devient encore plus important avec l’IA.

Prenons une simple modification technique. Un agent peut rapidement trouver le dernier modèle CAO et identifier l’exigence associée. À première vue, tout semble complet. Mais que se passe-t-il si l’exigence n’a pas encore été approuvée ? Si la fabrication utilise toujours la révision précédente ? Si la qualification d’un fournisseur est encore en attente ou si une mise à jour logicielle associée n’a pas encore été publiée ?

L’agent n’a pas échoué parce qu’il a mal compris le langage. Il a échoué parce qu’il lui manquait le contexte d’ingénierie nécessaire pour évaluer les informations trouvées.

C’est l’une des raisons pour lesquelles la gouvernance de l’IA est devenue un sujet si important dans les discussions en entreprise. Des recherches récentes de McKinsey soulignent que les organisations qui déploient l’IA agentique à grande échelle ont besoin de bien plus que de données de qualité. Elles ont besoin de définitions cohérentes, de responsabilités clairement établies, d’un accès contrôlé et de la capacité à retracer la manière dont les informations sont créées et utilisées dans toute l’entreprise. Gartner est parvenu à une conclusion similaire, avertissant que de nombreuses organisations auront du mal à opérationnaliser des agents autonomes, car les faiblesses de gouvernance ne deviennent souvent visibles qu’après le déploiement.

Les organisations d’ingénierie sont confrontées à ces difficultés plus tôt que la plupart des autres, car leurs informations sont fortement interconnectées et évoluent en permanence.

La gouvernance donne du sens aux connaissances d’ingénierie

La gouvernance est souvent associée aux politiques de sécurité ou à la conformité réglementaire. Ces responsabilités restent importantes, mais elles ne représentent qu’une partie du sujet.

Pour les organisations d’ingénierie, la gouvernance établit également le contexte qui permet de faire confiance aux informations.

Elle définit quels systèmes font autorité, qui peut modifier les informations, comment les révisions sont gérées, dans quel état du cycle de vie se trouve un objet et comment les décisions restent connectées à mesure que les produits évoluent. Elle préserve les relations entre les exigences, les conceptions, les processus de fabrication, les dossiers qualité, les logiciels et les informations de service afin que les modifications puissent être comprises tout au long du cycle de vie du produit.

Sans cette structure, les agents d’IA héritent des mêmes incertitudes auxquelles les ingénieurs sont déjà confrontés lorsque les informations se fragmentent entre des systèmes déconnectés.

C’est pourquoi le simple fait de donner à un agent d’IA accès à davantage de données améliore rarement le résultat. L’accès seul n’indique pas si les informations sont à jour, approuvées, complètes ou applicables à une configuration produit particulière. Ces distinctions proviennent de la gouvernance.

À mesure que les agents d’IA vont au-delà de la simple réponse aux questions pour commencer à recommander des actions ou à automatiser certaines parties des workflows d’ingénierie, ces distinctions deviennent de plus en plus importantes. Un agent qui récupère des informations incomplètes ou obsolètes peut tout de même produire une réponse fluide, mais avoir confiance dans la réponse n’est pas la même chose qu’avoir confiance dans la décision d’ingénierie.

Pourquoi la continuité numérique devient le socle

C’est ici que la continuité numérique devient plus qu’une simple stratégie d’intégration.

Depuis des années, les fabricants investissent dans la connexion des systèmes d’ingénierie afin de faciliter la circulation des informations entre les équipes. Ces efforts restent importants, mais les agents d’IA placent la barre plus haut. Ils ne se contentent pas de récupérer des informations dans plusieurs systèmes. On attend d’eux qu’ils comprennent comment ces informations se rapportent au produit et qu’ils les utilisent pour appuyer les décisions.

Cela exige plus que de la connectivité.

Une continuité numérique préserve les relations entre les exigences, la conception, la simulation, la fabrication, la qualité, les logiciels et le service tout au long du cycle de vie du produit. Ces relations fournissent le contexte qui indique à un agent d’IA comment les informations s’articulent, si elles sont fiables et quelles conséquences une décision pourrait avoir en aval.

Imaginez un agent chargé d’évaluer si une modification technique est prête pour la fabrication.

Trouver le dernier modèle CAO n’est qu’une partie de la tâche. L’agent doit également déterminer si les exigences associées ont été approuvées, si les activités de vérification sont terminées, si le plan de processus de fabrication a été mis à jour, si les modifications concernant les fournisseurs ont été intégrées et si la documentation qualité correspond à la révision actuelle.

Aucune de ces questions ne peut être résolue en examinant un seul objet.

La valeur vient de la compréhension des relations entre ces éléments.

C’est pourquoi les connaissances d’ingénierie connectées deviennent aussi importantes que les systèmes connectés. Des informations qui ont perdu leurs relations, leur état dans le cycle de vie ou leur traçabilité peuvent rester accessibles, mais elles ne sont plus suffisamment complètes pour permettre des décisions fiables.

Les organisations décrivent souvent l’IA comme une technologie qui nécessite davantage de données. En pratique, les organisations d’ingénierie ont besoin de quelque chose de plus précis : des connaissances connectées et gouvernées qui préservent le contexte entourant chaque décision d’ingénierie.

L’IA reflète la qualité de l’environnement d’ingénierie

Il existe une idée répandue selon laquelle de meilleurs modèles d’IA finiront par compenser la mauvaise qualité des informations.

C’est peu probable.

Les grands modèles de langage continuent de progresser, mais ils ne peuvent raisonner qu’à partir des informations auxquelles ils ont accès. Si les connaissances d’ingénierie sont incohérentes, incomplètes ou déconnectées, le modèle ne dispose d’aucun moyen fiable pour reconstituer le contexte manquant. Il peut identifier des tendances, mais il ne peut pas déterminer quelle révision fait autorité, si une modification a été approuvée ou quelle configuration s’applique à un client particulier, à moins que ces informations ne soient clairement représentées.

À bien des égards, l’IA agit comme un miroir.

Les organisations qui disposent de connaissances d’ingénierie bien gouvernées constatent souvent que les agents fournissent plus rapidement des résultats utiles, car les informations sous-jacentes sont déjà structurées et connectées. Celles dont les informations sont fragmentées découvrent généralement des problèmes avec lesquels elles vivent depuis des années. Les enregistrements en double, les définitions incohérentes, l’absence de traçabilité, les processus de modification déconnectés et le manque de clarté sur les responsabilités deviennent visibles dès qu’un agent d’IA commence à travailler dans plusieurs systèmes.

C’est l’une des raisons pour lesquelles la gouvernance occupe désormais une place centrale dans les discussions sur l’IA en entreprise. À mesure que les agents assument davantage de responsabilités, les organisations doivent avoir confiance non seulement dans le modèle, mais aussi dans les connaissances qui étayent ses recommandations.

Pour les responsables de l’ingénierie, cela fait évoluer la conversation de « Pouvons-nous déployer des agents d’IA ? » vers « Nos systèmes d’ingénierie sont-ils prêts pour les agents d’IA ? »

Ce sont deux questions très différentes.

Pourquoi la gouvernance des agents commence par celle des connaissances

À mesure que les agents d’IA gagnent en capacités, les organisations accordent une attention croissante à la gouvernance. Une grande partie de cette discussion porte sur le contrôle de ce que les agents sont autorisés à faire. Peuvent-ils récupérer des informations ? Recommander des actions ? Déclencher des workflows ? Modifier des données ?

Ces questions sont importantes, mais elles ne fournissent qu’une partie de la réponse.

Avant de définir ce qu’un agent est autorisé à faire, les organisations doivent déterminer ce qu’il est autorisé à savoir.

Un agent d’IA doit pouvoir faire la distinction entre des informations de travail et des informations publiées. Il doit reconnaître qu’une exigence en attente d’approbation n’a pas la même autorité qu’une exigence intégrée à une référence de base. Il doit comprendre qu’une modification technique peut affecter plusieurs processus en aval, même si ces impacts sont enregistrés dans des systèmes différents.

Ces capacités ne proviennent pas du modèle lui-même. Elles découlent de la manière dont les connaissances d’ingénierie sont gouvernées.

C’est l’une des raisons pour lesquelles les initiatives de continuité numérique prennent de plus en plus d’importance à l’ère de l’IA. Un cycle de vie connecté offre bien plus qu’une visibilité entre les disciplines d’ingénierie. Il donne aux agents d’IA accès aux relations qui expliquent comment les informations doivent être interprétées et comment les décisions se répercutent sur l’ensemble du cycle de vie du produit.

Sans ces relations, un agent peut récupérer les bonnes informations mais les appliquer dans le mauvais contexte.

Préparer les organisations d’ingénierie à l’IA agentique

La plupart des fabricants en sont encore aux premières étapes de l’adoption des agents d’IA. Beaucoup expérimentent la synthèse de documents, les assistants d’ingénierie ou la recherche intelligente avant de passer à des moteurs de recommandation ou à des workflows plus autonomes.

Cette progression est à la fois pragmatique et logique.

À mesure que les organisations confient davantage de responsabilités aux agents d’IA, la confiance dans les connaissances d’ingénierie sous-jacentes devient de plus en plus importante. Avant de se demander si un agent peut automatiser un processus, les responsables doivent d’abord déterminer si les informations d’ingénierie qui soutiennent ce processus sont prêtes.

Quelques questions peuvent aider à structurer cette réflexion :

• Existe-t-il une source de référence clairement établie pour les informations d’ingénierie ?
• Les exigences, les conceptions, les plans de fabrication, les logiciels et les dossiers qualité peuvent-ils être retracés tout au long du cycle de vie du produit ?
• Les états du cycle de vie, les révisions, les approbations et les configurations sont-ils représentés de manière cohérente dans les différents systèmes ?
• Un agent d’IA peut-il faire la distinction entre les informations qu’il doit observer, celles sur lesquelles il peut fonder des recommandations et les actions qu’il est autorisé à effectuer ?

Ce sont des questions de gouvernance, mais aussi des questions de préparation.

Les organisations qui les abordent suffisamment tôt auront beaucoup plus de facilité à élargir progressivement le rôle de l’IA. Celles qui les repoussent pourront tout de même réaliser des démonstrations impressionnantes, mais le déploiement de l’IA à grande échelle dans l’ingénierie deviendra bien plus difficile lorsque chaque nouveau cas d’usage révélera des lacunes en matière de qualité des données, de responsabilités ou de contexte du cycle de vie.

Les agents d’IA ne remplacent pas les pratiques d’ingénierie rigoureuses. Ils les rendent encore plus précieuses.

Les connaissances d’ingénierie constituent le véritable avantage

Les discussions autour de l’IA continueront d’évoluer. Les modèles gagneront en capacités. Les agents prendront en charge des tâches de plus en plus sophistiquées. Les organisations trouveront de nouvelles façons d’automatiser les tâches répétitives et d’appuyer les décisions d’ingénierie.

Ce qui est moins susceptible de changer, c’est l’importance des connaissances d’ingénierie elles-mêmes.

Les organisations qui tireront le plus de valeur de l’IA ne seront pas nécessairement celles qui auront accès aux modèles les plus récents. Ce seront celles qui auront investi dans des informations d’ingénierie fiables, des processus de cycle de vie connectés et une gouvernance qui préserve le contexte à travers la continuité numérique.

C’est ce qui permettra, à terme, aux agents d’IA de dépasser le stade des démonstrations et de devenir des acteurs fiables du travail d’ingénierie.

La prochaine étape de l’adoption de l’IA sera définie par des environnements dans lesquels ces agents pourront comprendre les informations qu’ils utilisent, expliquer comment ils parviennent à une recommandation et fonctionner dans le même contexte de cycle de vie que celui sur lequel les ingénieurs s’appuient chaque jour.

Pour les responsables de l’ingénierie, la priorité est donc claire. Avant de se demander jusqu’où doit aller l’autonomie d’un agent d’IA, il faut déterminer si les connaissances d’ingénierie qui le soutiennent sont complètes, connectées et gouvernées.

Lorsque ce socle est en place, l’IA devient bien plus qu’un simple outil de productivité. Elle devient une extension concrète de l’organisation d’ingénierie elle-même.