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

L’IA transforme les environnements IT

L’intelligence artificielle est désormais au cœur des discussions dans toutes les organisations d’ingénierie et de fabrication. Pourtant, lorsque l’on parle d’IA dans la gestion du cycle de vie des produits (PLM), il est important de distinguer ce qui se passe aujourd’hui de ce qui est réellement possible.

Une grande partie des échanges autour de l’IA se concentre sur les modèles, les outils ou les interfaces conversationnelles. Mais dans un environnement PLM, l’opportunité la plus importante réside dans l’intelligence du cycle de vie. L’IA en PLM commence aujourd’hui souvent par une amélioration de la recherche.

Récemment, j’ai eu l’occasion d’aborder ces sujets lors du panel d’experts « AI Is Transforming IT Landscapes – Quo Vadis? » organisé par UNITY. La discussion a réuni des perspectives issues de l’industrie et du monde académique, notamment Robert Lokner de Microsoft, Benedikt Müller de l’Université de Stuttgart, ainsi que moi-même. Animée par Dirk Zint et Johannes Sommer, la session a exploré comment l’IA pourrait remodeler les environnements IT d’entreprise complexes, en particulier les environnements PLM.

Où en est l’IA dans le PLM aujourd’hui

Aujourd’hui, la plupart des environnements PLM commencent leur parcours avec l’IA par des interfaces conversationnelles. Les ingénieurs et les équipes produit peuvent interroger les données du cycle de vie en langage naturel plutôt que de naviguer dans des structures système complexes.

Même si cela peut sembler incrémental, la valeur est significative. Lorsque les ingénieurs peuvent accéder rapidement aux informations produit réparties entre modèles, documents et enregistrements du cycle de vie, ils passent moins de temps à chercher et davantage à prendre des décisions.

Cette capacité ne constitue que la première étape vers une intelligence du cycle de vie plus approfondie.

Comment l’IA extrait des insights du digital thread tout au long du cycle de vie produit

Le PLM relie l’ensemble du cycle de vie produit, depuis les exigences et la conception jusqu’à la fabrication, le service et la fin de vie. Tout au long de ce cycle, les organisations génèrent d’énormes volumes de données, notamment des exigences, des modèles CAO, des nomenclatures, des enregistrements de modifications, des documents de conformité et des données de service.

L’IA peut analyser ces informations connectées pour révéler des schémas et des relations auparavant difficiles à détecter.

Par exemple, l’IA pourrait :

  • Identifier plus tôt les risques liés à la chaîne d’approvisionnement dans le processus de conception
  • Détecter des opportunités de modularisation des architectures produit
  • Analyser les données du cycle de vie pour soutenir des stratégies de conception circulaire
  • Mettre en évidence des insights entre ingénierie, fabrication et service

Ces capacités aident les équipes d’ingénierie à comprendre plus rapidement les relations du cycle de vie et à prendre des décisions mieux informées.

Lors de la discussion, Robert Lokner a souligné que la prochaine phase d’adoption de l’IA pourrait également transformer la manière dont les systèmes d’entreprise interagissent entre eux. Plutôt que de s’appuyer uniquement sur des intégrations traditionnelles entre PLM, ERP et autres outils d’ingénierie, de nouvelles approches reposant sur des agents IA et des protocoles partagés pourraient permettre aux systèmes d’échanger des informations de manière plus dynamique. Dans ce modèle, l’IA aide à interpréter le contexte et l’intention à travers plusieurs systèmes, permettant aux équipes d’interroger et d’analyser des données produit distribuées sans nécessiter une intégration étroite préalable de chaque application.

L’IA et l’avenir du développement des applications PLM

Une autre opportunité émergente concerne la manière dont l’IA pourrait transformer la création d’applications PLM.

Traditionnellement, étendre une plateforme PLM nécessite une expertise technique spécialisée et des efforts de développement importants. La configuration des workflows, des modèles de données ou des processus de cycle de vie implique souvent des cycles de mise en œuvre longs.

L’IA pourrait simplifier ce processus. Les ingénieurs ou les administrateurs PLM pourraient à terme décrire leurs besoins en langage naturel et collaborer avec la plateforme elle-même pour générer des workflows, des applications ou des configurations de cycle de vie.

Cette approche permettrait aux organisations de faire évoluer leur environnement PLM plus rapidement et d’adapter les processus du cycle de vie à mesure que les besoins métier évoluent.

La gouvernance des données et l’interopérabilité restent essentielles

Si l’IA ouvre de nouvelles perspectives, elle met également en évidence des défis fondamentaux.

L’une des priorités les plus critiques est la gouvernance des données. Dans le PLM, les organisations ne gèrent pas simplement des fichiers, elles construisent et maintiennent le cœur de leur connaissance produit, incluant les conceptions, les décisions, les discussions et les relations qui les relient. Cette intelligence collective représente une part essentielle de la propriété intellectuelle de l’entreprise. La protéger signifie garantir que les données d’ingénierie et les environnements collaboratifs sont non seulement sécurisés, mais aussi rigoureusement gouvernés, contrôlés et fiables tout au long de leur cycle de vie.

Toutes les données produit ne doivent pas être traitées de la même manière. Une étape clé pour faire évoluer l’IA consiste à classifier et gérer les données selon leur niveau de sensibilité. Trois catégories principales offrent un cadre utile :

  1. Les données non restreintes incluent les informations publiques ou ne révélant pas de détails sensibles sur les produits. Cela peut inclure des spécifications produit publiques, des supports marketing et des normes industrielles courantes.
  2. Les données sensibles incluent des informations accessibles uniquement à des personnes ou entités disposant de droits spécifiques. L’accès aux nouvelles spécifications et conceptions produit doit être limité à un cercle restreint. L’IA générative ne doit jamais devenir un moyen détourné d’accéder à ces informations. Toutefois, les personnes autorisées ne doivent pas être empêchées de tirer pleinement parti de l’IA.
  3. Les données confidentielles incluent des informations hautement sensibles, telles que des secrets industriels, des conceptions propriétaires, des documents classifiés ou des processus de fabrication uniques. Ces données doivent être strictement protégées et accessibles aux modèles d’IA uniquement dans des conditions étroitement contrôlées.

En reliant ce schéma de classification à des contrôles d’accès dynamiques basés sur les rôles, les organisations réduisent le risque d’exposition involontaire, que ce soit via un chatbot, un assistant interne ou un modèle d’IA générative, tout en garantissant que l’IA n’utilise que les données appropriées.

Un autre défi est l’interopérabilité. Les organisations d’ingénierie s’appuient sur des écosystèmes composés de PLM, ERP, outils de simulation, systèmes de fabrication et applications d’ingénierie spécialisées. Pour que l’IA apporte une réelle valeur, elle doit fonctionner à travers ces systèmes plutôt que dans des outils isolés.

C’est pourquoi le digital thread reste si essentiel. L’IA devient la plus puissante lorsqu’elle peut accéder et interpréter les données du cycle de vie issues du digital thread à travers l’ensemble de l’écosystème d’ingénierie.

Utiliser l’IA pour réduire la complexité produit et les variantes

La complexité produit continue d’augmenter dans de nombreux secteurs. Avec le temps, les variantes s’accumulent, les structures produit se développent et les équipes d’ingénierie passent davantage de temps à gérer cette complexité.

Grâce à l’accès aux données du cycle de vie connectées par le digital thread, l’IA peut analyser les portefeuilles produits et identifier des schémas dans les structures et configurations produit.

Benedikt Müller a apporté une perspective complémentaire issue du monde de la recherche. Dans ses travaux sur les processus de développement produit en amont, il souligne que l’impact le plus immédiat de l’IA pourrait être d’améliorer la visibilité à travers des informations d’ingénierie fragmentées. En analysant les données provenant de multiples systèmes et étapes du cycle de vie, l’IA peut révéler des relations que les ingénieurs pourraient autrement manquer. Il insiste également sur le fait que les organisations doivent investir du temps pour adapter les systèmes d’IA à leurs processus et structures de données spécifiques afin de tirer pleinement parti de ces bénéfices.

Par exemple, l’IA peut :

  • Identifier des variantes à faible valeur ajoutée
  • Mettre en évidence des composants à modulariser
  • Révéler des schémas de conception favorisant la durabilité ou la recyclabilité

Ces insights permettent aux organisations de prendre des décisions plus éclairées concernant l’architecture produit et la stratégie de cycle de vie, tout en réduisant la complexité inutile.

L’avenir de l’IA dans le PLM

À l’avenir, l’IA deviendra probablement une composante naturelle de la manière dont les ingénieurs interagissent avec les données du cycle de vie. Les environnements numériques pourraient commencer à proposer des insights de manière proactive, à signaler des risques ou à recommander des améliorations de conception avant même que les ingénieurs ne posent la question.

Lors de la discussion, Robert Lokner a également souligné un point clé concernant la valeur concurrentielle à long terme de l’IA. Bien que les modèles d’IA fondamentaux deviennent de plus en plus accessibles, le véritable avantage pour de nombreuses organisations réside dans la connaissance industrielle intégrée dans leurs propres données d’ingénierie et produit. Une grande partie de l’expertise la plus précieuse au monde se trouve au sein des entreprises sous forme de données de conception, d’exploitation et de cycle de vie. Lorsque ces connaissances sont connectées à travers les systèmes et exploitées efficacement avec l’IA, elles permettent de générer des insights difficiles à reproduire par les concurrents.

Les organisations qui combinent capacités d’IA, digital thread robuste, données de cycle de vie de haute qualité et gouvernance rigoureuse seront les mieux positionnées pour réussir. Lorsque l’IA peut analyser les informations produit connectées issues du digital thread, il devient possible de générer des insights plus fiables tout au long du cycle de vie.

Lorsque ces éléments se rejoignent, l’IA devient plus qu’un outil. Elle devient un catalyseur d’un cycle de vie produit plus intelligent.

Avant de partir…Vous souhaitez voir comment l’IA peut être appliquée concrètement à des données d’ingénierie complexes ? Lors de la Hannover Messe (20–24 avril), Aras présentera un agent BOM de variantes basé sur l’IA qui analyse les structures de produit, identifie les opportunités de réutilisation et soutient des décisions d’ingénierie plus éclairées. En savoir plus ici.

FAQ : IA et PLM

Comment l’IA améliore-t-elle la gestion du cycle de vie des produits ?
L’IA analyse les données du cycle de vie issues du digital thread afin d’identifier des insights, d’automatiser des processus et de soutenir les décisions d’ingénierie.

L’IA peut-elle réduire la complexité des variantes produit ?
Oui. L’IA peut analyser les portefeuilles produits pour identifier des schémas, mettre en évidence des variantes inutiles et soutenir des stratégies de modularisation.

Quels sont les défis liés à la mise en œuvre de l’IA dans le PLM ?
Les principaux défis incluent la gouvernance des données, la protection de la propriété intellectuelle et l’intégration de l’IA à travers plusieurs systèmes d’entreprise.