@Work
Dossier été 2026 : L’IA réinvente la conception industrielle
Par Alain Clapaud, publié le 03 septembre 2026
À l’heure où le cycle de vie des produits est de plus en plus court, qu’il faut créer et commercialiser le plus rapidement possible, le numérique joue un rôle pivot et l’IA celui d’accélérateur. L’IA générative peut aider l’ingénieur à concevoir plus vite, mais elle peut aussi énormément accélérer les phases de simulation et de test.
SOMMAIRE DU DOSSIER :
L’ENTREPRISE AU(X) TEMPS DE L’IA
Le besoin d’accélération de l’industrie est particulièrement criant dans le secteur automobile. Alors qu’il fallait une moyenne de quatre à six ans pour concevoir, développer, tester et industrialiser un nouveau modèle, Renault est parvenu à réduire ce délai à 21 mois pour sa nouvelle Twingo électrique. Le numérique est le principal levier de cette accélération et l’IA, dont l’IA générative, a un rôle clé à jouer dans cette évolution.
L’IA se substitue à la simulation pure
Ces dernières décennies, la simulation numérique est venue révolutionner la conception des produits industriels. Plus besoin de plier de multiples prototypes pour s’assurer qu’une voiture va passer les crash-tests, plus besoin d’attendre la présérie pour s’assurer qu’un smartphone ne dépassera pas les doses d’émission maximale. La simulation, qu’elle soit CFD pour la mécanique des fluides, mécanique, thermique ou électromagnétique, permet de franchir ces étapes de manière virtuelle. Néanmoins, simuler un crash ou l’écoulement du vent entre les tours d’un quartier d’affaires demande beaucoup de puissance de calcul, un supercalculateur dans certains cas, ce qui induit coûts et délais.
Or l’IA, en particulier le machine learning, permet aujourd’hui d’approcher ces résultats de simulation de manière instantanée. « Cela va changer la vie des ingénieurs », s’exclamait Pascal Daloz, le nouveau PDG de Dassault Systèmes lors d’un récent événement client. « Vous définissez les spécifications, vous gérez vos simulations et l’outil explore automatiquement l’espace de toutes les possibilités et trouve les solutions les plus optimales. »
Partenaire de l’éditeur français, Jensen Huang, CEO de Nvidia, complète cette vision : « L’intelligence artificielle peut apprendre à prédire la physique et à anticiper très précisément comment les matériaux s’écrasent dans un crash. »
Nvidia pousse en particulier sa technologie PhysicsNeMo, un système de simulation de modèles AI : « Il nous permet de créer ces modèles AI, entraînés par des simulateurs principaux et basés sur les lois de la physique, mais qui peuvent prédire 10 000 fois plus rapidement. »
Jensen Huang
CEO de Nvidia
« Dans le futur, nous n’utiliserons pas seulement les simulations basées sur les équations et les lois de la physique qui demandent beaucoup trop de calcul. »
Outre cette aptitude à aider les ingénieurs à concevoir des produits plus efficients, les algorithmes ont aussi la capacité de faire des propositions pour optimiser le design en fonction des contraintes fixées. L’éditeur PTC a ainsi intégré l’IA à son outil de conception Creo. Le logiciel peut calculer pour l’utilisateur la topologie optimale de sa pièce en fonction du matériau qu’il a choisi et des contraintes de résistance imposées, et générer la pièce en fonction du processus de fabrication envisagé, qu’il s’agisse d’impression 3D ou de fraisage 5 axes. « L’utilisateur converse avec le logiciel en langage naturel et l’IA va reformuler sa requête sous forme de script qui va s’exécuter en tâche de fond, explique Laurent Germain, ingénieur d’application chez l’éditeur : Il peut demander à l’IA de faire varier la hauteur de sa pièce en préservant la surface, par exemple. Il peut formuler des requêtes très complexes en lui demandant de choisir les matériaux, de mener des tests de résistance, de lancer des simulations ou même de faire des recommandations par rapport à sa base de connaissances. »
Laurent Germain
Ingénieur d’application chez PTC
« Nous travaillons sur trois types d’IA. D’abord, celles qui conseillent l’utilisateur, lui expliquant comment utiliser telle ou telle fonction du logiciel. Il y a ensuite les IA d’assistance qui réalisent une tâche pour son compte, et enfin celles qui automatisent en procédant à l’agentification des process. Lorsqu’une demande d’évolution est émise, ces agents vont mener différentes actions, comme comprendre la demande, parcourir les nomenclatures et réaliser une étude d’impact sur les pièces à remplacer. Un agent peut même interroger l’ERP pour calculer l’impact en termes de coût de la modification et anticiper sur les niveaux de stock des composants. Au final, l’utilisateur peut valider ou rejeter la proposition. »
Des copilotes très spécialisés
L’ingénierie a elle aussi cédé à la mode des copilotes, mais à la différence des agents orientés bureautique, habitués à travailler sur du texte, ceux-ci doivent manipuler des données d’ingénierie et exploiter le jumeau virtuel du produit pour répondre aux questions des ingénieurs.
Dassault Systèmes a fait le choix de proposer trois copilotes, des « compagnons virtuels » baptisés Aura, Leo et Marie, des agents avec des compétences business, d’ingénierie et scientifique. « Je peux demander à ces compagnons quelles sont les meilleures pratiques en matière de soudure, mais aussi quelles sont les améliorations incrémentales réalisées dans ce domaine dans ma propre entreprise », détaille Morgan Zimmermann, CEO de 3DExperience chez Dassault Systèmes. « Ces assistants vont aider l’ingénieur à utiliser notre logiciel Catia, et comme ils comprennent les données présentes dans le jumeau virtuel, ils vont pouvoir se livrer à des optimisations pour son compte. Par exemple, l’agent peut réaliser une optimisation topologique sur le point de soudure de ma pièce. Ces compagnons ne sont donc pas seulement capables de révéler une connaissance. »
Jean-Yves Delannoy
Directeur scientifique digital R&D d’Arkema
« L’IA générative est aujourd’hui utilisée par 99,9 % des personnes pour produire du texte. Mais la véritable question est : comment appliquer cette technologie à des problèmes concrets capables de transformer réellement l’innovation ? En collaboration avec IBM, nous pouvons désormais appliquer l’IA générative à des molécules. Cette approche est cinq fois plus performante qu’une approche standard, et nous sommes convaincus qu’il s’agit de la voie à suivre pour créer de nouvelles molécules, de nouveaux produits et de nouveaux matériaux pour nos partenaires et nos clients. La prochaine étape consistera à proposer à ces derniers d’exprimer un besoin de propriétés, pour que l’IA générative nous aiguille vers les expériences à réaliser pour les atteindre. »
L’approche paraît extrêmement séduisante, mais Richard Frontera, Catia solution architect chez XD Innovation, estime que l’IA ne va pas véritablement apporter de valeur ajoutée dans le travail des concepteurs, mais va essentiellement réduire les coûts : « L’IA n’est que logique : elle est pertinente sur tout ce qui est basé sur la logique et la répétitivité, mais pour tout le reste, elle ne fera qu’alourdir les process. L’intérêt d’un outil tel que Catia est de mettre de l’intelligence, de la sémantique dans les modèles 3D. Cela permet ensuite à l’IA de bien connaître les produits et, au final, d’obtenir énormément de gains de productivité et de réduire de manière significative les coûts liés à la conception. »
Pour que les agents tiennent leurs promesses, les industriels devront implémenter cette logique et cette sémantique dans leurs modèles. « Beaucoup des dinosaures de l’industrie n’ont pas adopté cette méthodologie et n’ont pas fait cet effort. Pour eux, l’IA ne résoudra pas leurs problèmes », conclut Richard Frontera.
SOMMAIRE DU DOSSIER :
L’ENTREPRISE AU(X) TEMPS DE L’IA
À LIRE AUSSI :
À LIRE AUSSI :
