Dans un rapport de plus de 80 pages, le think tank des Arts et Métiers explore l'impact de l'intelligence artificielle générative sur les métiers d'ingénieur. Entre optimisation des processus et jumeaux numériques, cette étude trace la voie d'une industrie mécanique plus performante et résolument durable.

Avec l’arrivée et la généralisation progressive de l’intelligence artificielle, l’industrie mécanique se trouve aujourd’hui à la confluence d’une révolution technologique majeure. Un phénomène que le think tank des Arts et Métiers a disséqué dans une étude complète intitulée « Comment l’IA révolutionne les métiers d’ingénieur : l’essor de l’ingénierie générative ». Loin de n’être qu’une simple étude prospective, ce document constitue une véritable feuille de route opérationnelle pour l’investissement et la restructuration des processus productifs dans un monde où l’IA ne se contente plus d’assister l’humain, mais devient un partenaire de conception capable de naviguer dans la complexité multidimensionnelle de la physique et des matériaux. 

De l’intelligence artificielle prédictive à la puissance générative

À vrai dire, le domaine de l’IA n’est pas nouveau pour les professionnels de la mécanique : les systèmes experts et les algorithmes d’optimisation de trajectoires outils font partie du paysage industriel depuis plusieurs décennies maintenant. Cependant, l’accélération récente, portée par l’émergence de l’IA générative, a radicalement modifié la nature de l’interaction entre l’ingénieur et sa machine.

Concrètement, l’IA classique (dite IA prédictive) se contentait d’établir une relation entre une entrée et une sortie, par exemple pour prédire l’usure d’une plaquette de coupe à partir de la température de broche. L’IA générative, quant à elle, va plus loin, en cherchant à comprendre l’essence même d’un système pour générer de nouvelles réalités. Pour prendre un autre exemple, l’IA générative ne se contente pas de fabriquer une nouvelle table plus vite : elle s’interroge sur la structure même du meuble pour répondre à des contraintes de poids et de résistance que l’esprit humain n’aurait peut-être pas envisagées. 

Mais alors comment ça marche ? Pour bien comprendre l’ingénierie générative, il est important d’avoir en tête deux concepts mathématiques qui sous-tendent ces modèles : l’espace latent et les embeddings :

• L’espace latent, ça désigne un paysage invisible et multidimensionnel, où chaque point représente une idée ou une caractéristique unique d’un objet technique (sa fiche technique en langage IA en quelque sorte).
• Les embeddings, ce sont les représentations numériques compactes que l’IA utilise pour manipuler ces différents points et effectuer ses actions.

Pour être plus clair, prenons l’exemple d’un usinage où l’on souhaiterait concevoir un porte-outil, à la fois léger et capable de dissiper les vibrations thermiques. Ici, les embeddings permettent à l’IA de localiser les différents attributs compilés dans l’espace latent pour en faire des coordonnées précises. Elle peut alors interpoler entre ces coordonnées pour générer un design qui répond pleinement aux critères souhaités. Ce processus a notamment été utilisé par Airbus, avec son projet de cloison bionique. L’IA avait alors proposé des formes inspirées des structures osseuses humaines, optimisées pour l’aéronautique et impossibles à concevoir par des méthodes de CAO traditionnelles.

Le débridage des capacités d’optimisation

Grâce à ses capacités élargies, l’IA générative permet alors d’envisager des usages qui étaient jusque là confinés à l’impossible. Ces usages, l’étude des Arts et Métiers les a segmentés dans trois parties distinctes. La première, nommée « Quand l’IA générative débride les capacités d’optimisation » dresse ainsi le portrait d’une réalité où l’optimisation en ingénierie mécanique sera plus que jamais simplifiée. Si l’optimisation a longtemps été un jeu de compromis fragiles entre coût, performance, durabilité et délais d’études, l’IA générative change la donne, en permettant de simuler l’ensemble des contraintes et des chemins critiques, grâce à l’exploration de millions de scénarios différents, étudiés simultanément.

Dans l’ingénierie urbaine et les télécommunications, cette puissance est déjà visible. Le déploiement de la 5G par exemple, essentiel pour l’usine 4.0, nécessite un ajustement constant de la bande passante pour éviter les congestions. Grâce à l’IA générative, la bande passante est allouée de manière dynamique, permettant ainsi une précision de prévision de 95 % et une réduction de 50 % du gaspillage de ressources. Pour l’industrie mécanique, cette tendance se manifeste par des logiciels capables d’établir des trajectoires outils optimisées pour éviter les défauts dimensionnels et esthétiques, tout en prolongeant la durée de vie des broches (voir un exemple avec cette vidéo du Cetim).

L’IA générative promet également de grandement réduire les pannes. Le groupe Bosch Rexroth, par exemple, l’utilise pour équiper ses machines-outils avec des capteurs intelligents. L’analyse des données via des modèles prédictifs a ainsi permis de réduire de 25 % les temps d’arrêts imprévus dans leurs usines automobiles. Parce que le système n’attend plus la panne : il anticipe l’impact potentiel d’une multitude de paramètres indépendants, et ajuste les trajectoires de manière proactive.

Des jumeaux numériques intelligents

La deuxième partie du rapport est quant à elle intitulée « Quand les jumeaux numériques transforment les industries ». Car si l’ingénierie a longtemps reposé sur des prototypes physiques pour valider une conception, les jumeaux numériques, épaulés par l’IA générative, inaugurent un nouveau chapitre. Bien plus que de simples maquettes 3D, ils s’animent et apprennent en temps réel, comblant le fossé entre la simulation et la réalité tangible. Dès lors, un jumeau numérique optimisé par l’IA ne donne plus simplement une photographie statique d’un état : il s’auto-actualise, détecte des failles potentielles et propose des correctifs lui-même.

Cette nouvelle manière de concevoir a déjà été à l’origine de progrès notables, notamment dans le domaine de l’énergie renouvelable. Des jumeaux numériques ont ainsi pu calculer la production d’un parc d’éoliennes selon la météo prévue, tout en simulant l’ajustement du stockage pour éviter le gaspillage. L’intégration de l’éolien et du solaire pilotée par ces outils a ainsi permis d’améliorer l’efficacité globale du mix énergétique, tout en réduisant les pertes de 20 %.

Dans nos ateliers également, les effets sont déjà visibles, notamment chez la start-up française Dessia, qui incarne cette révolution du prototypage virtuel. Sa plateforme logicielle utilise des algorithmes génératifs pour automatiser des tâches complexes d’ingénierie, permettant d’explorer un large éventail de solutions dès les premières phases de développement. Lors d’une collaboration avec Renault, Dessia a ainsi permis d’associer les caractéristiques fonctionnelles et les dessins 3D dès le début du projet, réduisant le temps consacré aux études techniques de près de 80 %. 

Un agent autonome qui résout les problèmes

Enfin, face à des problèmes complexes ou radicalement nouveaux, l’IA générative devient un agent de décision capable de déceler des motifs sous-jacents invisibles pour l’oeil humain, aiguillant ainsi le jugement de l’ingénieur sans le remplacer. C’est ce que l’on apprend dans la dernière partie du rapport nommée « Quand l’IA générative, agent autonome, aide à résoudre le problème ». 

Car l’IA générative n’attend plus que le problème survienne : elle l’empêche de se manifester. Dans l’industrie manufacturière par exemple, scruter les vibrations, la température et la pression de chaque roulement permet d’anticiper une rupture avant qu’elle ne paralyse la ligne de production. Selon le think tank, l’IA générative permet un abaissement de 25 % des coûts de maintenance et une chute de 40 % du temps d’arrêt.

L’autre versant de cette révolution concerne l’apprentissage adaptatif : contrairement aux systèmes figés, l’IA générative s’imprègne de chaque retour d’expérience. Les véhicules autonomes, par exemple, affinent leurs algorithmes en assimilant des conditions rares (météo extrême, comportement erratique d’un autre usager…) pour réduire leur taux d’incident au fil des km parcourus.

Sobriété, équilibre et formation : les conditions du succès

À la suite de son rapport, le think tank soulève quelques points clés, présentés comme les « Conditions de succès de l’ingénierie générative ». En effet, son adoption n’est pas qu’une affaire de logiciels : elle impose une refonte de certaines pratiques, ainsi que la prise en compte de certaines nouvelles responsabilités. 

Le premier concerne la question de la sobriété et de la soutenabilité autour de cette révolution technique. Car l’escalade du « toujours plus » de paramètres et de données se heurte au mur de la durabilité. L’étude rappelle ainsi que l’entraînement de GPT-3, le modèle à l’origine du premier Chat GPT a consommé 1,3 GW et que son successeur, GPT-4 aurait même été 48 fois plus énergivore. De fait, l’ingénieur de demain devra privilégier des architectures sobres, comme les modèles experts qui n’activent qu’une partie spécialisée d’un modèle d’IA (celle nécessaire au projet), ou les modèles compacts fonctionnant à la périphérie du réseau (les fameux Edge AI).

Plus largement, le rapport souligne quatre critères indispensables pour une IA responsable :

• La fiabilité, nécessaire pour garantir la robustesse des modèles dans des conditions extrêmes (comme dans le nucléaire ou l’aéronautique).
• La sobriété comme énoncé plus haut.
• L’acceptabilité, en minimisant les biais algorithmiques.
• L’opérationnalité, par une intégration fluide dans les environnements de travail réels, qui doit être réalisée sans compromettre leur vitesse.

Une réflexion est également faite à propos du futur du métier d’ingénieur, qui va progressivement évoluer vers un rôle de guide et d’arbitre. Pour ne pas subir l’évolution engendrée par l’IA générative, l’ingénieur devra, à terme, être capable de retracer la logique d’une manœuvre critique proposée par l’IA et trouver le juste équilibre dans la collaboration homme-machine. À ce sujet, le rapport distingue trois niveaux de collaboration :

• Celui de l’assistant, où l’IA se contente de gérer des tâches subalternes.
• Celui de collaborateur, où l’IA est force de proposition et conteste parfois les intuitions humaines.
• Celui de partenaire d’échange, où l’IA opère en autonomie sur des tâches précises, l’homme se contentant de la superviser.

Enfin, le think tank évoque le défi de la formation des ingénieurs, ces nouvelles conditions posant un challenge inédit : si l’IA automatise les tâches d’exécution (dessins, calculs de base), comment s’assurer que les bases du métier sont convenablement acquises ? À ce titre, le rapport préconise un « mentorat augmenté »  où les seniors utilisent l’IA comme un outil pédagogique pour transmettre le savoir tacite et la culture métier, l’objectif étant de faire de l’IA un catalyseur de progression plutôt qu’un substitut.

L’industrie à l’épreuve de l’ingénierie générative

Pour conclure, le rapport du think tank des Arts et Métiers nous rappelle que l’ingénieur dispose aujourd’hui d’un « point d’appui » historique pour surmonter les défis climatiques, énergétiques et de souveraineté industrielle. Loin d’être une menace pour l’emploi de l’ingénieur, l’IA générative constitue, selon lui, une extension de ses capacités de création et d’opération, en lui permettant d’enfin oser des designs et des procédés jusque là impossibles. Comme le suggère le professeur Francisco Chinesta, dans son avant-propos, si l’IA classique a permis hier de faire plus vite et mieux, l’IA générative permettra demain de faire différemment. Pour l’industrie mécanique française, c’est l’opportunité de transformer l’écoanxiété en écoenthousiasme, en devenant les architectes d’un monde matériel plus optimisé, et plus durable.