[TRIBUNE de Mathieu Schmitt, PTC] Pour les métiers du développement technique, où l’information doit être collectée, contextualisée et exploitée tout au long du cycle de vie d'un produit, une question centrale se pose : quel rôle les agents d’IA argentiques peuvent-ils jouer dans les systèmes PLM (Product Life Management) existants ? Et surtout, quelles conditions doivent être réunies pour en tirer pleinement parti ? Analyse en détail de Mathieu Schmitt, Technical Sales Engineer chez PTC.

L’intelligence artificielle (IA) transforme en profondeur les applications logicielles industrielles. Loin d’une logique d’automatisation de tâches isolées, nous assistons à l’émergence de systèmes d’agents intelligents interconnectés, capables d’agir en fonction du contexte.

Selon la société d'étude de marché Gartner, d’ici 2028, près d’un tiers des applications d’entreprise intégreront des capacités d’IA fondées sur des agents, contre moins de 1 % aujourd’hui.

Par ailleurs, les analystes estiment qu’à moyen terme environ 15 % des décisions commerciales quotidiennes seront étudiées en amont, voire prises de manière autonome par des agents IA, notamment dans les environnements structurés à forte intensité de données.

Entre gestion des données et aide à la décision

La gestion du cycle de vie des produits (PLM) est aujourd’hui solidement implantée dans de nombreux secteurs industriels. Elle constitue une véritable colonne vertébrale technologique pour gérer les données produits (modèles de CAO, nomenclatures, documents de modification, exigences, validations, etc.).

Son objectif est clair. Elle vise à garantir la traçabilité, la cohérence et la fiabilité des processus sur l’ensemble du cycle de vie. Mais la montée en complexité des systèmes, la réduction des cycles de développement et les attentes accrues en matière d’adaptabilité mettent sous tension les structures PLM traditionnelles.

Lorsque les produits deviennent hautement modulaires ou largement définis par logiciel, comme dans l’industrie automobile, l’ingénierie mécanique ou les dispositifs médicaux, de nouvelles exigences apparaissent en matière de réactivité, de gestion des variantes, de cohérence des données. C’est précisément dans ce contexte que l’IA agentique prend tout son sens.

Pourquoi l’IA agentique n’est pas une automatisation classique ? 

On parle de systèmes capables d’exécuter des tâches, mais aussi de les interpréter, de les contextualiser et d’en déduire des actions de manière proactive. L’IA agentique repose en fait sur la combinaison de trois propriétés clés :

Sensibilité au contexte. L’agent analyse les données au regard des dépendances, des contraintes système et des priorités.

Capacité d’apprentissage. Il gagne en pertinence au fil du temps grâce aux boucles de rétroaction et à une gestion structurée des connaissances.

Interopérabilité. Il ne reste pas cantonné à une application unique. Il connecte données et processus au-delà des frontières des systèmes.


Concrètement, dans un environnement PLM, cela signifie qu’un agent d’IA pourra, par exemple, analyser une demande de modification, identifier les objets concernés, mesurer les impacts sur les variantes, puis évaluer les implications techniques et réglementaires… avant même qu’un ingénieur n’ait à trancher. Il en résulte un gain de temps significatif et une meilleure maîtrise de la complexité.

Accès aux données, sémantique et intégration : des prérequis incontournables

Pour qu’un agent d’IA fonctionne efficacement au sein du PLM, certaines bases technologiques doivent être en place. À cet égard, trois piliers apparaissent déterminants.

Modèles de données vectoriels. Ils permettent d’intégrer aux analyses des contenus non structurés (champs de texte libre, documents d’exigences, rapports de test). L’agent IA s’appuie sur des représentations lisibles par machine pour relier et interpréter ces informations hétérogènes.

Interfaces sémantiques. L’enjeu consiste à convertir une requête en langage naturel en recherches structurées dans la base de données. Par exemple, la question « Quelles demandes de modification ouvertes concernent le composant X ? » sera automatiquement traduite en une combinaison de références d'objet, de règles de filtrage et de statuts du workflow.

Interfaces de programmation ouvertes. Les API permettent à l’agent non seulement de s’informer, mais surtout d’agir. Il pourra alors déclencher des processus, tels que les propositions d'approbation, la mise à jour d'objets liés ou le transfert d'éléments vers des systèmes en aval.

En combinant ces trois éléments, on crée un environnement où les décisions techniques s’appuient sur des bases factuelles et coordonnées. Elles s’inscrivent alors dans un cycle de vie des produits intelligent, fondé sur la continuité numérique tout au long de la chaîne de valeurs.

Des scénarios d’application concrets

La valeur des agents d’IA est particulièrement frappante dans les environnements caractérisés par une forte variabilité produit, des changements fréquents et une documentation dense. Trois cas illustrent ce potentiel :

Traçabilité numérique. L’agent détecte automatiquement tout changement d’exigences, de données de conception ou de modèles système. Il analyse les impacts, identifie les objets concernés et propose, le cas échéant, les actions correctrices.

Product Line Engineering (PLE). Les agents IA parviennent à générer des modèles initiaux à partir du langage naturel. Ils peuvent aussi standardiser les composants et repérer les redondances. En cas d’évolution, ils adaptent dynamiquement les configurations, tout en restant dans l’espace de variantes existant.

Analyse des variantes. Dans les architectures techniques complexes, l’agent simule la faisabilité de configurations spécifiques, calcule l’impact sur les coûts des pièces et identifie les risques de non-conformité. Les résultats sont ensuite structurés pour faciliter la prise de décision.

Une mise en œuvre autant organisationnelle que technique

L’intégration de l’IA agentique dans un environnement de développement existant ne se résume pas au simple projet technique. Elle modifie les rôles, les workflows et la manière même dont les décisions sont construites. D’où l’importance d’une approche progressive, avec des pilotes bien cadrés, de la formation et une collaboration interdisciplinaire étroite.

La transparence est ici déterminante. Mieux les équipes saisissent le raisonnement de l’IA, plus elles l’acceptent comme un véritable outil de soutien et ne la perçoivent plus comme une “boîte noire”.

Pour garantir une coopération fluide, cette intégration doit s’aligner sur les processus existants (conception, gestion des variantes, architecture système) et s’appuyer sur des interfaces claires.

L’IA agentique ne remplace donc pas les systèmes PLM existants : elle les enrichit. Elle apporte une couche d’intelligence opérationnelle aux environnements de développement, en particulier lorsque les processus décisionnels sont coûteux en ressources.