Vous avez investi dans des outils d'IA généralistes — ChatGPT, Claude, Mistral — et leurs réponses à vos questions d'ingénierie restent… généralistes. Le diagnostic d'Anthony Ponceot, Directeur Technique (Aras), éditeur de solutions PLM low-code depuis 25 ans, est sans appel : l'IA industrielle a un problème de contexte, et ce contexte s'appelle la continuité numérique.

Appliqués aux problèmes industriels, les chatbots généralistes se heurtent à l'accès aux sources de données : sans connexion au PLM et à la donnée technique, l'IA ne dispose que de sa connaissance intrinsèque et de la recherche web — de quoi produire des réponses qu'on aurait pu trouver soi-même, pas des réponses pertinentes sur votre produit.

Suivez le cycle de vie d'un produit : l'exigence naît dans un outil d'ALM, la conception dans un logiciel de CAO ou de conception électronique, la simulation dans un troisième outil — dont les résultats ne seront souvent jamais rattachés à la conception ni à l'exigence. Viennent ensuite les gammes et données fournisseurs de la fabrication, puis la vie en service, tracée… dans le CRM. Toutes ces données vivent dans des îlots. La position d'Aras n'est pas de tout gérer dans un outil unique, mais de connecter toutes ces données via la plateforme PLM — relier une donnée fournisseur ou de service à l'exigence d'origine, pour pouvoir remonter d'un problème terrain jusqu'à l'exigence et déclencher un changement de conception sans jamais y déroger.

Un ingénieur qui doit résoudre un problème client sans continuité numérique interroge les systèmes un par un — CRM, exigences, conception — en se heurtant aux droits d'accès et à l'information qui « vit dans la tête des gens » qui partent en retraite. Le fil numérique apporte deux avantages : des données sécurisées et tracées à travers les systèmes, et des chemins de vérité par métier — le concepteur regarde la prochaine version du produit, le technicien SAV regarde le produit tel que livré au client. Chaque acteur se connecte à la couche de données dont il a besoin.

Le flux numérique n'est pas ouvert à tous : données d'achat ou de coût confidentielles, permissions par ligne de produit, par service (la qualité n'accède pas aux mêmes données que l'ingénierie), voire par géographie (équipes chinoises vs européennes) — un point crucial, on le verra, pour l'IA. Et le vrai défi reste l'ouverture sur l'écosystème : connecter CAO, conception électronique, ERP, MES — parfois développés en interne — au fil d'information produit. Avec, dans les industries régulées comme le médical, une exigence légale de traçabilité fine : qui a modifié le produit, comment, et comment les modifications ont été implémentées.

Sans continuité numérique, chaque service vérifie dans ses propres systèmes l'impact d'une nouvelle exigence client — sourcing, achats, homologation, conception — avec des semaines de résolution. Avec le fil numérique : navigation immédiate de l'exigence à la conception système, à la définition 3D, jusqu'aux procédures de test et aux instructions de fabrication.

Un composant — notamment électronique — ne sera plus disponible à une date donnée : racheter les stocks, substituer, ou re-concevoir ? Sans vue globale, la résolution peut prendre plusieurs mois, département par département. Avec le fil numérique : variantes affectées, implications fournisseurs, pièces alternatives déjà proposées dans le système, impacts de conformité — tout est investigable immédiatement.

Un client signale un défaut avec un numéro de série. Données connectées et gérées en configuration : de quelle nomenclature cette pièce sérialisée provient, comment elle a été instanciée, quelles défaillances similaires sont enregistrées — et si le design a déjà été modifié pour adresser ce défaut, la solution de réparation existe peut-être déjà.

En milieu industriel, la confiance dans un agent IA vient d'une chose : le contexte fourni au moment de la demande. Avec des données versionnées et gouvernées, on pointe l'agent vers la bonne version, la bonne variante — et une exigence n'est plus un simple identifiant, mais son contenu (« le système doit fonctionner jusqu'à 50 °C en conditions opérationnelles normales ») et toutes les relations qui en dérivent.

Là où les architectures IA parlent de GraphRAG, le PLM propose le « thread RAG » : en fonction de la question de l'utilisateur, requêter le système PLM, dérouler les relations pertinentes et augmenter le contexte de l'agent avec ces données — y compris la sémantique des relations (ce que signifie le lien entre deux objets), qui permet de répondre à des questions en langage naturel. Applications : ingestion structurée d'exigences depuis des documents non structurés (PDF), analyse d'impact enrichie par les changements d'ingénierie similaires (« j'ai un problème avec cette vis, trouve-moi des solutions »), résolution de variantes pour obtenir la composition exacte du produit concerné.

Règle intangible : aucune donnée à laquelle l'utilisateur n'a pas accès ne doit être exposée à l'agent. L'IA respecte le modèle de permissions, la gestion de configuration et les cycles de vie. Et une mise en garde forte sur l'entraînement : des données utilisées pour entraîner un modèle « appartiennent ensuite au modèle » — quiconque l'utilise peut en faire usage. Mieux vaut, pour beaucoup de données, un accès au moment de la demande (augmentation de contexte) qu'un entraînement.

Créer l'épine dorsale (la plateforme de gestion en configuration, en commençant « là où ça fait mal » — souvent la connexion exigences-conception, deux mondes aux cycles de vie différents) ; intégrer l'écosystème (connecter les données dont on a besoin, en référence ou en rapatriement, sans tout opérer dans un seul outil) ; l'adaptabilité (les systèmes et l'IA évoluent en mois, pas en années — des standards actuels disparaîtront) ; et la gouvernance de l'accès, que l'arrivée de l'IA ne doit pas casser.

Traiter les données du cycle de vie comme un actif stratégique, pas un sous-produit — elles valent potentiellement plus que le code source, que l'IA saura de toute façon régénérer, quand les données qui ont mené à sa conception, elles, sont irremplaçables ; se concentrer sur les processus les plus coûteux (la vraie difficulté d'un projet PLM est humaine et organisationnelle, pas technique) ; prioriser la gouvernance — décider intentionnellement quelles données sont accessibles à l'IA, et pour quel usage ; cibler les cas à haut risque porteurs de valeur ; et construire pour le futur, adaptatif aux changements de modèles et de technologies.

La démonstration d'Aras est méthodique : sans continuité numérique, l'IA industrielle reste cantonnée à des réponses génériques, incapable de relier une exigence, une conception, une donnée fournisseur ou un retour terrain. Le digital thread — et sa déclinaison en "thread RAG" pour l'IA — constitue le socle indispensable pour transformer des chatbots généralistes en assistants réellement pertinents sur votre produit, sans jamais sacrifier la gouvernance des accès.

Retrouvez l'intégralité de cette conférence, ainsi que les autres replays du Tech For Industry Show, sur notre page dédiée.