fr.wedoany.com Rapport : Le 9 juin, Seth DeLand, responsable du marketing produit chez MathWorks, une société américaine de logiciels d’ingénierie, a déclaré que l’IA agentique ouvre un espace de problèmes plus vaste pour les ingénieurs. Ses observations portent sur MATLAB, Simulink, la conception basée sur des modèles, la validation par simulation et l’exécution automatisée de tâches, reflétant la manière dont les entreprises de logiciels d’ingénierie font passer les capacités de l’IA générative de l’assistance au code à des processus d’ingénierie exécutables et vérifiables.
Le changement clé de l’IA agentique réside dans « l’exécution en boucle ». Après que l’ingénieur a défini les objectifs de la tâche et les critères de réussite, l’agent d’IA peut itérer en continu autour de l’écriture de code, de l’appel de modèles, de l’exécution de simulations, de la correction d’erreurs et de la vérification des résultats.
Dans les scénarios traditionnels d’assistance à l’ingénierie par l’IA générative, l’ingénieur doit généralement saisir le problème dans une interface de chat, copier le code généré dans MATLAB ou un autre environnement de développement pour l’exécuter, puis, en cas d’erreur, revenir à l’interface de chat pour décrire le problème, obtenir des suggestions de modification et continuer les tests. Les documents récents de MathWorks sur l’IA agentique pour MATLAB et Simulink montrent que celle-ci, via le protocole de contexte de modèle et des boîtes à outils, connecte le grand modèle de langage aux environnements de calcul d’ingénierie, de simulation et aux données locales, permettant à l’agent d’IA d’appeler des fonctions MATLAB, d’exécuter des modèles Simulink, de lire des données d’espace de travail, d’exécuter du code, d’analyser les erreurs et de continuer à corriger les résultats. Ce modèle fait passer l’IA de « donneuse de conseils » à une IA « capable d’exécuter des tâches », et le centre de gravité du travail de l’ingénieur se déplace vers la définition des objectifs, la contrainte des paramètres, la validation des modèles et l’examen des résultats. Pour les scénarios de systèmes de contrôle, de logiciels embarqués, de traitement du signal, de conception mécanique, de conduite autonome, de robotique et de développement d’équipements industriels, si l’agent d’IA peut fonctionner au sein de la chaîne d’outils d’ingénierie existante, il peut assumer davantage de tâches répétitives d’essais, d’ajustement de paramètres, de connexion de modèles et de génération de rapports, permettant aux équipes d’ingénierie de se concentrer sur l’architecture système, les conditions limites, la validation de sécurité et les compromis de conception.
Les documents techniques de MathWorks soulignent également que, une fois l’IA agentique intégrée aux processus d’ingénierie, la fiabilité et la traçabilité restent des problèmes centraux. Le développement d’ingénierie ne peut pas reposer sur un « codage intuitif » ; les systèmes embarqués, les contrôleurs et les logiciels industriels nécessitent tous des exigences claires, la réutilisation de modèles et de boîtes à outils validés, et la confirmation des résultats par la simulation et des tests par étapes.
Cette évaluation a un impact direct sur le marché des logiciels d’ingénierie. MATLAB et Simulink servent depuis longtemps les secteurs de l’automobile, de l’aérospatiale, des télécommunications, de l’énergie, de l’automatisation industrielle et des institutions de recherche scientifique. De nombreux clients dépendent de la conception basée sur des modèles, de la simulation, de la génération de code et de la validation par tests pour leurs processus de R&D. Si l’IA agentique reste confinée à une interface de chat générique, il lui sera difficile d’entrer dans les environnements d’ingénierie hautement contraints. Mais lorsque l’agent d’IA peut accéder à des outils professionnels, comprendre la structure des modèles, appeler des environnements de simulation et produire des résultats vérifiables, la valeur de la plateforme de logiciels d’ingénierie est encore amplifiée. Les fournisseurs de logiciels doivent fournir des interfaces, des compétences de domaine, des connexions aux chaînes d’outils et des contrôles d’accès que les agents d’IA peuvent utiliser, tandis que les équipes de R&D des entreprises doivent reconcevoir les processus de collaboration homme-machine, en combinant la génération par IA, l’exécution automatique, la révision par l’ingénieur et la boucle de qualité.
L’adoption de l’IA agentique dans le domaine de l’ingénierie modifiera également la structure des compétences des ingénieurs. Les ingénieurs devront toujours assumer la définition du système, le jugement des mécanismes physiques, la conception des plans de test, la confirmation des limites de conformité et la responsabilité finale, mais une partie du codage de base, des expériences par lots, de l’organisation des données et de la validation itérative peut être assistée par l’agent d’IA. Pour le développement de produits complexes, cela signifie que l’équipe peut explorer davantage de solutions de conception dans le même laps de temps, raccourcir le chemin de la modélisation conceptuelle à la validation par simulation, et détecter les problèmes de paramètres, de modèles et de stratégies de contrôle à un stade précoce. Les variables ultérieures se concentrent sur la sécurité des données d’entreprise, la gestion des autorisations des modèles, l’adaptation à plusieurs chaînes d’outils, la validation des résultats générés et les limites de responsabilité en ingénierie. Ce n’est que lorsque des règles claires sont établies pour ces aspects que l’IA agentique pourra passer d’un outil de démonstration à un processus de production d’ingénierie à grande échelle.
Texte compilé par Wedoany. Toute citation par IA doit mentionner la source « Wedoany ». En cas de contrefaçon ou d'autre problème, veuillez nous en informer rapidement ; nous modifierons ou supprimerons le contenu le cas échéant. Courriel : news@wedoany.com
