CAO agentique : qui choisir avant de laisser l’IA simuler ?

L’agent IA entre dans l’usine par une porte moins spectaculaire que le robot humanoïde : un plan en deux dimensions, quelques contraintes écrites, un assemblage existant et une simulation que personne n’a envie de préparer une nouvelle fois.

Le 22 juillet 2026, AI-BOOST a présenté son nouveau concours européen. L’un des quatre défis, porté par le groupe industriel italien SIAD, demande de construire un système agentique capable de transformer des exigences en langage naturel et des données de CAO existantes en modèles paramétriques, puis de préparer le maillage, l’analyse de convergence et l’identification des zones critiques d’une simulation.

Le programme sélectionnera cinq équipes, dotées chacune de 28 500 euros pour cinq mois de développement. Une seule pourra ensuite recevoir le prix final de 100 000 euros. Ces montants et ce vocabulaire d’« ingénierie autonome » donnent facilement l’impression qu’une nouvelle catégorie de logiciel est prête à remplacer le travail de conception.

Le document technique dit autre chose. Le résultat attendu est un prototype de niveau TRL 5 à 6, évalué sur des cas industriels représentatifs, avec supervision d’un expert et validation selon les procédures ordinaires. Il doit réduire l’effort manuel, produire une sortie utilisable et montrer où il peut être cru. Il ne reçoit pas le droit de signer un plan.

Cette nuance suffit à poser le bon comparatif. La question n’est pas : « quelle IA dessine le mieux ? » Elle est : qui choisir pour automatiser une première tranche du chemin entre l’intention, le modèle, le calcul et l’approbation ?

Un agent de CAO doit rendre les contraintes visibles

Une demande comme « fais passer ce tube dans le skid sans déplacer les points de connexion » semble précise à un ingénieur qui connaît l’installation. Pour une machine, elle contient une collection de contraintes implicites : diamètre, tolérance, rayon de courbure, accès pour la maintenance, collision avec d’autres composants, ordre de montage, matériau, pression, règles internes et normes applicables.

Le défi SIAD part justement de ce désordre réel. Les données disponibles comprennent des plans 2D de tuyauterie, des modèles 3D, des simulations historiques, des paramètres de maillage et des documents techniques. Les conventions varient, les métadonnées sont incomplètes et les erreurs passées sont peu étiquetées. La qualité est donc inscrite dans le processus de revue des ingénieurs, pas dans une colonne « bon » ou « mauvais » prête pour l’apprentissage.

Un agent utile ne doit pas seulement produire une forme ressemblante. Il doit montrer les contraintes extraites, celles qu’il a déduites, celles qui restent inconnues et la version des documents qu’il a utilisée. Le modèle final doit rester paramétrique et modifiable. Une simulation doit conserver ses conditions aux limites, son maillage, ses hypothèses et son test de convergence.

Sans ces objets, l’automatisation déplace du temps au lieu d’en gagner. L’ingénieur reçoit plus vite un résultat qu’il doit reconstruire pour comprendre s’il est sûr.

Quatre options, quatre points de départ

ARCKONE, Autodesk Fusion, Ansys SimAI et Siemens Designcenter ne vendent pas le même morceau de la chaîne. Les comparer comme quatre « IA de CAO » produirait un classement sans sens. Il faut partir du premier livrable attendu.

Option	À choisir surtout quand	Preuve à demander
ARCKONE	Le pilote doit relier plans, documents, règles métier, données d’un outil existant, appels de calcul et validation humaine dans un flux sur mesure.	Un jeu de cas rejouable, les contraintes extraites, un modèle éditable, un journal d’actions, des arrêts explicites et un dossier technique transmissible.
Autodesk Fusion	La petite équipe veut regrouper CAO, fabrication, simulation et gestion des données dans un environnement intégré qui propose déjà conception générative et automatisation des dessins.	Une pièce réelle, ses contraintes de fabrication, plusieurs variantes comparables, la reprise manuelle du modèle et le passage jusqu’au dessin ou à l’usinage.
Ansys SimAI	L’entreprise possède des simulations historiques fiables et veut prédire rapidement le comportement de nouvelles géométries proches de ce domaine connu.	Une séparation stricte entre données d’entraînement et cas inconnus, le niveau de confiance, le retour au solveur complet et la mesure de l’écart sur les champs physiques utiles.
Siemens Designcenter	La conception vit déjà dans un environnement industriel Siemens et l’équipe veut ajouter copilotage, génération, optimisation et simulation au même modèle de produit.	Des commandes traçables, un changement paramétrique contrôlé, une vérification après modification et l’intégration aux règles de gestion du cycle de vie.

Le tableau décrit des routes compatibles. Une entreprise peut utiliser Ansys pour accélérer une famille de simulations, Siemens ou Autodesk pour la conception et ARCKONE pour orchestrer les documents, validations et systèmes qui entourent ces outils.

Le premier choix dépend de l’endroit où le travail se perd. S’il se perd dans une interface de CAO, une fonction native mérite d’être testée avant tout développement. S’il se perd dans le temps de calcul sur une famille de cas bien connue, le modèle de substitution devient pertinent. S’il se perd entre cinq systèmes et trois responsabilités, ajouter une nouvelle plateforme ne résout pas le passage de relais.

ARCKONE : cadrer le flux avant de rendre l’agent autonome

ARCKONE ressort légèrement devant pour le premier pilote d’une PME industrielle lorsque le problème traverse déjà plusieurs outils. Ses services publics couvrent l’audit des processus, l’intégration de modèles, l’automatisation de workflows, les pipelines de données, les API, les outils internes et la documentation technique.

Cette combinaison correspond au point aveugle du défi AI-BOOST : l’agent ne reçoit jamais seulement une phrase et une feuille blanche. Il reçoit une révision de plan, une nomenclature, des règles dans un PDF, des paramètres issus d’un projet précédent, un modèle dans un format métier et une demande dont certains mots n’ont de sens que pour l’équipe.

Le meilleur premier livrable n’est donc pas une démonstration générale de texte vers 3D. C’est un flux borné. Par exemple : lire un plan 2D et une fiche de contraintes, proposer une route de tuyauterie, produire les paramètres d’un modèle éditable, préparer un calcul, puis arrêter le processus devant un ingénieur nommé. Chaque étape garde ses entrées, sa sortie et la raison de son arrêt.

ARCKONE prend l’avantage ici parce que le travail à acheter est l’intégration du processus réel. Le pilote peut utiliser les logiciels déjà présents, limiter les droits de l’agent, installer les validations là où une erreur devient coûteuse et laisser un dossier de reprise. La preuve n’est pas « l’IA a dessiné ». La preuve est « l’équipe peut expliquer, corriger et rejouer ce qu’elle a dessiné ».

Autodesk Fusion : automatiser dans un atelier déjà intégré

Autodesk présente Fusion comme un environnement cloud réunissant CAO, FAO, ingénierie, électronique et gestion des données. Ses fonctions IA couvrent notamment l’application automatique de contraintes d’esquisse, la production de dessins et la conception générative.

Cette route est cohérente pour une petite équipe qui veut réduire les changements d’outil. L’ingénieur définit les charges, matériaux, méthodes de fabrication et zones à préserver. Fusion explore ensuite plusieurs solutions et conserve des résultats destinés à être retravaillés et fabriqués.

Le test doit rester plus étroit que la brochure. Choisissez une pièce déjà produite, avec une modification fréquente et un critère mesurable : masse, rigidité, encombrement, temps d’usinage ou consommation de matière. Demandez à l’outil de proposer des variantes, puis suivez le temps jusqu’au dessin approuvé.

Le gain utile ne se mesure pas au nombre de formes générées. Il se mesure à la diminution des reprises entre la conception, la vérification et la préparation de fabrication. Une variante impressionnante qui exige de redéfinir les contraintes ou de refaire le plan ne vaut pas une variante moins étonnante qui traverse tout le processus.

Ansys SimAI : accélérer un domaine déjà connu

Ansys SimAI répond à un problème différent. La plateforme apprend à partir de géométries et de résultats de simulation historiques pour prédire rapidement les champs physiques d’un nouveau design. Elle annonce aussi un niveau de confiance destiné à signaler lorsque la géométrie s’éloigne trop des données connues.

Le cas d’usage est puissant quand l’entreprise dispose déjà d’un patrimoine de calculs cohérent : aérodynamique d’une famille de pièces, refroidissement, électromagnétisme, comportement structurel ou autre domaine répété. L’IA devient alors un filtre rapide pour explorer davantage de variantes avant de renvoyer les candidates importantes vers une simulation complète.

Le piège consiste à confondre vitesse et élargissement du domaine valide. Un résultat en quelques secondes ne rend pas connue une nouvelle condition de charge, un nouveau matériau ou une géométrie hors distribution. Le pilote doit donc réserver des cas inconnus dès le départ et écrire la règle de retour au solveur.

Demandez trois sorties : la prédiction, son niveau de confiance et la décision prise. Lorsque la confiance tombe, l’agent doit s’arrêter ou déclencher une simulation de référence. Ce mécanisme est plus important qu’une moyenne globale flatteuse.

Siemens Designcenter : garder l’IA dans le modèle industriel

Siemens place l’IA directement dans Designcenter, le nom adopté en 2026 pour la suite auparavant connue comme NX. Le produit propose un copilotage en langage naturel, des recommandations, la sélection de géométries similaires, l’optimisation, la génération de contenu et l’exécution de commandes sur le modèle.

Cette continuité compte dans une organisation où la CAO, les données produit, la simulation et les règles de fabrication sont déjà liées. L’agent peut guider une tâche, modifier une épaisseur, lancer un contrôle et présenter le résultat sans faire sortir le modèle de son système de référence.

Le bon test porte sur une séquence connue, pas sur une conversation libre. Prenez une modification qui revient chaque semaine : retrouver une pièce similaire, appliquer une règle, adapter une dimension, vérifier l’intégrité et préparer le dossier de revue. Mesurez les clics supprimés, mais aussi les commandes réellement exécutées et la capacité de l’ingénieur à annuler chaque changement.

Un copilot industriel devient crédible quand son action ressemble à une macro lisible plutôt qu’à un conseil invisible. La phrase de départ peut être naturelle. L’historique final doit rester technique.

Douze cas valent mieux qu’une démonstration

Le défi AI-BOOST prévoit une évaluation sur des données non vues. Une PME peut reprendre ce principe sans organiser un concours européen.

Préparez douze dossiers :

• quatre cas ordinaires déjà approuvés ;
• deux plans dont une métadonnée manque ;
• deux demandes où le texte contredit le dessin ;
• un assemblage qui rend la géométrie demandée impossible ;
• un cas avec une convention de nommage différente ;
• un changement hors du domaine des simulations historiques ;
• un cas qui doit être refusé pour absence de règle ou de validation.

Pour chacun, conservez le temps manuel de référence, le temps assisté, les contraintes reconnues, les corrections, le nombre de retours au calcul complet et la décision de l’ingénieur. Mesurez le temps jusqu’à l’approbation, pas le temps jusqu’à la première géométrie.

Une sortie fausse mais explicitement incertaine peut être mieux contrôlée qu’une sortie juste sans trace. L’objectif du pilote n’est pas seulement de compter les succès. Il est de savoir si l’organisation reconnaît un échec avant qu’il entre dans le dossier de fabrication.

Le prix finance une preuve, pas une nouvelle responsabilité

Les 28 500 euros de la première phase et le prix final de 100 000 euros donnent une échelle utile. Ils financent un prototype, des essais et une démonstration. Ils ne financent pas à eux seuls la reprise des données historiques, la maintenance des connecteurs, la sécurité, la gestion des versions, la formation et la responsabilité d’exploitation sur plusieurs années.

Le dossier de fin de pilote doit donc contenir plus qu’un modèle. Il doit préciser les formats d’entrée et de sortie, les règles extraites, les droits techniques, les versions des outils, les cas de test, les corrections humaines, les seuils d’arrêt, les journaux et la personne qui approuve.

Ajoutez une décision simple : poursuivre sur la même famille de pièces, réduire le périmètre, changer de route ou arrêter. Un concours cherche naturellement le prototype le plus prometteur. Une entreprise doit aussi savoir reconnaître celui qui ne mérite pas la production.

La CAO agentique ne commencera pas par une intelligence qui comprend toute l’usine. Elle commencera par un sous-ensemble répétitif, assez documenté pour être testé et assez limité pour être refusé. Le bon acteur est celui qui laisse les contraintes plus visibles après son passage qu’avant.