Intégrer l'IA dans les enseignements d'ingénierie

Distinguer des choses qu'on appelle toutes « l'IA » et qui n'ont rien à voir entre elles : le modèle de langage à qui l'on parle, l'optimisation sous contraintes qui fait la conception générative, la reconnaissance de formes intégrée aux logiciels métier, les modèles prédictifs entraînés sur des données de process. Technologies différentes, modes de défaillance différents.

Ce que chacune sait faire, sur quelles données elle a été entraînée, et ce qu'elle ne peut structurellement pas savoir — à commencer par l'état réel de l'installation qu'on a devant soi.

La seconde moitié de la séance porte sur la plomberie, parce que c'est elle que ces étudiants auront à installer : la différence entre une fenêtre de dialogue et un appel d'API, ce qu'est une fenêtre de contexte et pourquoi elle limite ce qu'on peut soumettre, ce qu'est un agent, ce que fait un orchestrateur de tâches, et ce qui sépare un modèle exécuté en ligne d'un modèle exécuté sur une machine de l'entreprise — en coût, en performance et en confidentialité.

Une valeur plausible n'est pas une valeur juste. Un modèle de langage produira sans hésiter une vitesse de coupe, une nuance de matériau, une tolérance ISO, un article de norme ou une référence composant qui n'existe pas. Sur un écran, l'erreur se corrige ; passée en production, elle se paie.

Étude de cas en séance, choisie selon la filière : une gamme d'usinage, une note de calcul, un choix de composants, une analyse de risques. On la fait produire entièrement par l'IA, puis on la démonte ligne à ligne contre les sources de référence — abaques, catalogues constructeur, texte normatif. Ce que l'exercice installe, c'est le réflexe de vérification.

Le vocabulaire technique n'est pas du jargon : c'est le paramétrage. Demander « un bord arrondi » et demander « un congé de raccordement R2 » ne produisent pas le même résultat, parce que le second terme porte une géométrie, une contrainte d'outil et une intention fonctionnelle.

Le principe vaut pour toutes les filières ; la matière change avec elle. L'atelier parcourt le vocabulaire utile au métier visé et mesure à chaque fois l'écart entre une demande approximative et une demande exacte.

On part d'un besoin formulé en langage courant — « une pièce qui tienne ce roulement et qui se visse là » — et on le transforme en dessin coté et tolérancé. L'IA sert ici d'interlocuteur : elle pose les questions qu'un bureau d'études poserait, relève les cotes manquantes, signale les spécifications incompatibles.

Le point pédagogique : c'est l'étudiant qui décide de chaque cote et qui en répond. L'IA n'a pas le droit de décider à sa place, elle a le droit de lui demander pourquoi.

Le reproche le plus juste fait à la génération 3D assistée est qu'elle produit des formes approximatives : une pièce qui ressemble, mais dont aucune dimension n'est celle qu'on voulait. La modélisation paramétrique par le code lève l'objection.

L'IA n'écrit pas la forme, elle écrit le programme qui la construit — en OpenSCAD ou dans un langage équivalent. Une fois la géométrie d'ensemble validée, l'étudiant ouvre le fichier et change des nombres : un diamètre, la largeur d'une gorge, la valeur d'un chanfrein, la position d'un méplat, l'entraxe de deux perçages. Le modèle se régénère à la cote exacte. La tolérance cesse d'être une négociation avec la machine et redevient une décision d'ingénieur.

Le point de départ peut même être une photographie de la pièce à reproduire : l'IA en tire un premier script, que l'étudiant corrige ensuite cote par cote, relevé à la main à l'appui.

Ce que le module installe au passage, et qui dépasse la 3D : un paramètre nommé dans un fichier lisible vaut mieux qu'une forme figée. On peut le relire, le versionner, le justifier en revue, et le confier à quelqu'un d'autre.

Le module central. L'étudiant ne consomme pas un outil : il en fabrique un. À partir d'une pièce, d'une matière, d'un parc machine et d'un catalogue d'outils, il construit son propre assistant — un cadre de questions et de contraintes qui, alimenté par une pièce donnée, propose une stratégie d'usinage argumentée.

Ce que l'assistant doit produire : l'ordre des opérations, les prises de pièce successives, le choix des outils, les conditions de coupe, les passes d'ébauche et de finition, les surépaisseurs — et pour chaque décision, la raison. Une proposition sans justification est rejetée.

Ce que l'étudiant apprend en le construisant, c'est exactement ce que le logiciel de FAO décide silencieusement à sa place quand il clique sur « générer ».

Confrontation systématique de la proposition de l'IA à trois références : les abaques et catalogues des fabricants d'outils, la simulation d'usinage du logiciel de FAO, et le comportement observé en machine lorsque le plateau technique le permet.

On mesure l'écart, on le documente, on cherche d'où il vient. C'est le module qui installe durablement la posture : l'IA propose, la physique arbitre.

Un ingénieur qui sait décrire précisément un besoin peut aujourd'hui se construire l'outil qui y répond, sans écrire de code au sens classique du terme. Un petit générateur de géométries paramétriques, une application de numérisation 3D à partir de photos, un configurateur de pièces standard, un convertisseur de formats : ce sont des projets de quelques heures, pas de quelques mois.

L'enjeu dépasse l'exercice. Une PME qui paie chaque année une licence de CAO complète pour n'en utiliser qu'une fraction a une décision économique à prendre. Savoir évaluer ce qu'on peut se construire soi-même, ce qu'on doit acheter, et ce qu'il serait imprudent de remplacer, est une compétence d'ingénieur — pas une compétence d'informaticien.

Le module se termine sur l'honnêteté du bilan : ce que l'outil maison fait aussi bien, ce qu'il fait moins bien, et le coût réel de sa maintenance une fois que son auteur a quitté l'entreprise.

C'est l'usage industriel le plus répandu de l'IA, et celui que les étudiants rencontreront le plus vite : des séries de mesures, des relevés de capteurs, des rapports de contrôle, des historiques de panne. Comment les explorer, les nettoyer, y chercher une dérive, une corrélation, une valeur aberrante — sans écrire soi-même la chaîne de traitement.

Et la leçon qui commande tout le reste : une corrélation trouvée par une machine n'est pas une cause. L'atelier fait délibérément produire une conclusion séduisante et fausse sur un jeu de données réel, puis demande à l'étudiant de la démonter. Taille d'échantillon, variable cachée, biais de sélection, sur-interprétation d'une série courte.

Prolongements selon la filière : suivi statistique de production, détection d'anomalies, maintenance prédictive, plans d'expérience.

Comment un service capitalise ses conventions — normes internes, références et composants habituels, moyens disponibles, gabarits de documents — pour que l'IA travaille dans le cadre de l'entreprise et non dans le vide. Bibliothèque de prompts, conventions de nommage, continuité d'un projet à l'autre et d'un stagiaire au suivant.

La part du travail d'ingénieur qui consomme le plus de temps pour la plus faible valeur ajoutée : dossiers de fabrication, mises en plan, nomenclatures, fiches de réglage, procédures, rapports d'essai et de contrôle, notices d'utilisation, comptes rendus de revue. C'est exactement là que l'assistance rend du temps utile.

Et la règle qui vaut ici plus qu'ailleurs : aucun document ne part en production sans un point de contrôle humain identifié, nommé, et qui a les moyens de dire non. Un dossier de fabrication faux se propage jusqu'à la machine.

Un assistant qui répond dans une fenêtre de dialogue ne change pas grand-chose. Ce qui change une organisation, c'est une suite d'étapes qui s'enchaînent seules : un fichier déposé déclenche un traitement, qui appelle un modèle, qui écrit un résultat, qui prévient quelqu'un. Le module montre comment on construit cela — appels d'API, orchestrateur de tâches, agents, et ce qui distingue un agent d'un simple script.

Puis comment ça casse. Une étape qui échoue en silence, un modèle qui change de version, un format d'entrée qui dérive, une boucle qui s'emballe et qui coûte. On conçoit les garde-fous avec : journalisation, reprise sur erreur, plafond de dépense, et surtout un point d'arrêt humain identifié, nommé, qui a les moyens de dire non.

La question de l'hébergement est traitée ici : service en ligne ou modèle exécuté localement, ce que chacun implique en coût, en performance et en confidentialité des données de l'entreprise.

Un dossier réglementaire — dossier technique de conformité, analyse de risques machine, déclaration CE, notice d'instructions, dossier des ouvrages exécutés, permis de construire — est un assemblage de pièces normées dont la structure est connue, publique et stable. C'est exactement le terrain où l'assistance est la plus rentable : la norme fournit le plan, l'ingénieur fournit les données et le jugement, l'IA fournit l'assemblage et le contrôle de complétude.

L'atelier suit une séquence, la même quel que soit le dossier visé :

La même séquence produit un dépôt de permis de construire, un dossier normatif remis par un bureau d'études à son client pour passage en production et en homologation, ou le dossier qu'un donneur d'ordre transmet à son bureau d'études. L'étudiant apprend un procédé, pas un formulaire.

Ce que l'IA ne fournit jamais, en revanche, c'est la responsabilité de ce qui est signé.

Deux solutions techniquement valides n'ont jamais le même prix. Selon la filière : temps d'usinage, usure et coût outil, coût matière et coût machine à l'heure ; ou coût des composants, coût de développement, coût d'exploitation. Et, puisqu'on y est, le coût de l'IA elle-même. L'ingénieur qui sait chiffrer sa solution est celui qu'on écoute.

Ce qu'on n'envoie pas dans un service en ligne : le plan d'un client, une géométrie sous accord de confidentialité, un savoir-faire de gamme. À qui appartient une forme générée par une IA. Ce que dit un contrat de sous-traitance sur les données transmises. Le pendant industriel du module RGPD.