Dans un avenir proche, l'automatisation par IA agentique et les grands modèles d'ingénierie (LEMs) convergeront pour remodeler les flux de travail CAE de fond en comble. Le Design for Manufacturing est sur le point de changer - pas de manière incrementale, mais fondamentale - et pas seulement dans le moulage par injection. En developpant le premier LEM pour le moulage par injection, SIMCON et EMMI AI collaborent pour créer les fondations techniques qui ouvrent ce nouveau paradigme.
Pourquoi maintenant
Les flux de travail classiques de simulation par essais et erreurs sont inefficaces.
Peu de domaines presentent plus de friction que la conception pilotee par simulation dans le moulage par injection. Encore aujourd'hui, de nombreux experts en simulation executent des simulations individuelles une par une, observent les résultats, font des ajustements et recommencent. Nos recherches montrent que la plupart des utilisateurs explorent entre 5 et 20 variantes de simulation - ce qui n'est pas enorme et laisse de grandes parties de l'espace des solutions inexplorees. Le rythme d'apprentissage est limite par la lenteur et le petit nombre d'observations. Comme ce processus est exécuté comme un flux de travail manuel et intensif en main-d'oeuvre, il prend beaucoup de temps, et les ingénieurs acceptent pragmatiquement des solutions "suffisantes" au lieu de solutions veritablement optimales. Bien que la methodologie des plans d'expériences puisse déjà paralleliser une partie de la phase d'exploration, l'intensité de calcul des solveurs numériques classiques rend impratique et coûteux l'exécution de tres grands nombres (1000+) d'observations.
Nous croyons que ce flux de travail sera remplace dans un avenir proche, car deux développements convergent : l'IA agentique et les grands modèles d'ingénierie.
L'IA agentique arrive dans l'ingénierie
Les systèmes d'IA agentique qui acceptent un objectif, planifient une sequence d'actions, appellent des outils, interpretent les résultats et iterent de manière autonome ne sont plus un concept de recherche. Ils sont déjà une infrastructure de production en ingénierie logicielle et s'etendent a chaque domaine ou des flux de travail complexes et multi-étapes créent de la friction.
Imaginez un agent qui prend un objectif de haut niveau - minimiser le gauchissement tout en maintenant l'équilibre de remplissage sous contraintes de coût - et orchestre l'exploration complète du design : configuration, simulation, évaluation, itération suivante. Les composants existent déjà aujourd'hui : grands modèles de langage (LLMs) pour le raisonnement, protocoles d'appel d'outils, cloud computing, APIs CAO et CAE. La question n'est plus de savoir si cela va se produire, mais a quelle vitesse les entreprises pourront se reorganiser et adopter ces méthodes dans des flux de travail fiables et appliques.
Une part croissante du flux de travail s'eloignera de l'utilisation de votre moteur de simulation via une interface graphique. L'agent s'en chargera pour vous. Les ingénieurs se concentreront davantage sur l'orchestration du travail agentique, l'évaluation, la remise en question et la discussion des résultats, et l'alignement des décisions avec les autres parties prenantes.
Il y a cependant un piege. Les LLMs qui alimentent l'IA agentique sont des raisonneurs generalistes. Ils ne peuvent pas prédire la physique avec une fidélité de niveau industriel. Et la précision est primordiale : des hallucinations dans les prédictions physiques pourraient avoir des consequences catastrophiques.
Ainsi, pour intégrer de la physique haute fidélité dans le flux de travail, les agents utiliseront des outils de simulation specialises et spécifiques au domaine.
Un agent n'est aussi rapide que son outil le plus lent
Un agent IA utilisé un LLM pour planifier un flux de travail complexe en secondes et appelle des outils pour des sous-tâches specialisees. Mais lorsqu'un agent appelle un solveur numérique classique qui prend quatre heures par itération de conception, le goulot d'étranglement de vitesse et de coût de calcul demeure - il obtient juste un emballage plus sophistique. Automatiser l'orchestration d'un processus lent n'est pas la même chose que construire une capacité fondamentalement nouvelle. Le fait est que les solveurs classiques sont trop gourmands en calcul pour une itération rapide a grande échelle.
La veritable transformation se produit lorsque les deux choses changent en même temps : le flux de travail devient automatise et l'outil de simulation que l'agent utilisé devient radicalement plus rapide. Ce qu'il faut, c'est une classe de modèle fondamentalement différente.
