Comment les agents d'IA accélèrent la transformation numérique dans l'industrie

Imaginez que votre concurrent augmente sa productivité de 30 % et mette son produit sur le marché plus rapidement que prévu. Ce n'est pas parce qu'il a embauché plus d'ingénieurs. Pas parce qu'il a externalisé la production. Mais parce qu'il a déployé des logiciels dotés d'agents d'intelligence artificielle. Des logiciels dotés d'une intelligence qui automatise les tâches routinières et ouvre des perspectives, ce qui permet à la main-d'œuvre de se concentrer sur les tâches à valeur ajoutée.

Désormais, pendant que vos équipes retracent manuellement les relations entre les produits et coordonnent la collecte de données pour une modification de la conception, leurs ingénieurs se concentrent sur l'innovation. Ce n'est pas de la science-fiction. L'IA est en train de remodeler les opérations industrielles et les fabricants qui exploitent les agents de l'IA conserveront leur avantage concurrentiel.

Aujourd'hui, les organisations de R&D de logiciels réalisent des gains de productivité à deux chiffres grâce à des assistants de code IA tels que GitHub Copilot (McKinsey, 2023). Les départements d’assistance améliorent le temps de résolution grâce à des agents d'IA qui diagnostiquent les problèmes et aident au dépannage (Microsoft, 2024). Les agents d'IA transforment les chaînes d'approvisionnement en optimisant les niveaux de stock, en gérant les fournisseurs et en rationalisant la logistique pour réduire les coûts (McKinsey, 2024).

Plus généralement, les technologies d'IA générative permettent aux utilisateurs d'interagir avec leurs données industrielles par le biais du langage naturel, ce qui améliore l'expérience de l'utilisateur. Ces systèmes d'IA peuvent résumer de grandes quantités de données, accélérer l'analyse et améliorer la prise de décision, en élargissant l'accès aux informations à l'ensemble de l'entreprise. En outre, les agents d'IA peuvent travailler ensemble, créant ainsi des réseaux d'IA intelligents et collaboratifs qui peuvent interagir avec les données et les flux de travail dans les systèmes logiciels.

Dans cette ère transformatrice de l'IA, les fabricants vont accélérer leur transformation numérique. En s'appuyant sur leur parcours des méthodes traditionnelles à la numérisation, ils adopteront des logiciels intelligents alimentés par des agents, des logiciels d’assistance basés sur l'IA qui peuvent assister, augmenter et automatiser les processus de développement de produits de base, permettant aux personnes à travers la chaîne de valeur de travailler plus rapidement.

PTC occupe une position unique pour permettre aux fabricants de franchir cette nouvelle étape de la transformation numérique. Nous disposons d'un portefeuille primé de logiciels de continuité numérique qui fonctionnent dans les domaines de l'ingénierie, de la fabrication et des services. Nous avons plus d'une décennie d'expérience dans l'application de l'IA à nos produits. Pour tirer parti de ce positionnement stratégique, nous nous associons à des hyperscalers comme Microsoft et à une communauté de fabricants qui valident l'adéquation du produit au marché.

Dans les sections qui suivent, nous décrivons les éléments constitutifs de la pile technologique de l'agent d'IA, un cadre en trois parties pour l'extension des capacités de l'agent d'IA et un cas d'utilisation conceptuel dans l'ingénierie. Pour conclure, nous explorerons les opportunités et les défis auxquels les fabricants seront confrontés au cours de cette aventure de l'IA.

L'intelligence numérique numérise le développement de produits tout au long de la chaîne de valeur grâce à des logiciels alimentés par l'IA. Cette transformation repose sur des logiciels d'entreprise pour l'industrie - tels que ALM, PLM, CAD et SLM - combinés à une pile logicielle intelligente composée d'agents d'intelligence artificielle.

Les logiciels d'entreprise sont au cœur de cette transformation numérique. Le portefeuille de PTC propose des logiciels de classe mondiale dans tous les domaines - de l'ingénierie à la fabrication en passant par les services - sur lesquels les fabricants s'appuient chaque jour pour gérer les biens et les services dans tous les secteurs verticaux de l'industrie.

Chaque produit permet de réaliser des opérations commerciales critiques et de gérer la qualité des données, ce qui est essentiel pour obtenir des informations et favoriser l'automatisation grâce à des fonctions alimentées par l'IA.

Depuis plus d'une décennie, nous augmentons la valeur de nos logiciels en appliquant l'IA. Cela comprend l'analyse prédictive pour la maintenance des actifs dans ThingWorx, l'optimisation des conceptions CAO avec des algorithmes génétiques dans Creo, l'application de l'apprentissage automatique pour gérer les chaînes d'approvisionnement en pièces détachées avec Servigistics, ou l'utilisation de la vision par ordinateur pour détecter les pièces en double dans Windchill.

En nous appuyant sur cette innovation, nous intégrons des agents d'IA et des technologies d'IA générative associées dans nos produits. Par exemple, nous avons appliqué des flux de travail agentiques avancés dans ServiceMax, nous lançons de nouvelles offres telles que des agents dans Codebeamer, et nous continuons à nous associer à nos clients et à des partenaires tels que Microsoft pour accroître la valeur de nos logiciels.

Pour comprendre comment les agents d'IA s'intègrent dans les logiciels d'entreprise, nous décomposons la pile technologique de base en quatre couches : engagement de l'utilisateur, services d'application, gestion des données et écosystème logiciel. Chaque couche comporte des considérations techniques spécifiques et des implications uniques pour les fabricants.

Il existe trois types d'interaction avec les agents d'IA :

1. Chat : Un utilisateur demande des informations ou une tâche à accomplir à l'aide d'une interface de chat, par exemple un technicien de maintenance qui utilise le chat AI dans ServiceMax pour générer un résumé de bon de travail.
2. Actions : Un utilisateur peut déclencher le flux de travail d'un agent avec des interfaces traditionnelles, par exemple un ingénieur des exigences qui clique sur un bouton "Exécuter l'analyse" dans Codebeamer pour demander à un agent d'évaluer une exigence par rapport aux normes INCOSE.
3. Autonomie : Les agents d'IA fonctionnent de manière indépendante en arrière-plan, exécutant des tâches sans l'initiative ou la supervision directe de l'utilisateur. Par exemple, un agent d'IA dans Windchill pourrait signaler de manière proactive les risques de conformité dans les demandes de modification de l'ingénierie.

L'un des principes clés de ces approches d'interaction est l'intégration transparente, c'est-à-dire la garantie que les fonctionnalités de l'IA s'alignent sur les flux de travail, les règles et les contrôles d'accès existants. La confiance et la transparence sont tout aussi importantes : il s'agit de fournir une visibilité sur l'utilisation de l'IA et de maintenir un système d'enregistrement pour suivre les décisions et les actions induites par l'IA, en particulier pour l'audit des agents autonomes.

Maintenant que nous avons vu où les utilisateurs interagissent avec les agents, nous allons approfondir le fonctionnement des agents, en examinant les modèles de base et les modèles avancés, et la manière dont ils peuvent fonctionner ensemble pour créer un réseau d'agents intelligents.

Les agents sont des services d'application qui utilisent l'intelligence artificielle pour planifier, raisonner et agir. Les agents peuvent effectuer des opérations de base ou avancées et travailler en collaboration.

1. Agents de base : Il existe des agents de base qui aident les utilisateurs à accéder à l'information, en répondant à des questions basées sur des données contextuelles. Par exemple, l'agent Windchill Document Vault permet aux ingénieurs de poser des questions basées sur les informations stockées dans les fiches techniques, les documents de qualité, les rapports de test et d'autres documents.

Agent Windchill Document Vault avec interface de chat AI

2. Agents avancés : En outre, il existe des agents avancés qui peuvent augmenter ou automatiser des tâches spécifiques. Par exemple, un technicien de maintenance peut poser des questions sur la planification à l'aide d'un chat IA et, en fonction du contexte de l'utilisateur, l'agent peut créer automatiquement de nouveaux événements dans le calendrier. Ces agents avancés exploitent les LLM pour traiter le langage naturel, déduire l'intention de l'utilisateur et surveiller l'avancement des tâches. En outre, ils peuvent utiliser des capacités génératives pour créer une réponse de l'utilisateur ou générer des extraits de code qui déclenchent des actions dans d'autres outils ou agents.

3. Architecture multi-agents : Les agents peuvent travailler ensemble. Il y a des agents de coordination qui assignent des actions et surveillent l'activité des agents ; ils sont comme un chef d'équipe pour un groupe d'agents. Les autres agents sont des spécialistes conçus pour effectuer des tâches spécifiques sur la base d'instructions particulières. Par exemple, ServiceMax a mis en place un agent coordinateur qui coordonne plusieurs agents spécialisés dans la gestion des services sur le terrain (FSM). L'un des agents spécialisés est l'agent Service History qui peut répondre à des questions basées sur les données du bon de travail, et un autre est l'agent Schedule Management qui peut consulter le calendrier d'un technicien et programmer des événements en fonction de l'utilisateur, du bon de travail et du contexte du client.

ServiceMax AI : architecture multi-agents

Maintenant que nous avons exploré les différents types d'agents d'IA et leurs rôles dans les logiciels d'entreprise, intéressons-nous aux données qui alimentent leur intelligence et leur permettent de prendre des mesures significatives.

Les agents d'intelligence artificielle s'appuient sur les données stockées et gérées dans les logiciels d'entreprise, ce qui garantit la confiance et la capacité d'action. Trois éléments - la base de données vectorielle, la couche sémantique et les API - sont essentiels à la mise en œuvre des agents.

1. Bases de données vectorielles : Les bases de données vectorielles stockent des données structurées et non structurées, mais sont particulièrement utiles pour les contenus non structurés tels que les documents et les vidéos. Elles permettent aux agents d'intelligence artificielle de rechercher, de résumer et d'extraire des informations de fichiers qui étaient auparavant difficiles à analyser, ce qui ouvre de nouvelles voies d'interaction avec les connaissances de l'entreprise. Par exemple, les utilisateurs d'Onshape peuvent poser des questions de formation ou de dépannage sans avoir à parcourir manuellement la documentation.

Les cas d'utilisation exploitant les bases de données vectorielles peuvent être rapidement gagnants, car ils ne nécessitent qu'une programmation spécialisée minimale pour les chatbots de questions-réponses. Cela est particulièrement vrai si des mécanismes d'indexation sont déjà en place pour gérer les documents, comme le moteur d'indexation Solr de Windchill. Toutefois, étant donné que de nombreuses bases de données vectorielles sont basées sur le cloud, les entreprises doivent tenir compte de la sécurité et de la conformité de la propriété intellectuelle lorsqu'elles envisagent d'utiliser cette technologie.

2. Couche sémantique : La couche sémantique sert de pont entre les données complexes de l'entreprise et les agents d'IA (ou d'autres outils tels que les tableaux de bord). Elle traduit les questions professionnelles en requêtes précises dans la base de données. Par exemple, si un utilisateur de Windchill demande "Quelles sont les demandes de modification en cours qui affectent la pièce X ?

• Reconnaît les termes clés tels que "demande de changement" et "partie X".
• Les associe aux bons objets de données dans le système.
• Génère une requête pour obtenir des résultats précis.

En se chargeant de cette traduction, la couche sémantique permet aux agents d'IA de fournir des réponses claires et adaptées aux besoins de l'entreprise tout en travaillant avec les structures de données complexes des logiciels d'entreprise.

Un autre avantage clé d'une couche sémantique est l'amélioration des intégrations logicielles. Lorsque plusieurs systèmes disposent de couches sémantiques mappées, les agents d'intelligence artificielle peuvent naviguer de manière transparente dans les données des systèmes de l'entreprise. Par exemple, le mappage de la couche sémantique entre des systèmes tels que l'ALM, le PLM et le FSM débloque de nouveaux cas d'utilisation en boucle fermée, tels qu'un agent dans Codebeamer traitant les rapports d'incidents de ServiceMax pour informer une mise à jour des exigences qui, à son tour, initie un projet de changement dans Windchill.

3. Les API : Les API permettent aux agents d'IA d'extraire des données structurées des logiciels d'entreprise, d'effectuer des recherches sémantiques dans des bases de données vectorielles pour obtenir des informations non structurées et d'orchestrer des actions entre les systèmes. Plus qu'un simple conduit de données, les API permettent aux agents d'IA d'appeler des outils spécialisés, de déclencher des flux de travail et d'interagir de manière transparente dans l'entreprise, garantissant qu'ils fonctionnent comme des travailleurs numériques intelligents plutôt que comme des répondeurs passifs. En tant qu'outils établis dans les logiciels d'entreprise, les API fournissent une base évolutive et sécurisée pour les flux de travail des agents. À l'avenir, la surveillance et la mesure des API deviendront de plus en plus critiques à mesure que les agents d'IA fonctionneront dans les écosystèmes logiciels.

Une gestion efficace des données est essentielle pour que les agents d'intelligence artificielle fonctionnent de manière fiable et fournissent des informations exploitables. Cependant, les agents d'intelligence artificielle ne fonctionnent pas de manière isolée : ils s'appuient sur un écosystème logiciel plus large qui fournit l'infrastructure et les intégrations nécessaires à l'extension de leurs capacités.

Les agents d'IA ne fonctionnent pas de manière isolée : ils s'appuient sur un écosystème logiciel plus large pour accéder aux données, exécuter des tâches et apporter une valeur ajoutée à l'entreprise. Les trois principaux acteurs de cet écosystème sont les fournisseurs de logiciels indépendants (ISV), les grandes entreprises et les fabricants.

1. Les fournisseurs de logiciels indépendants (Independent Software Vendor - ISV) : À mesure que les agents d'IA se répandent dans les logiciels d'entreprise, les éditeurs de logiciels indépendants adopteront des architectures multi-agents au sein des systèmes logiciels et entre eux. Le modèle de maturité des éditeurs de logiciels indépendants commence généralement par l'intégration d'agents d'IA dans des systèmes logiciels individuels, tels que les solutions de CAO ou de PLM de PTC. Après cette étape, deux options s'offrent à eux. La première consiste à créer des intégrations d'agents entre les logiciels du portefeuille de l'ISV, ou à cibler des intégrations entre des solutions tierces. Dans certains cas, les intégrations au sein d'un portefeuille sont stratégiques, comme l'exploitation des intégrations existantes entre Creo et Windchill pour soutenir les ingénieurs concepteurs. Ou la priorisation des intégrations PLM Windchill avec des solutions ERP et MES externes pour soutenir les opérations critiques en aval pour les fabricants.

Dans chaque scénario d'intégration, des API de haute qualité, des cadres de gouvernance pour la surveillance de l'IA et des modèles commerciaux pour l'utilisation des agents seront essentiels à la fois pour les éditeurs de logiciels indépendants et pour les fabricants.

2. Hyperscalers : Les hyperscalers fournissent des services et des infrastructures d'IA essentiels pour les agents - en offrant de la puissance de calcul, l'hébergement de modèles et des offres d'entreprise à l'échelle. Microsoft, par exemple, met à disposition plus de 1 800 LLM, propose une plateforme complète d'IA et de données, Microsoft Fabric, et crée des graphes de connaissances spécialisés pour l'industrie, tels que la Manufacturing Data Solution. C'est pourquoi PTC s'associe stratégiquement à Microsoft, en tirant parti de son infrastructure d'IA de pointe et de son vaste ensemble de services d'IA qui fonctionnent à grande échelle et en toute sécurité. En outre, nous considérons cette aventure de l'IA comme un sport d'équipe, où le partage des technologies et des meilleures pratiques est essentiel pour aider les fabricants à adopter l'IA et à l'intégrer à leurs opérations.

3. Les fabricants : Les fabricants sont au cœur d'un écosystème de logiciels alimentés par l'IA, car ils fournissent des informations sur la manière de réaliser la valeur commerciale et sont à la fois consommateurs et créateurs de logiciels alimentés par l'IA. Pour les fabricants, l'adoption de l'IA est motivée par la nécessité d'accélérer le développement des produits et d'acquérir un avantage concurrentiel. Ils se concentrent sur l'identification des domaines dans lesquels les agents de l'IA peuvent créer le plus de valeur. En privilégiant les cas d'utilisation à fort impact, les fabricants ne façonnent pas seulement leurs propres stratégies d'IA, mais influencent également le marché dans son ensemble, en guidant les éditeurs de logiciels indépendants et les grandes entreprises vers les applications les plus intéressantes. En tant que consommateurs, les fabricants cherchent à accélérer leur temps de retour sur investissement en s'appuyant sur des solutions spécifiques. En tant que créateurs, les fabricants développent leurs propres agents d'IA, en appliquant les mêmes principes de gouvernance, d'intégration et d'évolutivité que les éditeurs de logiciels indépendants afin de garantir une fonctionnalité transparente dans leur paysage informatique.

En résumé, un écosystème logiciel est essentiel pour les agents d'IA, car il garantit qu'ils s'intègrent de manière transparente dans les systèmes logiciels, qu'ils s'adaptent à l'infrastructure de pointe et fiable fournie par les hyperscalers, et qu'ils apportent une valeur commerciale aux fabricants.

De manière plus générale, nous avons couvert les éléments essentiels d'une pile technologique alimentée par des agents d'IA. Ces caractéristiques intégrées, intelligentes et collaboratives des agents d'IA sont ce qui positionne cette technologie comme une force de transformation, amenant de nombreux leaders d'opinion à déclarer que les agents seront omniprésents dans les logiciels.

Nous n'en sommes qu'aux premières phases de l'application des agents d'IA dans les logiciels d'entreprise. Bien que des analystes de marché comme Gartner prévoient une adoption substantielle des agents d'IA, avec un objectif de 33 % d'ici 2028, l'adoption actuelle est inférieure à 1 % dans les entreprises (Gartner, 2024).

Afin de réaliser ce monde agentique, les fabricants doivent adopter une approche incrémentale, en commençant par des gains rapides et en augmentant les succès. Pour vous guider dans cette aventure de l'IA, nous vous recommandons d'envisager des agents d'IA basés sur trois capacités clés - Assistance, Augmentation et Automatisation - chacune s'appuyant sur la précédente avec une valeur croissante pour les opérations de l'entreprise.

Les agents d'IA ne sont pas limités à une seule capacité. Un agent peut intégrer plusieurs capacités en fonction du contexte du cas d'utilisation et de l'environnement logiciel associé. Par exemple, un agent d'ingénierie alimenté par l'IA peut récupérer les spécifications pertinentes du produit (Assist) mais aussi suggérer des matériaux alternatifs en fonction de la conformité réglementaire et du coût (Augment). Au fil du temps, le même agent pourrait être configuré pour appliquer de manière autonome des modifications de conception approuvées sur la base d'intégrations aux systèmes PLM et ERP (Automate).

Examinons chaque capacité, en soulignant son rôle, sa valeur unique, les considérations technologiques et des exemples concrets.

• Rôle : Agent en tant qu'assistant intelligent - fournit des informations, recherche des données et propose des recommandations pour aider les utilisateurs à prendre de meilleures décisions.
• Proposition de valeur : Efficacité - réduit le temps consacré à la recherche de données, simplifie les flux de travail et améliore l'accessibilité des connaissances.
• Rôle humain : Les utilisateurs prennent des décisions tout en tirant parti de l'IA pour obtenir des informations plus rapides.
• Considérations technologiques : Faible investissement - nécessite une intégration avec les sources de données, des capacités de recherche et d'interrogation, et bénéficie souvent des techniques de génération améliorée de recherche.
• Exemple : Un agent Windchill aide les ingénieurs à trouver rapidement des spécifications, des documents de conformité ou des rapports de test en récupérant les informations pertinentes dans le coffre-fort de Windchill.

• Rôle : L'agent en tant que collaborateur intelligent - Il va au-delà de l'assistance en exécutant activement certaines tâches ou en optimisant les flux de travail.
• Proposition de valeur : Optimisation des processus - réduction des erreurs, amélioration de la productivité et de la prise de décision grâce à des recommandations basées sur l'IA.
• Rôle humain : dirigé par l'homme, soutenu par l'IA - les utilisateurs examinent et approuvent les optimisations suggérées par l'IA.
• Considérations technologiques : Investissement modéré - nécessite une intégration plus poussée avec les systèmes d'entreprise, une ingénierie d'invite sophistiquée et une aide à la décision basée sur l'IA.
• Exemple : Un agent ServiceMax recherche la disponibilité des techniciens (Assist) et propose des options de programmation optimisées en fonction de l'expertise, de la localisation et de l'urgence du technicien (Augment). Le technicien doit encore approuver la sélection finale avant qu'elle ne soit réservée.

• Rôle : L'IA en tant qu'opérateur autonome - exécute des tâches de manière indépendante, en s'adaptant de manière dynamique sur la base de nouvelles données et de nouveaux flux de travail.
• Proposition de valeur : Évolutivité et réduction des coûts - minimise les efforts manuels, permet l'adaptation des processus en temps réel et favorise l'efficacité opérationnelle.
• Rôle humain : Il supervise les actions de l'IA et n'intervient que lorsque cela est nécessaire pour gérer les exceptions ou affiner les règles d'automatisation.
• Considérations technologiques : Investissement élevé - nécessite des architectures agentiques, une ingénierie rapide avancée et éventuellement des modèles d'apprentissage automatique spécialisés pour les opérations autonomes.
• Exemple : Un agent Windchill surveille les mises à jour des exigences dans Codebeamer, gérant les dépendances, les contrôles de conformité et le contrôle des versions avec peu d'intervention manuelle.

En concevant des agents d'IA dotés d'une intelligence progressive, les fabricants peuvent mettre en œuvre l'innovation de manière contrôlée et évolutive, en veillant à ce que l'adoption de l'IA s'aligne sur les objectifs de l'entreprise et sur la préparation de la main-d'œuvre. Dans la section suivante, nous envisageons cet avenir à l'aide d'un exemple illustratif dans le domaine de l'ingénierie.

Imaginez un fabricant mondial qui développe un produit de nouvelle génération défini par logiciel - un véhicule électrique, un appareil médical intelligent ou un équipement de construction intelligent. La complexité de l'ingénierie est immense et nécessite une collaboration transparente entre les équipes chargées des exigences, de l'ingénierie des systèmes et de la conception.

Pour illustrer la manière dont les agents d'IA peuvent transformer ce processus, nous explorerons quatre cas d'utilisation clés, montrant la progression des méthodes traditionnelles vers les logiciels d'entreprise numérisés et l'intégration des agents d'IA - améliorant la collaboration au sein de l'entreprise, dévoilant des informations et accélérant les flux de travail.

1. Traçabilité et collaboration numériques : Les agents de traçabilité surveillent les changements (Automate) apportés aux exigences, aux conceptions et aux modèles de systèmes dans les logiciels ALM et PLM, alertant les ingénieurs des changements et recommandant des mises à jour (Assist). Si une modification est nécessaire, l'agent automatise la liaison des objets nouveaux ou mis à jour sur la base de l'ontologie des données (Automate).