L’intelligence artificielle est devenue incontournable. Tous les grands éditeurs de PLM enrichissent leur offre de fonctions d’IA, les analystes annoncent une nouvelle vague de productivité et les industriels cherchent des moyens concrets de l’appliquer à l’ingénierie, à la fabrication et au service.

On pourrait y voir le prochain chapitre du Product Lifecycle Management. Je pense pourtant que la réalité est légèrement différente. Le débat actuel sur l’IA dans le PLM se concentre surtout sur de nouvelles fonctionnalités. Le changement majeur se joue ailleurs : les industriels modifient ce qu’ils attendent du PLM.

Le PLM a été conçu pour gérer les produits. On lui demande désormais d’éclairer les décisions.

Lorsque le PLM s’est généralisé, il répondait à un problème que toutes les organisations d’ingénierie connaissaient. L’information produit était éclatée. Les fichiers de conception résidaient dans des systèmes différents, les modifications d’ingénierie étaient difficiles à tracer et les équipes travaillaient souvent avec une documentation obsolète. Avec la complexification des produits, ces difficultés sont devenues ingérables sans cadre structuré.

Le PLM a changé la donne. Il a apporté la gouvernance, la gestion des versions et une référence unique pour l’information produit. Pour de nombreux industriels, il a été l’un des investissements technologiques les plus précieux des vingt dernières années.

Cela reste vrai. Ce qui a changé, c’est l’environnement.

Les produits actuels associent mécanique, électronique, logiciel embarqué, connectivité et, de plus en plus, IA. Les équipes de développement sont réparties entre plusieurs sites et fournisseurs. Les exigences réglementaires se multiplient. Une seule modification d’ingénierie peut avoir des répercussions sur la fabrication, la qualité, les achats, le service et la conformité avant même que le produit n’arrive chez le client.

Gérer l’information reste indispensable, mais ne suffit plus. Les responsables de l’ingénierie ne se posent plus les mêmes questions qu’il y a dix ans.

Non pas :

  • « Où trouver la dernière définition du produit ? »

Mais plutôt :

  • « Si nous apportons cette modification, qu’est-ce qui sera impacté par ailleurs ? »

Ces deux questions sont fondamentalement différentes. La première porte sur l’accès à l’information. La seconde porte sur la compréhension des relations. On passe facilement à côté de cette différence, car les deux questions partent des mêmes données. Elles exigent pourtant des capacités très différentes.

Prenons un fournisseur qui remplace un matériau par un autre. Retrouver la dernière spécification est simple. Mesurer les conséquences l’est beaucoup moins. Faut-il des essais supplémentaires ? Les paramètres de fabrication sont-ils touchés ? Des produits déjà installés chez les clients nécessitent-ils une intervention ? La documentation transmise aux autorités de réglementation doit-elle être mise à jour ?

Aucun système ne détient à lui seul toutes ces réponses. Elles n’apparaissent que lorsque les informations issues des différentes phases du cycle de vie sont analysées ensemble. Cette évolution des attentes explique pourquoi la Product Lifecycle Intelligence (PLI) s’invite de plus en plus dans les discussions depuis quelques années. Malgré son nom, la PLI ne vise pas à remplacer le PLM par une autre plateforme. Elle traduit un changement de vision plus large.

L’IA n’a pas créé le problème. Elle l’a révélé.

Beaucoup de discussions sur l’IA dans le PLM commencent par les copilotes, la recherche intelligente ou la documentation automatisée. Ces fonctions comptent, mais elles n’expliquent pas pourquoi certaines organisations réussissent, tandis que d’autres peinent à dépasser le stade des projets pilotes isolés. Voici les questions que nous devons commencer à nous poser :

  • L’IA sait-elle résumer des documents techniques ?
  • Peut-elle interroger les dossiers d’ingénierie en langage naturel ?
  • Peut-elle rédiger des exigences ou proposer des améliorations de conception ?

Ces fonctions sont utiles. Certaines apportent déjà des gains de productivité mesurables. En revanche, elles n’expliquent pas pourquoi deux industriels équipés d’outils d’IA similaires obtiennent souvent des résultats très différents. La réponse tient généralement moins à l’IA elle-même qu’à l’environnement dans lequel elle opère.

Quiconque a travaillé sur un paysage PLM mature sait que la connaissance produit se trouve rarement au même endroit. Les exigences peuvent résider dans l’ALM, les structures produit dans le PLM, les données de fabrication dans le MES, les fiches fournisseurs dans l’ERP, les données qualité dans le QMS et l’historique de service ailleurs encore.

Pris isolément, chaque système remplit bien sa mission. Ensemble, ils racontent l’histoire du produit. Le problème, c’est que ces liens sont souvent évidents pour les équipes, mais invisibles pour les logiciels.

Un ingénieur expérimenté sait qu’un incident signalé sur le terrain par un technicien de service peut être lié à une modification d’ingénierie validée plusieurs mois plus tôt. Il sait où chercher, qui interroger et quelles décisions apportent le contexte manquant. L’IA, elle, n’a aucune intuition de ce type : elle ne peut exploiter que les relations déjà présentes dans la connaissance produit sous-jacente.

C’est pourquoi certaines initiatives d’IA se déploient rapidement, alors que d’autres restent cantonnées à des projets pilotes isolés. La différence tient rarement au modèle de langage. Elle tient plus souvent à la qualité du contexte produit qui l’entoure. Et cela change le débat.

La question n’est plus de savoir si les industriels disposent d’assez de données produit : la plupart en ont déjà beaucoup. La vraie question, plus décisive, est de savoir si ces données racontent une histoire cohérente et connectée.

La Product Lifecycle Intelligence repose sur les liens, pas sur les algorithmes

Si l’IA a mis en évidence les limites d’une connaissance produit cloisonnée, une question s’impose : que faut-il changer ?

Réponse instinctive : une meilleure IA.

Réponse plus pertinente : un meilleur contexte.

Observez la manière dont se prennent aujourd’hui les décisions d’ingénierie. Il est rare qu’une personne décide à partir d’un seul document. Elle croise plusieurs sources : elle examine les exigences, compare les révisions de conception, vérifie les contraintes de fabrication, tient compte des problèmes qualité passés et, si nécessaire, consulte des collègues qui connaissent l’historique du produit.

Autrement dit, elle ne se contente pas de rassembler l’information : elle la met en relation. C’est le principe même de la Product Lifecycle Intelligence.

Au lieu de traiter les données produit comme un ensemble d’enregistrements distincts, la PLI s’intéresse aux relations qui les unissent. Une exigence est liée au logiciel qui l’implémente. Ce logiciel est lié au matériel sur lequel il s’exécute. Ce matériel est relié aux processus de fabrication, aux informations fournisseurs, aux résultats de test et aux produits déjà en service chez les clients. La valeur réside moins dans chaque enregistrement que dans la chaîne qu’ils forment.

Imaginez qu’un client signale une panne inattendue sur le terrain. Retrouver le rapport d’intervention est facile. La question immédiate n’est d’ailleurs que rarement « qu’est-ce qui est tombé en panne ? ». Elle est plutôt : pourquoi, combien de produits peuvent être concernés et que faut-il faire ensuite ? Pour y répondre, il faut comprendre ce qui s’est passé avant que le produit ne parte chez le client. Quelle exigence a introduit la fonction concernée ? Quelle modification d’ingénierie l’a modifiée ? Quelle version logicielle était installée ? Le composant en cause provenait-il d’un autre fournisseur ? Des défauts similaires avaient-ils été relevés en validation, puis jugés acceptables à l’époque ?

Sans contexte produit connecté, les équipes d’ingénierie, de qualité, de service et de fabrication passent souvent des jours à recouper les informations du PLM, de l’ALM, de l’ERP, du QMS et des systèmes de service. Y répondre vite peut faire la différence entre une résolution en quelques heures et une résolution en quelques semaines.

La Product Lifecycle Intelligence ne se substitue pas à cette enquête. Elle l’accélère en rendant ces relations visibles. L’enjeu n’est pas seulement de retrouver les données plus vite, mais de réduire le temps nécessaire pour évaluer l’impact, cerner l’ampleur du problème et décider en confiance.

C’est pourquoi la Product Lifecycle Intelligence ne doit pas être perçue comme une nouvelle catégorie de logiciels placée à côté du PLM. Il est plus juste d’y voir l’étape suivante de son évolution. Le rôle du PLM s’élargit : il ne se limite plus à gérer l’information produit, il aide aussi les organisations à raisonner à partir d’elle.

Dans les projets de transformation PLM, nous constatons régulièrement que la migration des données elle-même est rarement la principale difficulté. La vraie complexité réside dans la préservation de l’historique du produit, c’est-à-dire des liens entre les exigences, les décisions d’ingénierie, le logiciel, la fabrication et le service. Sans ces liens, une organisation peut réussir à migrer ses informations tout en perdant le contexte dont elle aura besoin pour décider à l’avenir. C’est précisément cette lacune que la Product Lifecycle Intelligence vise à combler.

Pourquoi la continuité numérique est plus importante que jamais

C’est aussi la raison pour laquelle le sujet mène inévitablement à la continuité numérique.

Pendant des années, on l’a souvent présentée comme un moyen de relier les systèmes d’ingénierie. C’est exact, mais cela n’explique qu’une partie de sa valeur.

  • Relier des systèmes est une prouesse technique.
  • Relier des connaissances est une capacité métier.

La continuité numérique préserve les relations entre les informations tout au long du cycle de vie du produit. Elle relie les décisions prises lors de la phase de concept aux modifications d’ingénierie, à l’exécution de la fabrication, aux versions logicielles, aux événements qualité et aux interventions de service. Au lieu de traiter chaque étape comme un processus distinct, elle crée une continuité entre elles. Cette continuité prend de plus en plus de valeur à mesure que les produits deviennent « software-defined ».

Prenons une mise à jour logicielle à distance (over-the-air) sur une machine industrielle. En apparence, il s’agit d’une simple version logicielle. En réalité, elle peut influer sur les procédures d’exploitation, les plans de maintenance, la documentation réglementaire, la planification des pièces de rechange et le support client. Vues à travers le prisme de chaque système, ces activités relèvent de départements différents. Vues à travers la continuité numérique, elles découlent toutes de la même décision produit. La distinction est importante, car l’IA ne crée pas le contexte par elle-même.

Un assistant IA peut résumer des milliers de documents en quelques secondes, mais il ne peut pas déduire des relations qui n’existent pas. Si les données d’ingénierie, les configurations logicielles, les enregistrements de fabrication et l’historique de service restent cloisonnés, le modèle n’a aucun moyen fiable de comprendre comment ils s’influencent mutuellement. Plus la continuité numérique est complète, plus le contexte offert aux personnes comme à l’IA est riche.

Les organisations qui investissent dans la Product Lifecycle Intelligence ne se contentent donc pas de préparer l’arrivée d’une IA plus sophistiquée. Elles construisent un environnement où les personnes et la technologie peuvent décider à partir de la même compréhension connectée du produit.

Les organisations qui tirent le meilleur parti de l’IA ont généralement commencé par autre chose

On suppose facilement que le prochain avantage concurrentiel de l’industrie viendra de l’adoption de modèles d’IA plus avancés. En pratique, de nombreuses organisations constatent que l’IA ne crée le plus de valeur qu’une fois les fondations consolidées.

Celles qui progressent le plus vite avec l’IA sont rarement celles qui ont commencé par elle. Le plus souvent, elles ont passé des années à bâtir les fondations qui rendent l’IA utile : améliorer la qualité des données, instaurer une gouvernance, relier les disciplines d’ingénierie et mettre en place une continuité numérique fiable sur l’ensemble du cycle de vie du produit.

Ces investissements n’ont pas été faits en pensant à l’IA générative. Ils visaient à améliorer l’efficacité de l’ingénierie, à accélérer le développement des produits et à réduire le risque d’erreurs coûteuses. Aujourd’hui, ils remplissent une autre fonction : fournir le contexte sur lequel l’IA peut s’appuyer. Cette nuance est importante, car elle modifie la façon dont les industriels doivent envisager leur prochain investissement.

Tant que la connaissance produit reste fragmentée, ajouter une application d’IA supplémentaire ne résoudra probablement pas le problème de fond. Elle aidera peut-être chacun à travailler plus vite, mais elle améliorera difficilement la prise de décision à l’échelle de l’organisation. À l’inverse, lorsque la connaissance produit est connectée et traçable, l’IA gagne considérablement en valeur, car elle peut raisonner sur l’ensemble du cycle de vie plutôt que sur des jeux de données isolés.

C’est pourquoi la Product Lifecycle Intelligence gagne en pertinence. Non pas parce que la PLI introduirait un stack technologique entièrement nouveau, mais parce qu’elle traduit une autre attente à l’égard du PLM moderne. Pendant des années, la réussite se mesurait à la capacité de capturer, de gouverner et de diffuser l’information produit. Elle se mesurera de plus en plus à autre chose :

  • En combien de temps une organisation peut-elle comprendre l’impact d’une décision ?
  • Avec quel degré de confiance peut-elle évaluer les risques avant de mettre en œuvre une modification ?
  • Dans quelle mesure les équipes d’ingénierie, de fabrication et de service travaillent-elles à partir du même contexte produit ?

Ces questions définissent la Product Lifecycle Intelligence bien mieux que n’importe quelle définition technique.

La valeur de la Product Lifecycle Intelligence

En définitive, les organisations n’investissent pas dans la Product Lifecycle Intelligence uniquement pour relier davantage de données produit. Elles le font pour améliorer la qualité et la rapidité des décisions produit dans l’ingénierie, la fabrication, la qualité et le service.

Lorsque le contexte produit est connecté et accessible, les organisations sont mieux armées pour :

  • évaluer plus rapidement l’impact des modifications d’ingénierie ;
  • détecter les problèmes de qualité avant qu’ils ne se transforment en défaillances coûteuses sur le terrain ;
  • raccourcir les investigations sur les défaillances produit en retraçant les relations tout au long du cycle de vie ;
  • repérer plus tôt, dans le processus de développement, les risques réglementaires et fournisseurs ;
  • constituer le contexte produit fiable qui permet de déployer l’IA au-delà des projets pilotes isolés.

La valeur de la Product Lifecycle Intelligence ne se mesure pas à la quantité d’informations stockées, mais à la qualité et à la rapidité des décisions qu’elle permet.

Le PLM ne perd pas en importance. Il gagne en ambition.

Chaque grande évolution technologique transforme le rôle des systèmes existants. Le cloud n’a pas fait disparaître l’ERP : il a changé la manière dont les organisations attendaient qu’il leur soit fourni. La transformation numérique n’a pas remplacé le PLM : elle a élargi le nombre de processus métier qui en dépendent.

L’IA suit une trajectoire comparable. La technologie progresse à une vitesse remarquable, mais l’avenir de l’IA dans le PLM dépendra moins de la sophistication des modèles que de la qualité de la connaissance produit à laquelle ils auront accès.

C’est pourquoi le débat dépasse progressivement les fonctionnalités d’IA et les copilotes. La question la plus intéressante est de savoir si les organisations ont créé un environnement où l’IA peut comprendre les produits, et pas seulement les documents.

La Product Lifecycle Intelligence incarne ce virage. Elle ne remplace pas le Product Lifecycle Management : c’est la direction vers laquelle il évolue.

Découvrez la prochaine étape du PLM

Si votre organisation dispose déjà d’un environnement PLM mature, mais peine à déployer l’IA au-delà de cas d’usage isolés, le problème ne vient peut-être pas de la technologie elle-même. Il tient peut-être à la manière dont la connaissance produit est connectée sur l’ensemble du cycle de vie.

Prêt à passer de la gestion de l’information produit à l’amélioration de la prise de décision ?
Échangez avec nos experts sur le PLM, la Product Lifecycle Intelligence (PLI) et la continuité numérique.
Contactez-nous