L’intelligence artificielle est désormais accessible à tous les métiers techniques. Mais entre un outil capable de produire un résultat convaincant et un système fiable, intégré dans les pratiques professionnelles, il reste plusieurs étapes à franchir. Quels problèmes mérite-t-elle de résoudre ? Comment mesurer son intérêt réel ? Et que change-t-elle dans la manière d’exercer le métier d’Ingénieur ?

Un programme généré en quelques secondes, une documentation technique synthétisée automatiquement, des anomalies détectées dans des données de production, de nouvelles solutions de conception proposées par un algorithme…

Les possibilités sont nombreuses. Pourtant, dans les métiers de l’Ingénieur, produire rapidement un résultat ne suffit pas : encore faut-il pouvoir en vérifier la pertinence, en maîtriser les conséquences et l’intégrer dans un processus de travail.

Ces questions ont traversé les différentes rencontres du cycle consacré à l’intelligence artificielle, organisé par IESF Alsace (ARISAL) à l’initiative de Marie-Laure Hisette. Des entretiens avec des experts aux conférences de septembre et d’octobre, plusieurs perspectives complémentaires ont été explorées : les technologies disponibles, la richesse des données industrielles, les usages professionnels et les conditions de leur déploiement.

Elles ouvrent aujourd’hui de nouvelles réflexions, particulièrement concrètes pour les ingénieurs.

Partir du problème à résoudre, pas de l’outil disponible

Avec la généralisation de l’IA générative, il est tentant de chercher comment appliquer les nouveaux outils à toutes sortes de tâches. Mais cette démarche ne conduit pas nécessairement à la solution la plus pertinente.

Dans son entretien avec Marie-Laure Hisette, Jean-Louis Amat rappelle que l’intelligence artificielle recouvre des approches technologiques très différentes, développées depuis plusieurs décennies.

Systèmes experts fondés sur des règles, apprentissage automatique, réseaux de neurones, modèles génératifs… Leurs capacités, leurs limites et leurs domaines de pertinence ne sont pas identiques.

Cette distinction est essentielle en ingénierie. Cherche-t-on à classer des défauts sur des images, retrouver des informations dans une documentation, prédire une évolution à partir de mesures ou automatiser un raisonnement régi par des règles précises ?

Selon la nature du problème, les exigences de fiabilité, les données disponibles et les contraintes d’exploitation, les solutions peuvent être très différentes.

Le premier travail consiste donc à caractériser correctement le problème avant de choisir la technologie.

Quels résultats attend-on ? Quels critères permettront de juger leur qualité ? Quelle marge d’erreur est acceptable ? Et une méthode classique, sans intelligence artificielle, pourrait-elle répondre au besoin de manière plus simple, plus robuste ou moins coûteuse ?

Ces questions sont loin d’être accessoires. Elles déterminent la valeur réelle du projet.

Les données métier : un patrimoine à exploiter, mais aussi à fiabiliser

Lors de la conférence du 10 septembre, Victor Gless-Krumhorn a abordé un sujet particulièrement pertinent pour le tissu industriel alsacien : la richesse des données et des connaissances accumulées au fil des décennies dans les entreprises.

Plans, devis, dossiers de fabrication, rapports d’intervention, historiques de maintenance, retours d’expérience… Ce patrimoine peut ouvrir des perspectives intéressantes pour l’IA.

Mais disposer d’une masse importante de documents ne signifie pas disposer de données immédiatement exploitables.

Les informations peuvent être dispersées entre plusieurs systèmes, enregistrées dans des formats hétérogènes ou associées à des versions successives d’un même équipement. Certaines données peuvent être incomplètes, obsolètes ou contradictoires.

Imaginons un assistant chargé de retrouver les procédures de maintenance d’une installation. S’il puise ses réponses dans plusieurs générations de documents, comment s’assurer qu’il propose la procédure correspondant à la bonne version de la machine ? Comment retrouver l’origine de l’information ? Qui valide la réponse avant son utilisation ?

La qualité des données devient alors indissociable de la fiabilité du système.

Un autre problème apparaît : une partie importante du savoir-faire industriel n’est pas formalisée.

L’expérience d’un technicien qui reconnaît un comportement anormal, les compromis réalisés lors d’une conception, les raisons historiques d’une modification de procédé : autant de connaissances parfois absentes des bases documentaires.

Comment les rendre accessibles sans les réduire à des règles approximatives ? Comment utiliser l’IA pour faciliter la transmission des connaissances, tout en préservant la capacité des professionnels à interpréter les situations ?

L’enjeu dépasse largement le choix d’un algorithme. Il concerne la structuration de l’information, sa mise à jour et les relations entre expertise humaine et systèmes numériques.

Du prototype à l’usage quotidien : comment mesurer l’intérêt réel de l’IA ?

La conférence du 13 octobre, animée par Adrien Ramelet à l’EPITA de Strasbourg, a permis de découvrir cinq applications concrètes de l’IA dans les activités professionnelles : automatiser une veille, analyser de nombreux documents, interagir avec des fichiers Excel, produire des comptes rendus de réunions et créer un assistant personnel connecté à ses outils.

Ces démonstrations montrent la diversité des tâches auxquelles l’IA peut contribuer. Elles invitent aussi à s’interroger sur ce qui se passe après la première expérimentation réussie.

Prenons l’exemple d’une veille automatisée. Comment définir des critères de sélection pertinents, distinguer les informations importantes du bruit et vérifier la fiabilité des sources ? Un système qui produit régulièrement une synthèse est-il réellement utile s’il fait manquer une évolution réglementaire ou technologique essentielle ?

L’analyse de documents volumineux soulève d’autres questions. Comment garantir que les réponses reposent sur les bonnes versions des documents ? Comment retrouver les sources et repérer les informations contradictoires ou manquantes ?

Dans un fichier Excel, comment s’assurer qu’une analyse générée par l’IA respecte la signification des données, les unités utilisées et les hypothèses de calcul ? Et lorsqu’un compte rendu est produit automatiquement, qui en vérifie l’exactitude avant qu’il serve de référence à une décision ?

Avec les assistants personnels connectés à plusieurs applications, une nouvelle dimension apparaît : celle des autorisations et du contrôle des actions. Quelles informations l’assistant peut-il consulter ? Quelles opérations peut-il effectuer de manière autonome ? Comment tracer ses interventions et prévenir les erreurs ?

Ces questions permettent de déterminer les conditions dans lesquelles les outils deviennent réellement utiles et fiables.

Un premier résultat satisfaisant ne suffit pas à démontrer le bénéfice durable d’une solution. Encore faut-il comparer le temps gagné au temps consacré à la vérification, évaluer la fréquence et la gravité des erreurs, mesurer les coûts d’intégration et prévoir les conditions de maintenance.

Les critères ne seront pas identiques selon qu’il s’agit de préparer une synthèse documentaire, d’analyser des résultats d’essais ou de contribuer à une décision technique ayant des conséquences sur la sécurité.

Une démarche d’ingénierie consiste précisément à définir ces critères, tester les situations représentatives et inhabituelles, puis évaluer les résultats avant de généraliser un usage.

La question passe de : « Peut-on le faire avec l’IA ? », à : « Dans quelles conditions est-il pertinent de le faire, et comment en garder la maîtrise ? »

C’est tout l’enjeu du passage de l’expérimentation individuelle à une pratique intégrée aux processus de l’entreprise.

Fiabilité, validation et responsabilité : où placer le contrôle humain ?

La question de la fiabilité est particulièrement sensible dans les métiers scientifiques et techniques, où les résultats produits peuvent avoir des conséquences sur la sécurité, la qualité, les coûts ou le fonctionnement d’un système.

Les modèles d’IA peuvent fournir des réponses très convaincantes, sans que leur pertinence soit garantie dans toutes les situations. Le problème est d’autant plus délicat lorsqu’un résultat erroné reste plausible pour un utilisateur qui ne maîtrise pas complètement le domaine.

Les méthodes habituelles de l’ingénierie offrent un point de départ : identification des risques, définition de critères d’acceptation, essais, validation et traçabilité.

Mais leur application aux systèmes d’IA soulève des questions spécifiques.

Comment établir une stratégie de test lorsque les réponses d’un modèle génératif peuvent varier pour une même demande ? Comment détecter une dégradation des performances lorsque les données évoluent ? Comment documenter les résultats qui ont effectivement servi à prendre une décision ?

Surtout, quel niveau de contrôle faut-il conserver en fonction de la criticité de la tâche ?

Une erreur dans une proposition de reformulation n’a pas les mêmes conséquences qu’une erreur dans une analyse de sûreté, un calcul technique ou une instruction de maintenance.

Le degré d’autonomie accordé à l’IA devrait donc dépendre non seulement de ses performances, mais aussi des conséquences possibles d’une erreur, de sa détectabilité et de la possibilité de revenir sur une décision.

Dans l’entretien consacré à Gilles Simon, coordinateur scientifique du cluster IA Grand Est ENACT, les questions de recherche, de transfert technologique et d’éthique sont abordées comme des dimensions complémentaires du développement de l’intelligence artificielle.

Cette articulation entre performance technique, conditions d’utilisation et responsabilité mérite d’être approfondie dans les organisations.

L’objectif n’est pas simplement de rappeler qu’un humain doit rester dans la boucle, mais de déterminer ce que cet humain doit contrôler, avec quelles informations, quelles compétences et quels moyens d’intervention.

L’IA transforme-t-elle les tâches ou le métier de l’Ingénieur lui-même ?

L’automatisation de certaines tâches ne modifie pas seulement le temps nécessaire à leur réalisation. Elle peut également transformer les compétences mobilisées et les façons d’apprendre.

Lorsqu’une IA génère du code, propose une architecture technique ou produit une analyse, l’ingénieur peut consacrer davantage de temps à la définition du problème, au contrôle des résultats ou à l’exploration de différentes solutions.

Mais cette évolution soulève un paradoxe : pour vérifier efficacement un résultat, il faut conserver les compétences qui permettent de comprendre comment il a été obtenu et pourquoi il pourrait être faux.

Comment maintenir cette expertise lorsque certaines opérations auparavant réalisées manuellement sont progressivement déléguées ?

La question est particulièrement importante pour les jeunes ingénieurs. Une partie de l’apprentissage professionnel passe par la résolution de problèmes, les essais, les erreurs et l’analyse des résultats. Comment organiser cette progression si les outils produisent directement des solutions élaborées ?

À l’inverse, l’IA peut faciliter l’accès à des connaissances complexes, accélérer certaines explorations et permettre aux ingénieurs de travailler sur des problèmes auxquels ils consacraient auparavant moins de temps.

Les effets ne seront probablement pas identiques selon les spécialités, les niveaux d’expérience et les organisations.

L’article « Comment les ingénieurs s’emparent-ils de l’IA ? », relayé par ARISAL, souligne également le décalage possible entre l’adoption individuelle des outils et leur intégration dans les pratiques collectives.

Ce décalage interroge la gestion des compétences, mais aussi la confidentialité des informations, la sécurité, la responsabilité et l’évolution des méthodes de travail.

Comment encourager l’expérimentation sans perdre la maîtrise des usages ? Quelles nouvelles compétences développer ? Et comment préserver celles qui restent indispensables ?

Confronter les pratiques pour dépasser les réponses théoriques

Ces questions montrent que l’intégration de l’IA ne relève pas uniquement du choix d’une technologie.

Elle mobilise des compétences scientifiques, techniques, organisationnelles et humaines. Elle oblige à réaliser des arbitrages entre performance, fiabilité, coûts, autonomie, sécurité et évolution des métiers.

Or, ces arbitrages dépendent fortement des contextes.

Un ingénieur en conception, un responsable de production, un spécialiste des systèmes d’information ou un manager R&D peuvent rencontrer des difficultés similaires, tout en adoptant des réponses très différentes.

Qu’est-ce qui fonctionne dans un environnement et ne fonctionne pas dans un autre ? Quelles méthodes d’évaluation se révèlent utiles ? Quels obstacles sont principalement techniques, et lesquels relèvent davantage de l’organisation du travail ?

C’est en confrontant ces expériences, y compris les tentatives moins concluantes, que peuvent émerger des pistes réellement transférables.

Poursuivons ces réflexions ensemble

Dans la continuité des conférences et des entretiens du cycle IA, IESF Alsace (ARISAL) propose une après-midi d’ateliers participatifs transdisciplinaires inter-entreprises, le jeudi 12 novembre 2026, au campus CESI de Strasbourg.

Trois temps de discussion permettront d’explorer les usages réels de l’IA, les conditions de leur déploiement et les transformations des métiers de l’Ingénieur.

Le principe est simple : pas de nouvelle conférence, mais des échanges entre professionnels, à partir de leurs expériences, de leurs questionnements et de leurs points de vue. Une restitution collective et un moment convivial prolongeront ces discussions.

Que vous ayez déjà intégré l’IA dans vos activités, conduit des expérimentations ou que vous cherchiez encore à en évaluer la pertinence, vos réflexions ont leur place dans ces échanges.